Software di Ottimizzazione della Supply Chain Alimentato da IA, giugno 2025

Di Léon Levinas-Ménard

Ultima modifica: 2 giugno 2025

Introduzione

Nonostante il clamore intorno al software di supply chain “alimentato da IA”, solo pochi fornitori riescono veramente a offrire un’ottimizzazione congiunta di inventario, pricing e assortimenti utilizzando algoritmi avanzati. La maggior parte delle soluzioni gestisce ancora questi aspetti in maniera isolata – un approccio che questo studio ritiene fondamentalmente difettoso. Individuiamo Lokad, RELEX Solutions, Blue Yonder, ToolsGroup e o9 Solutions come i player globali più rilevanti che spingono i limiti tecnici nell’ottimizzazione quantitativa della supply chain. Lokad emerge come un leader con il suo motore decisionale unificato e probabilistico e un alto livello di automazione, mentre RELEX e Blue Yonder offrono suite end-to-end ampie, influenzate però da problemi di integrazione e tecnologie legacy. ToolsGroup è pioniere nell’ottimizzazione probabilistica dell’inventario in espansione verso il pricing al dettaglio, e o9 Solutions vanta una piattaforma integrata guidata da IA, benché restiamo cauti riguardo alle parole d’ordine rispetto alla realtà. In particolare, attori consolidati come Kinaxis, SAP e Oracle – pur essendo noti per la pianificazione – sono penalizzati qui per approcci compartimentalizzati (ad es. concentrandosi solo sulla pianificazione dell’offerta o della domanda) e per aver integrato componenti IA senza automatizzare veramente le decisioni. Applichiamo una prospettiva profondamente scettica: tagliamo la retorica di marketing, esaminiamo le evidenze tecniche e mettiamo in luce dove le affermazioni dei fornitori non corrispondono alla realtà. L’obiettivo è una narrazione trasparente e tecnicamente rigorosa del mercato, che dia la priorità ai risultati economici piuttosto che alle parole d’ordine.

Gli Standard Elevati per l’Ottimizzazione della Supply Chain Guidata da IA

Per ottimizzare veramente una supply chain con IA, una soluzione deve soddisfare requisiti elevati di capacità – ben oltre la semplice generazione di dashboard accattivanti o la modifica delle previsioni. Definiamo i criteri di riferimento come segue:

Ottimizzazione Congiunta di Inventario, Prezzi e Assortimento: La soluzione dovrebbe decidere concomitantemente cosa tenere in magazzino, in che quantità, e a quale prezzo, scegliendo contestualmente anche l’assortimento dei prodotti. Trattare questi aspetti separatamente (come fatto dagli strumenti di pianificazione tradizionali) è intrinsecamente subottimale ¹. I prezzi influenzano la domanda, che a sua volta impatta sull’inventario; i cambiamenti nell’assortimento influenzano entrambi. Ad esempio, un sistema avanzato potrebbe decidere di mantenere meno scorte di un articolo a bassa rotazione e applicare uno sconto prima, oppure aumentare i prezzi su articoli scarsi per evitare esaurimenti – tutto come parte di una strategia coerente ² ³. I fornitori che vendono ancora “moduli” separati per previsioni, riordino e pricing – senza un’ottimizzazione unificata – lasceranno guadagni non realizzati e vengono penalizzati nella nostra valutazione.
Previsione Probabilistica dell’Incertezza: Gestire l’incertezza è essenziale. Invece di previsioni puntuali, i principali fornitori utilizzano distribuzioni di probabilità per la domanda, i tempi di consegna, i resi e altre incertezze ⁴. Questo approccio cattura l’ampiezza degli esiti possibili (ad es. esiste una probabilità del 10% che la domanda superi le 120 unità) anziché una semplice stima basata su un unico numero ⁵. È particolarmente cruciale per i mercati volatili odierni e per gli SKU a coda lunga. I sistemi tradizionali (come le versioni meno recenti di SAP, Oracle, ecc.) che forniscono una previsione “miglior ipotesi” affiancata da uno stock di sicurezza statico spesso sottovalutano la reale variabilità ⁶. Prediligiamo i fornitori che adottano modelli stocastici per quantificare il rischio, permettendo decisioni come impostare livelli di stock per raggiungere, ad esempio, una probabilità di servizio del 95% invece di basarsi ciecamente su una previsione ⁷.
Ottimizzazione Economica (Decisioni Guidate dal Profitto): L’ottimizzazione con IA dovrebbe concentrarsi sui risultati di business – massimizzare il profitto o minimizzare il costo totale – e non solo sugli indicatori operativi. Ciò significa incorporare fattori economici (margini, costi di magazzino, penalità per carenze, elasticità del prezzo) direttamente nella logica decisionale ⁸. Ad esempio, un sistema veramente “ottimale” manterrà un prodotto in stock solo se il profitto atteso lo giustifica, e stabilirà i prezzi bilanciando margini più elevati contro il rischio di prodotti invenduti. Molti strumenti legacy ottimizzano metriche ristrette (come il tasso di riempimento o l’accuratezza delle previsioni) in isolamento; noi cerchiamo invece sistemi che modellino i compromessi – ad es. accettando un tasso di riempimento leggermente inferiore se questo migliora notevolmente la redditività ⁹.
Automazione e Decisioni “Robotizzate”: La promessa dell’IA nella supply chain è quella di una decisione autonoma o almeno “a mani libere”. Le migliori soluzioni richiedono una messa a punto umana minima quotidianamente – i pianificatori dovrebbero assumere ruoli di supervisione per gestire eccezioni, mentre il sistema elabora i dati ed esegue decisioni di routine. Esaminiamo quindi attentamente le affermazioni dei fornitori sull’automazione. Se uno strumento si propone come “autonomo” eppure richiede ai pianificatori di regolare dozzine di parametri (manuali, con continue sovrascritture), si tratta di una contraddizione interna ¹⁰. La vera automazione significa che il sistema si auto-regola e si adatta con poca intervento manuale ¹¹. Prediligiamo i fornitori che dimostrano un funzionamento senza assistenza in pratica (generando automaticamente ordini, prezzi, ecc.) e verifichiamo se le funzionalità “IA” siano reali o semplicemente sofisticate raccomandazioni ancora dipendenti dall’uomo. La pianificazione completamente robotizzata potrebbe non essere ancora raggiungibile al 100%, ma i sistemi che si avvicinano a questo ideale vengono premiati.
Scalabilità e Architettura Moderna: L’ottimizzazione della supply chain nel 2025 deve gestire big data – potenzialmente milioni di combinazioni SKU-locazione, dati di clickstream relativi alla domanda, reti multilivello – in modo efficiente. Esaminiamo la tecnologia: la piattaforma è nativa cloud, utilizza il calcolo distribuito e algoritmi ottimizzati? Oppure si aggrappa ad architetture legacy in-memory o on-premise che richiedono hardware esorbitante? Soluzioni che ingenuamente insistono per mantenere tutto in RAM o utilizzare database obsoleti possono diventare prohibitivamente costose su larga scala. Ad esempio, un calcolo “fast calc” in-memory potrebbe funzionare su piccoli dataset, ma bloccarsi o far lievitare la bolletta del cloud su problemi di grandi dimensioni ¹² ¹³. Premiamo i fornitori che dimostrano un’ingegneria intelligente (ad es. gestione dei dati in streaming o in formato colonnare, calcolo parallelo) per scalare in modo cost-effective su infrastrutture cloud ¹⁴ ¹⁵. Viceversa, una forte dipendenza da tecnologie costose (come l’eccessivo uso di Snowflake o il richiedere server specializzati di grandi dimensioni) è un segnale d’allarme per un ROI pratico ¹⁶.
Integrazione Dati e Intelligenza Esterna: L’ottimizzazione nel mondo reale non avviene in isolamento. Valutiamo positivamente i sistemi che riescono a integrare facilmente dati esterni come i prezzi dei concorrenti, le condizioni di mercato, persino segnali IoT. L’inserimento di prezzi dei concorrenti o livelli di stock dei marketplace può migliorare significativamente le decisioni di pricing e assortimento ¹⁷ ¹⁸. Pochi fornitori lo fanno bene – molti considerano solo dati storici interni. La capacità di integrare dati multi-canale (ad es. flussi online e retail separati) in un unico modello di pianificazione è anch’essa cruciale ¹⁹. In breve, un sistema IA dovrebbe avere un’estendibilità “glass box”: permettere l’aggiunta trasparente di nuove fonti di dati e logiche personalizzate per migliorare le decisioni ²⁰. Modelli rigidi a scatola nera, che non riescono a incorporare i dati unici, risultano meno utili nel fornire un vantaggio competitivo.
Esperienza e Rigor Scientifico: Cerchiamo evidenze che la tecnologia di un fornitore funzioni effettivamente. La partecipazione a competizioni neutrali di forecasting o planning (come la competizione M5) o case study pubblicati con dati concreti hanno un grande peso. Un esempio notevole: un team di Lokad si è classificato al 6° posto mondiale (su 909 team) nella competizione M5 ²¹, dimostrando abilità nella previsione probabilistica su dati retail molto granulari. Al contrario, molti grandi fornitori non hanno mai pubblicamente confrontato la loro IA – se un fornitore si vanta della “precisione dell’IA” ma non compete né pubblica dettagli, lo scetticismo è giustificato ²². Verifichiamo inoltre eventuali fallimenti: ad es. il famigerato caso di i2 Technologies (ora parte di Blue Yonder) il cui software di ottimizzazione ha fallito così miseramente da Dillard’s che una giuria ha assegnato $246M di danni ²³ ²⁴. Tali incidenti (seppur rari e spesso taciuti) ci ricordano di mettere in discussione le grandi affermazioni. Alla fine, facciamo affidamento su dettagli ingegneristici verificabili piuttosto che sul marketing: respingendo rapporti analitici a pagamento e citazioni entusiastiche dei clienti prive di contesto. (Come disse un insider del settore, i leader del Magic Quadrant di Gartner riflettono spesso i budget dei fornitori più che l’eccellenza del prodotto ²⁵.)

Con questi criteri stabiliti, ci rivolgiamo ora ai fornitori. Di seguito valutiamo criticamente la tecnologia e l’approccio di ciascun operatore, classificandoli in base al merito tecnico e alla capacità di offrire una vera ottimizzazione guidata da IA. Ogni valutazione si basa su evidenze – citando documentazione e analisi di terzi – per separare l’innovazione genuina dalle promesse piene di parole d’ordine.

1. Lokad – Ottimizzazione Probabilistica Unificata e Decisioni “Robotizzate”

Lokad si distingue come un fornitore progettato esplicitamente per l’ottimizzazione congiunta utilizzando tecnologie all’avanguardia. Diversamente dalle suite tradizionali assemblate da moduli (previsione, inventario, pricing, ecc.), Lokad offre una piattaforma programmabile nella quale viene implementata una logica di ottimizzazione unificata per ogni cliente ²⁶. Questo approccio – definito “Quantitative Supply Chain” da Lokad – significa che, invece di modificare strumenti compartimentalizzati separatamente, l’intero flusso decisionale (previsione → ordinazione → allocazione → pricing) viene codificato come un unico modello coerente. Richiede un lavoro preliminare di data science, ma produce un motore su misura che ottimizza tutte le decisioni insieme – acquisti, produzione, riordino, pricing, assortimento – invece di subottimizzare le singole parti in isolamento ²⁷.

Al cuore di Lokad vi è la previsione probabilistica. Lokad è stato uno dei pionieri nell’utilizzo di distribuzioni di probabilità complete per la domanda, anziché previsioni puntuali, e ciò è stato convalidato in ambiti neutrali. Nella prestigiosa competizione M5 di forecasting, un team di Lokad si è classificato al 6° posto mondiale (su 909 team) ²¹ – un risultato impressionante per una sfida di previsione retail molto granulare. È importante notare che la competizione M5 richiedeva stime probabilistiche (prevedendo i quantili), in perfetta sintonia con la filosofia di Lokad. Questo ha fornito evidenze concrete che la tecnologia di Lokad può competere alla pari con le migliori al mondo nella gestione dell’incertezza della domanda. Ancora più importante, l’attenzione di Lokad non si concentra solo sull’accuratezza delle previsioni per il suo stesso fine, ma sull’utilizzo di tali previsioni probabilistiche per migliorare le decisioni. L’azienda sostiene spesso che, oltre un certo punto, ossessionarsi per un minuscolo aumento dell’accuratezza comporta rendimenti decrescenti; ciò che conta è un migliore modellamento decisionale con l’incertezza disponibile ²⁸. In pratica, significa che Lokad potrebbe accettare un certo margine d’errore nelle previsioni, ma garantire che le decisioni di inventario e pricing siano robuste rispetto a tale errore (ad es. comprendendo il costo degli stock-out rispetto all’eccesso di inventario e ottimizzando di conseguenza ²⁹). Questo focus sulla qualità delle decisioni anziché su metriche vanagloriose delle previsioni è rinfrescante – si allinea con la reale economia (impatto sul profitto) piuttosto che con semplici punteggi statistici.

Ingegneria e Scalabilità: Dal punto di vista tecnologico, Lokad è estremamente orientato all’ingegneria e nativo cloud. Hanno costruito il proprio stack tecnologico da zero, inclusa una linguaggio specifico di dominio personalizzato (“Envision”) per scrivere script di ottimizzazione ³⁰. Il sistema è progettato per elaborare grandi quantità di dati in modo efficiente e economico. Le implementazioni reali di Lokad processano abitualmente da gigabyte a terabyte di dati (ordini, click, transazioni) in poche ore durante la notte, producendo decisioni per il giorno successivo ³¹. Raggiungono tutto ciò senza forzare tutto in RAM; il motore di Lokad utilizza file mappati in memoria, archiviazione colonnare su disco e streaming intelligente, in modo che dati più grandi della memoria possano essere gestiti trasferendoli su SSD veloci ³². L’approccio è simile a una pipeline big-data ottimizzata (qualcosa tra uno Spark specializzato e un motore di database personalizzato). Per l’utente, ciò significa che Lokad può scalare fino a milioni di SKU o reti complesse senza richiedere un’enorme farm di server o fatture cloud alle stelle. Lokad evidenzia esplicitamente che le loro esecuzioni richiedono sorprendentemente poco hardware, evitando la trappola in cui “cliccare il pulsante di esecuzione costa centinaia di dollari” nel cloud computing ¹⁵. Questo è un elemento distintivo sottile ma cruciale: li differenzia da strumenti enterprise più pesanti che possono elaborare big data, ma spesso a costi elevati o con prestazioni lente. La capacità di Lokad di processare rapidamente vasti assortimenti su istanze cloud di serie ³² è un forte punto a favore della scalabilità e dell’efficienza dei costi.

Poiché la piattaforma di Lokad è essenzialmente basata su codice, le decisioni relative a inventario, pricing e assortimento non sono moduli separati – sono integrate negli script. Ad esempio, si può scrivere uno script Envision che valuta insieme pricing e stock: “per ogni prodotto, considera la domanda probabilistica a diversi livelli di prezzo, prendendo in conto l’inventario attuale e i tempi di consegna, quindi scegli il prezzo che massimizza il margine atteso meno il costo di mantenimento, nel rispetto di evitare esaurimenti troppo frequenti” ³. Questo non è ipotetico – è esattamente il tipo di logica che Lokad permette. Se un prodotto è in eccesso di scorte, lo script potrebbe decidere di scontarlo per aumentare le vendite; se è scarso, potrebbe aumentare il prezzo per destinare l’inventario agli usi di maggiore valore ³³. Pochi altri fornitori consentono questo livello di interazione tra pricing e inventario in un unico modello. Lokad genera essenzialmente politiche decisionali personalizzate a partire dai dati: l’output non è semplicemente “una previsione” o “un piano” – è un insieme di decisioni concrete (come acquistare un certo numero di unità, fissare quel prezzo) che massimizzano l’obiettivo di business in condizioni di incertezza.

Lokad affronta anche effetti complessi come la cannibalizzazione dei prodotti e le sostituzioni in modo flessibile. Se i prodotti sono interrelati (sostituti o complementari), ciò può essere codificato fornendo al modello i dati o i vincoli adeguati. Ad esempio, Lokad può integrare relazioni del tipo “se l’articolo A non è disponibile, X% della sua domanda viene dirottata sull’articolo B”, apprese da eventi storici di esaurimento delle scorte ³⁴. Questo consente all’ottimizzazione di tenere conto dello spostamento della domanda tra i prodotti – qualcosa che molti strumenti trascurano, assumendo che la domanda di ogni SKU sia indipendente ³⁵. Analizzando i dati storici, il sistema di Lokad può individuare correlazioni tra prodotti e canali (ad es. come il lancio di un nuovo articolo simile abbia influenzato le vendite di un prodotto più vecchio) e incorporarle nelle previsioni della domanda e nelle decisioni ³⁶. Questa capacità è cruciale per le decisioni di assortimento (quali SKU mantenere o eliminare) e per il pricing (per evitare, ad esempio, di abbassare inutilmente il prezzo su tutti gli articoli simili quando una riduzione su uno può incrementare le vendite di un altro).

Incorporando dati esterni e intelligence competitiva, Lokad è estremamente flessibile. La piattaforma può ingerire qualsiasi dataset fornito dal cliente – dai prezzi dei concorrenti ricavati dai siti web a Google Trends, previsioni meteo o statistiche sull’affidabilità dei fornitori. Infatti, Lokad menziona esplicitamente l’integrazione di “segnali esterni come il pricing dei concorrenti” e persino calendari di marketing nei suoi modelli ¹⁷. Poiché il sistema è un ambiente di scripting, aggiungere un nuovo input di dati è relativamente semplice – non esiste alcun limite hard-coded su quali fattori possano essere considerati. Per esempio, se avere un indice dei prezzi di un concorrente potesse migliorare la tua decisione sui prezzi, Lokad ti permette di integrarlo nella logica di ottimizzazione. Questo contrasta con molte soluzioni preconfezionate che usano per default solo dati interni di vendite e inventario. L’approccio di Lokad è più una “glass box” che una scatola nera: gli utenti (con qualche competenza di data science) possono vedere e modificare la logica, aggiungere nuovi predittori e provare algoritmi alternativi. Il compromesso è che non si tratta di una semplice interfaccia point-and-click per un pianificatore medio – ci vuole un “supply chain scientist” per configurarlo ³⁷. La visione di Lokad è che questo sforzo iniziale ripaghi con un sistema che si adatta esattamente all’azienda e che può realmente automatizzare le decisioni di routine successivamente. In effetti, molti clienti di Lokad hanno essenzialmente un “forecasting & replenishment brain” costruito su misura per loro; una volta configurato e validato, funziona con un intervento minimo.

In termini di automazione, Lokad è probabilmente il più vicino a un “pianificatore robotico della supply chain” attuale. L’idea è che, una volta che gli script sono in atto e testati, il sistema possa operare quotidianamente (o intraday) per produrre decisioni consigliate senza interventi umani ³⁸. In pratica, le aziende che usano Lokad spesso generano automaticamente gli ordini di acquisto, i piani di allocazione o gli aggiornamenti dei prezzi tramite Lokad, lasciando poi ai pianificatori un rapido controllo di coerenza o l’implementazione delle raccomandazioni. Alcuni eseguono persino gli ordini automaticamente quando la fiducia è elevata. Questo non significa che non intervenga mai nessun essere umano – ma il carico di lavoro cambia drasticamente. I pianificatori supervisionano il processo e gestiscono le eccezioni (ad es. una situazione particolare che il modello non ha coperto) anziché elaborare manualmente i numeri. Il CEO di Lokad ha descritto il loro ideale come una supply chain completamente “robotizzata” in cui il software affina continuamente le decisioni e gli esseri umani si concentrano sulle scelte strategiche o sulla gestione dei casi limite ³⁸. La nostra analisi rileva che il design di Lokad è ben allineato a quella visione: concentrandosi sulla qualità dei modelli decisionali e utilizzando tecnologie favorevoli all’automazione, si minimizza la necessità di aggiustamenti manuali. Naturalmente, il successo dipende comunque dall’implementazione – se il modello è configurato male o i dati sono scadenti, i risultati ne risentono (garbage in, garbage out). Lokad mitiga questo lavorando a stretto contatto con i clienti sulla qualità dei dati e la validazione del modello. Tuttavia, si nota che la fiducia è un fattore: le aziende devono essere disposte a fidarsi di un sistema automatizzato. La reputazione di Lokad (nessun fiasco pubblico e alcuni solidi casi studio) contribuisce a costruire quella fiducia, ma gli utenti potenziali dovrebbero approcciare con cautela qualsiasi “autopilota”. In sintesi, Lokad offre un approccio di ottimizzazione unificato, probabilistico e altamente automatizzato che è raro per profondità. L’altra faccia della medaglia è che non si tratta di un’app preconfezionata off-the-shelf – richiede l’adozione di un nuovo modo di lavorare (programmando le decisioni della supply chain). Per le organizzazioni che possono investire in quel paradigma, Lokad attualmente pone un alto standard nell’ottimizzazione della supply chain potenziata dall’IA.

Fonti: La filosofia e i dettagli tecnologici di Lokad sono tratti dalla sua letteratura ufficiale ²⁶ ²¹ ³ e dal benchmarking pubblico nelle competizioni di forecasting ²¹. Le pratiche ingegneristiche (DSL personalizzato, elaborazione di big data in memory-mapped) sono evidenziate nelle loro spiegazioni tecniche ¹⁴ ³². L’integrazione dei dati di pricing e dei dati dei concorrenti da parte di Lokad è descritta nella loro documentazione ed negli esempi ³ ¹⁷. L’atteggiamento dell’azienda verso l’automazione emerge da interviste e testimonianze degli utenti, i quali indicano che, una volta configurato, il sistema produce decisioni con un intervento manuale minimo ³⁸.

2. RELEX Solutions – Pianificazione Retail Potenziata dall’IA (Integrata, ma con alcune riserve)

RELEX Solutions, dalla Finlandia, si è rapidamente affermata come una suite di pianificazione retail e della supply chain di grande rilievo, spesso menzionata accanto ai giganti storici nel forecasting e nel replenishment. RELEX propone una piattaforma unificata che copre la previsione della domanda, il replenishment automatico, l’allocazione, la pianificazione dell’assortimento, e persino la programmazione del personale e l’ottimizzazione dei prezzi in un unico sistema ³⁹ ⁴⁰. Il loro punto di forza principale (e focus iniziale) è stato il retail alimentare e omnicanale – ambienti con un numero enorme di SKU, negozi e promozioni complesse. RELEX enfatizza la sua capacità di pianificare attraverso canali online e offline in tandem ⁴¹, cosa estremamente rilevante per i rivenditori moderni. Per un operatore di e-commerce o omnicanale, la proposta di valore di RELEX è un processo di pianificazione end-to-end: garantire che l’inventario giusto sia al posto giusto, al momento giusto, con il prezzo e la promozione giusti, il tutto coordinato da algoritmi avanzati.

Uso dell’IA e “Pragmatic AI”: RELEX promuove fortemente l’impiego di IA/ML, con il suo CEO Mikko Kärkkäinen che spesso sostiene il concetto di “pragmatic AI” – ovvero, un’IA che effettivamente produce miglioramenti misurabili nei KPI retail. Vantano che i loro modelli di machine learning elaborano “centinaia di fattori che influenzano la domanda” per migliorare l’accuratezza delle previsioni ⁴⁰. Per esempio, Kärkkäinen ha osservato che il tempo non è un singolo fattore, ma “centinaia di fattori differenti” (temperatura, umidità, ecc. in base a posizione e orario) che possono influenzare la domanda, e i modelli di RELEX ne tengono conto tutti ⁴². Questo illustra l’approccio generale di RELEX: gettare una ampia rete per i segnali predittivi – includendo meteo, promozioni, festività, tendenze sui social media, azioni dei concorrenti, indicatori economici – e lasciare che siano gli algoritmi a individuare i pattern. Il lato positivo è che il sistema può rilevare interazioni complesse (ad es. un’ondata di caldo unita a un weekend festivo che causa un’impennata nelle vendite di bevande). La visione scettica, tuttavia, è che vantare “centinaia di fattori” possa essere più una mossa di marketing che qualcosa di realmente significativo. Nel forecasting, aggiungere troppi input può portare a rendimenti decrescenti o addirittura compromettere l’accuratezza se il modello si adatta troppo al rumore ⁴³. E sebbene RELEX parli di trasparenza in modalità “glass box”, in realtà, se un algoritmo utilizza davvero centinaia di variabili, nessun essere umano può afferrare completamente la sua logica interna ⁴⁴. I pianificatori si trovano quindi a dover fidarsi della black box. RELEX cerca di mitigare questo problema fornendo strumenti per spiegare le previsioni (mostrando i driver chiave, ad esempio “questo picco è dovuto a un’ondata di caldo + promozione”), cosa utile ma solo fino a un certo punto ⁴⁴ ⁴⁵. L’approccio pragmatico che sostengono implica che diano meno importanza all’eleganza teorica e più a ciò che migliora i numeri – il che va bene, ma avvertiamo che alcune affermazioni (come una riduzione enorme dell’errore grazie all’aggiunta di innumerevoli fattori) potrebbero essere storie di successo selezionate.

In termini di risultati, RELEX vanta numerosi aneddoti di clienti che hanno registrato miglioramenti nei parametri: ad esempio, rivenditori che osservano una maggiore accuratezza nelle previsioni e meno stockout, specialmente in situazioni difficili da pianificare come promozioni o picchi stagionali. Un esempio spesso citato: integrando le previsioni meteo, RELEX ha dichiarato fino a una riduzione del 75% dell’errore di previsione per alcuni prodotti sensibili al meteo durante eventi meteorologici insoliti ⁴⁶. Tali statistiche drammatiche vanno prese con un pizzico di sale – potrebbero riferirsi a istanze specifiche (come un particolare gelato durante un’ondata di caldo inaspettata) piuttosto che all’errore complessivo nelle previsioni. Tuttavia, ciò suggerisce che i modelli ML di RELEX siano in grado di catturare oscillazioni della domanda a breve termine che i vecchi sistemi non rilevavano. In sostanza, RELEX fonde il classico forecasting della domanda con quel che alcuni definiscono “demand sensing” – aggiustando continuamente le previsioni con i dati più recenti (vendite POS, meteo, ricerche su Google, ecc.) per orizzonti temporali a breve termine ⁴⁷. Promuovono l’idea di una “ri-previsione continua e automatizzata” man mano che le condizioni cambiano ⁴⁷. In pratica, ciò potrebbe significare che il sistema ricalcola quotidianamente o intraday le previsioni per le prossime settimane, man mano che arrivano nuove informazioni, invece di attenersi a una previsione mensile. Questo è in linea con le migliori pratiche moderne ed è un ambito in cui RELEX eccelle.

Ottimizzazione Congiunta – Inventario, Assortimento e Ora Prezzi: Storicamente, RELEX eccelleva nel replenishment e nell’allocazione – assicurandosi che ogni negozio o centro di distribuzione (DC) riceva lo stock giusto in base alla domanda locale, grazie a una logica multi-echelon. Avevano inoltre funzionalità per la pianificazione dell’assortimento e perfino per l’ottimizzazione dei planogrammi (spazio sugli scaffali), elementi chiave per il retail tradizionale ⁴⁸. L’ottimizzazione dei prezzi, invece, è stata a lungo una lacuna. Riconoscendo ciò, nel 2022 RELEX ha introdotto un modulo di ottimizzazione dei prezzi guidato dall’IA ⁴⁹. Hanno ammetto efficacemente che il pricing compartimentalizzato rappresentava un problema e hanno cercato di unificarlo con la loro suite di pianificazione. La loro soluzione per il pricing gestisce le decisioni sul prezzo base, le promozioni e i ribassi, e RELEX lo posiziona come strettamente integrato con il resto del sistema ⁵⁰. Per esempio, un utente può pianificare una promozione in RELEX, e il sistema raccomanderà la profondità e la tempistica ottimale dello sconto, tenendo automaticamente conto dell’impatto sull’inventario (per assicurarsi che la supply chain possa far fronte all’incremento della domanda) ⁵¹. Questo si sta dirigendo verso un’ottimizzazione congiunta: prezzi e pianificazione della supply chain in un unico ciclo. Non è ancora chiaro se il motore di RELEX veramente ottimizzi prezzo e inventario simultaneamente in un unico modello, oppure se si tratti di un processo sequenziale ben sincronizzato (prima il prezzo, poi l’inventario si adatta). Idealmente, ci si aspetterebbe un algoritmo unico in grado di scegliere la combinazione di prezzo + stock che massimizza il profitto, tenendo conto delle vincolature. Sospettiamo che RELEX non sia ancora del tutto a quel punto – probabilmente il modulo di pricing suggerisce prezzi basandosi sull’elasticità della domanda, mentre il sistema di inventario si adatta in una seconda fase. Tuttavia, poiché tutto risiede in un’unica piattaforma e modello di dati, l’iterazione può essere molto stretta. Almeno garantiscono che le promozioni o le variazioni di prezzo che i pianificatori simulano vengano verificate con la disponibilità di inventario (ad es. “non programmare una grande promozione se i nostri DC non hanno abbastanza stock; o, se lo fai, il sistema segnala un rischio di supply”) ⁵². Il marketing di RELEX afferma che allinea prezzi e promozioni con la supply chain in modo che i piani siano realistici ed eseguibili ⁵³ – abbattendo i silos tra il merchandising e i reparti della supply chain.

Dal punto di vista dell’esperienza utente, RELEX è elogiato per aver integrato tutte queste funzioni in un’interfaccia coerente. Un pianificatore commerciale e un pianificatore della supply chain possono condividere le stesse previsioni e vedere le stesse restrizioni in RELEX ⁵⁴. Questo rappresenta un grande miglioramento rispetto ad aziende che utilizzano strumenti separati (o fogli di calcolo) per ciascuna funzione, che non comunicano tra loro. Detto ciò, l’integrazione non equivale a una vera ottimizzazione. RELEX offre una visione unificata e garantisce coerenza (non vedrete il team pricing impegnato in promozioni che la supply chain non può supportare, se RELEX viene usato correttamente). Ma RELEX risolve davvero l’ottimizzazione congiunta di prezzo + inventario, oppure rende solo più facile il coordinamento di tali decisioni da parte degli umani? Il nostro punto di vista scettico è che, finora, si tratti più di quest’ultima: lo strumento di pricing trova un buon prezzo in base all’elasticità e agli obiettivi di vendita; lo strumento di inventario risponde poi con un piano di supply. Essi si influenzano a vicenda, ma non necessariamente si tratta di un unico algoritmo di massimizzazione dei profitti che copre entrambi gli aspetti ⁵⁵. Raggiungere quell’ottimizzazione olistica in un singolo passaggio è complesso e qualcosa che solo approcci molto specializzati (come quelli di Lokad) sostengono di poter realizzare. Tuttavia, RELEX merita credito per la stretta integrazione – è probabilmente una delle suite di pianificazione più fluide in termini di integrazione dati ed esperienza utente.

Architettura e Scalabilità: Lo stack tecnologico di RELEX è piuttosto avanzato ed è noto per la rapidità operativa su larga scala. Curiosamente, i fondatori di RELEX (con background accademico) hanno sviluppato nei primi tempi un motore di database colonnare in-memory personalizzato per gestire rapidamente previsioni su larga scala ⁵⁶. Questo “Live DataBase” ha permesso loro di calcolare previsioni per SKU/negozio quotidianamente, mentre i concorrenti operavano su base settimanale o mensile, il tutto su hardware abbastanza ordinario grazie all’ottimizzazione dell’uso della memoria. Essenzialmente, RELEX pre-aggregava e organizzava i dati per un recupero e calcolo rapidi. Questo è stato un elemento distintivo nella sostituzione dei vecchi strumenti: molti case study raccontano come RELEX permetta ai pianificatori di passare da una pianificazione aggregata a una pianificazione molto granulare, poiché il sistema è in grado di elaborare molti più dati senza rallentamenti ⁵⁷. In un contesto di e-commerce, ciò significa che RELEX può probabilmente gestire la pianificazione a livello di SKU per decine di migliaia o milioni di articoli, aggiornando frequentemente le previsioni. Supporta il deployment in cloud e può scalare orizzontalmente. Non abbiamo riscontrato lamentele nel settore riguardo alla scalabilità di RELEX – anzi, il loro punto di forza è spesso quello di sostituire Excel o vecchi sistemi incapaci di gestire il dettaglio che RELEX offre ⁵⁸. Un avvertimento: quell’approccio in-memory potrebbe diventare costoso se usato in maniera impropria (se si cercasse letteralmente di mantenere in memoria una simulazione di un milione di SKU per 1000 giorni). Tuttavia, il design di RELEX è sufficientemente efficiente da non aver causato problemi significativi segnalati pubblicamente. Servono grandi catene di supermercati (con migliaia di negozi, milioni di SKU in totale), che rappresentano ancora più dati di quelli gestiti da molte imprese e-commerce pure, per cui il volume non è un problema. In sintesi, l’architettura di RELEX è moderna e veloce, anche se si basa su un uso intensivo della memoria. Probabilmente l’hanno ottimizzata molto bene, ma gli utenti dovrebbero comunque adottare una buona igiene dei dati (garbage in, garbage out).

Automazione e Ruolo dell’Utente: RELEX spesso menziona il passaggio verso la “pianificazione autonoma”, ma sottolinea anche il processo decisionale aumentato. Non cercano apertamente di eliminare i planner; al contrario, si concentrano nel rendere i planner più efficienti. Il sistema può generare automaticamente previsioni, ordini e persino pre-compilare trasferimenti tra negozi o planogrammi, ma tipicamente un umano rivede/approva – almeno inizialmente ⁵⁹ ⁶⁰. Mikko Kärkkäinen ha descritto l’ideale come “pianificazione al dettaglio autonoma che apprende e si auto-regola,” abbattendo i compartimenti stagni tra le funzioni di pianificazione ⁶¹. In pratica, molti clienti RELEX probabilmente operano in modalità semi-automatica: il software si occupa del 90% del lavoro pesante, mentre i planner gestiscono le eccezioni o forniscono supervisione ⁶². Ad esempio, RELEX ha delle “eccezioni previsionali” – se una previsione generata dall’IA sembra sospettosamente errata (ad esempio, superiore del 300% rispetto all’anno scorso per nessuna ragione apparente), il sistema la segnala per revisione anziché semplicemente proseguirla ⁶³. Questo tipo di frangia di sicurezza è importante per costruire fiducia. Col tempo, se l’IA performa bene, i planner potrebbero imparare a fidarsi di essa di più e intervenire meno. RELEX afferma che il suo sistema si auto-regola (aggiustando i propri parametri man mano che arrivano più dati) in modo da necessitare di meno interventi manuali col tempo ⁶⁴. Abbiamo trovato un esempio in cui RELEX ha dichiarato che la loro implementazione ha liberato i planner dalle attività di emergenza per concentrarsi su mosse strategiche ⁶⁵ – implicando che quelle aziende lasciano al sistema il compito della maggior parte delle attività quotidiane. Tuttavia, la realtà può essere caotica: alcuni feedback degli utenti raccolti da una terza parte hanno notato che parti del sistema RELEX erano “gosce” o necessitavano di soluzioni alternative per certe limitazioni (come modellare i limiti di capacità del trasporto merci) ⁶⁶. Ciò dimostra che, nonostante le affermazioni di autonomia, gli utenti potrebbero comunque imbattersi nei limiti di ciò che è integrato e dover gestire manualmente alcune problematiche. RELEX non è affatto magico; riduce notevolmente il lavoro manuale, ma qualsiasi impressione di un sistema completamente senza intervento umano sarebbe esagerata a questo punto.

Problemi Conosciuti e Implementazione: A differenza di alcuni rivali, RELEX non ha subito fallimenti pubblici di alto profilo né cause legali – in generale gode di una buona reputazione. Detto ciò, come azienda in rapida crescita, alcune implementazioni probabilmente performano al di sotto delle attese rispetto allo speech commerciale. Le chiacchiere interne suggeriscono che, per ambienti retail molto grandi e complessi, RELEX può incontrare delle sfide – spesso non perché il software sia cattivo, ma a causa di difficoltà di integrazione dei dati o problemi di cambiamento organizzativo ⁶⁷ ⁶⁸. Se i dati di un retailer sono caotici, nessun sistema IA li riparerà magicamente; RELEX può produrre piani scadenti se alimentato con brutti dati (e poi, chi viene incolpato, lo strumento o i dati?). Inoltre, RELEX ha acquisito rapidamente molti clienti, il che può mettere a dura prova i suoi servizi e il supporto. Alcuni clienti potrebbero non ricevere un supporto così intensivo o personalizzazione, soprattutto rispetto a un fornitore più piccolo come Lokad che lavora a stretto contatto con ciascun cliente. Questo non è un difetto del software in sé, ma influisce sui risultati – uno strumento è buono solo quanto la sua implementazione e adozione. I fornitori adorano vantare il loro ROI nei migliori casi (ad es. “X retailer ha ridotto l’inventario del 30% con RELEX!”), ma raramente pubblicano casi in cui il ROI non sia stato realizzato. Sospettiamo che RELEX, come tutti i fornitori, abbia avuto progetti che non hanno raggiunto gli indicatori promessi. Forse i planner non si sono fidati abbastanza del sistema e lo hanno annullato, oppure problemi nei dati ne hanno impedito il funzionamento ottimale. Queste cose sono difficili da verificare pubblicamente. A significare il tutto, persino un concorrente (Blue Yonder) ha ammesso che la maggior parte dei fallimenti di progetto deriva da scarsa gestione del cambiamento e integrazione dei dati, non da errori negli algoritmi ⁶⁹. Lo stesso vale probabilmente per RELEX – il successo dipende dalla pulizia dei dati e dall’ottenimento dell’adesione degli utenti per utilizzare davvero le raccomandazioni.

Un altro aspetto: RELEX tende a incorporare molti dati esterni per il retail (ad es. dati sul traffico pedonale dai telefoni cellulari, Google Trends per l’interesse di ricerca). Alcuni di questi dati sono meno rilevanti per il puro e-commerce (ovviamente il traffico pedonale), ma dimostrano la filosofia di RELEX di utilizzare tutti i segnali disponibili ⁷⁰. Per un operatore e-commerce, RELEX potrebbe acquisire dati di web analytics o prezzi online dei concorrenti se forniti, sebbene la sua offerta standard sia tarata su scenari retail. Potrebbero non catturare automaticamente i prezzi dei concorrenti come farebbe uno strumento di pricing dedicato, ma se il cliente fornisce tali dati, l’ottimizzazione dei prezzi di RELEX potrebbe prenderli in considerazione.

Verdetto su RELEX: Valutiamo RELEX molto positivamente per il suo approccio completo e integrato e per il moderno stack tecnologico. Evidentemente soddisfa molti criteri: gestisce assortment, inventario e ora prezzi in un’unica piattaforma; sfrutta ampiamente il machine learning (forse a volte in modo eccessivo); può scalare su enormi quantità di dati e lo fa in modo efficiente per design; e supporta un certo grado di automazione, sebbene con i planner ancora in corsia. Le controindicazioni sono che alcune delle sue affermazioni sull’IA potrebbero essere marketing eccessivo (centinaia di fattori suonano impressionanti ma potrebbero non generare guadagni proporzionali ⁴³), e che la sua “ottimizzazione congiunta” potrebbe non essere purista dal punto di vista matematico – è probabilmente più un flusso di lavoro di pianificazione integrata che un singolo modello unificato di ottimizzazione per prezzo+inventario (eccetto in casi limitati). Inoltre, essendo una suite più ampia, potrebbe non offrire la stessa personalizzazione su misura che un approccio piattaforma (come quello di Lokad) può offrire, e potrebbe richiedere più sforzo per essere implementato in una grande organizzazione (integrazione dei dati, formazione degli utenti, ecc.). Notiamo inoltre che l’attenzione di RELEX è stata sul retail – una complessa supply chain manifatturiera potrebbe trovare delle lacune in aspetti come l’ottimizzazione dettagliata della capacità produttiva, mentre per il retail è di prim’ordine. Nel complesso, RELEX è un leader nella pianificazione retail di nuova generazione, spingendo verso una pianificazione guidata dall’IA e senza compartimenti stagni, con la consapevolezza che non è ancora completamente autonoma (almeno non ancora) e non priva di sfide di integrazione. Il nostro scetticismo rimane principalmente nell’analizzare le loro affermazioni più audaci e nell’assicurarsi che gli utenti non la trattino come una bacchetta magica – il successo con RELEX richiede ancora lavoro sui dati e sui processi.

Fonti: Le capacità di RELEX sono riassunte dai materiali aziendali e dalle interviste con il CEO ⁴⁰ ⁴². L’introduzione dell’ottimizzazione dei prezzi nel 2022 è stata notata nei comunicati stampa ⁴⁹. I commenti di Mikko Kärkkäinen sull’IA (“centinaia di fattori”, “pianificazione che apprende e si auto-regola”) sono documentati in articoli di settore ⁴² ⁶¹. Il feedback degli utenti (come le parti goffe, problemi con i limiti di capacità del trasporto merci) è stato segnalato tramite un aggregatore di recensioni SelectHub ⁶⁶. Citando anche prove dell’approccio integrato di RELEX e della necessità residua di supervisione umana ⁵² ⁵⁹. I confronti con le sfide del settore (le note di Blue Yonder sui fallimenti dei progetti ⁶⁹) e l’uso di dati esterni ⁷⁰ forniscono il contesto per i punti di forza e le limitazioni di RELEX.

3. Blue Yonder – Gigante legacy in transizione (Promesse vs. Realtà)

Blue Yonder (ex JDA Software) è uno dei giganti del software per supply chain, con una storia che risale a decenni nella pianificazione del retail e della produzione. La sua suite è immensa, coprendo tutto, dalla previsione della domanda e il riordino alla gestione dei magazzini, trasporti, programmazione della forza lavoro e, dal 2020, all’ottimizzazione dei prezzi (dopo aver acquisito lo specialista del pricing Revionics) ⁷¹ ⁷². Se sei un grande retailer o un’azienda CPG, Blue Yonder probabilmente ha una soluzione per ogni aspetto della tua supply chain. Per un operatore e-commerce o omnicanale, Blue Yonder offre capacità sviluppate per le più grandi operazioni retail al mondo. Tuttavia, con tale ampiezza giunge anche il peso ereditario: molti dei moduli di Blue Yonder erano originariamente prodotti separati (spesso da acquisizioni), e integrarli in un insieme coerente e moderno è una lotta in corso. La storia di Blue Yonder, fatta di molteplici acquisizioni (JDA stessa è stata formata da fusioni di i2 Technologies, Manugistics, ecc.), fa sì che il suo stack tecnologico possa sembrare un patchwork ⁷³.

Ottimizzazione Congiunta e Integrazione: Sulla carta, Blue Yonder risponde a tutte le aspettative per l’ottimizzazione congiunta. Dispone di un motore di previsione della domanda (“Luminate Demand Edge”), strumenti per l’inventario e il riordino (ottimizzazione multi-echelon, ecc.), e un motore di ottimizzazione dei prezzi (Revionics, ora rebrandizzato come Luminate Pricing) ⁷¹ ⁷⁴. L’azienda commercializza una visione end-to-end in cui questi componenti lavorano insieme: ad esempio, la previsione della domanda alimenta sia il piano d’inventario sia le decisioni sui prezzi; il motore di pricing tiene conto dell’elasticità della domanda (fondamentalmente prevedendo come le variazioni di prezzo influenzeranno la domanda); e tutto è unificato sulla loro “Luminate Platform.” In teoria, potresti ottenere una pianificazione coordinata utilizzando tutti i componenti di Blue Yonder: assicurarti che le azioni del team di pricing siano informate dai vincoli di fornitura e viceversa. In pratica, storicamente questi moduli erano disparati e solo debolmente connessi tramite interfacce dati. Revionics, per esempio, aveva il proprio database e interfaccia utente quando fu acquisito; collegarlo con la pianificazione della domanda di JDA richiedeva integrazione IT. Blue Yonder ha riconosciuto questa frammentazione e, nel 2023, ha annunciato un’importante revisione architettonica: il passaggio verso un modello di dati e una piattaforma unificati, utilizzando pesantemente Snowflake (un data warehouse cloud) come strato dati unificato ⁷⁵ ⁷⁶. Il CEO ha descritto una visione di un “sistema operativo per la supply chain” in cui tutte le app di Blue Yonder condividono i dati fluidamente tramite questo repository cloud comune ⁷⁶. Essenzialmente, vogliono eliminare la necessità delle integrazioni batch old-school tra, ad esempio, la pianificazione della domanda e la definizione dei prezzi – invece, tutto leggerebbe/scrivrebbe sugli stessi dati cloud, rimanendo sincronizzato in quasi tempo reale.

Questa visione è promettente perché affronta una debolezza chiave (sistemi compartimentalizzati). Se Blue Yonder ci riesce, un cliente potrebbe avere una pianificazione veramente a tutto tondo: niente più di costruire interfacce personalizzate per collegare i moduli, almeno tra i componenti di Blue Yonder ⁷⁷. Tuttavia, la vediamo con qualche scetticismo. È un compito erculeo reingegnerizzare una suite di questa portata affinché funzioni tutta su una sola piattaforma. Blue Yonder sta essenzialmente cercando di convertire molto codice legacy on-premise in microservizi cloud che utilizzano Snowflake come unica fonte di verità. Il loro stesso partner di consulenza ha avvertito che, sebbene la visione sia buona, “eliminare completamente le integrazioni potrebbe essere troppo ottimistico” ⁷⁸. Le grandi imprese hanno dati ovunque; non tutto si adatterà perfettamente in Snowflake ⁷⁸. Quindi, anche se i moduli interni di Blue Yonder si unificassero, avrai comunque bisogno di integrazione con altri sistemi (SAP ERP, ecc.), pertanto non sarà plug-and-play. Inoltre, la transizione è graduale – Blue Yonder non sta effettuando una sostituzione “big bang” (che potrebbe alienare i clienti); stanno passando gradualmente i vecchi moduli a microservizi e incoraggiando i clienti a migrare al proprio ritmo ⁷⁹. Ciò significa che oggi, molti clienti di Blue Yonder sono ancora su una combinazione di vecchio e nuovo: ad es., eseguendo la pianificazione della domanda JDA on-premise, e magari Revionics come SaaS, con alcuni flussi di dati tra di essi ⁸⁰. La piattaforma completamente unificata potrebbe essere disponibile solo tra un anno o due, e anche allora i clienti esistenti potrebbero impiegare anni per migrare. Quindi, al momento, l’“ottimizzazione congiunta” con Blue Yonder richiede spesso ancora una coordinazione manuale. Ad esempio, un retailer potrebbe utilizzare Blue Yonder per la definizione dei prezzi e la pianificazione della supply, ma il suo team di pianificazione deve assicurarsi che gli output del team di pricing siano integrati nei processi di pianificazione della supply – non è ancora un processo olistico e automatico ⁸¹. Penalizziamo in qualche modo Blue Yonder per questo: hanno tutti i pezzi, ma la coesione non è così stretta come suggerisce il loro marketing, almeno per ora.

Algoritmi Avanzati vs. Tecnologia Legacy: Blue Yonder vanta molti algoritmi avanzati. Il Blue Yonder originale (una startup tedesca di IA acquisita da JDA nel 2018) portò un notevole know-how di machine learning per le previsioni retail ⁸². Blue Yonder (l’azienda) ora promuove l’uso di “IA spiegabile, machine learning e persino IA generativa” nelle sue app ⁸². Hanno una profonda esperienza in ricerca operativa per aspetti come l’ottimizzazione delle reti, sviluppata per decenni da i2 e Manugistics (le loro aziende ancestrali). Tuttavia, bisogna essere molto cauti qui: Blue Yonder ha un enorme debito tecnico. Gran parte del loro codice risale agli anni ’90 e ai primi 2000, costruito per un ambiente on-prem. Sì, hanno aggiornato e confezionato alcune parti in interfacce utente moderne o microservizi, ma sottostante, alcuni moduli portano ancora assunzioni e limitazioni delle architetture più vecchie (ad es. la necessità di un database Oracle o l’esecuzione come processo a thread singolo, ecc.) ⁸³ ⁸⁴. Quando il marketing di Blue Yonder parla di “pianificazione cognitiva guidata dal ML”, ci chiediamo: è davvero una tecnologia nuova, o vecchio vino in una nuova bottiglia ⁸⁵ ⁸⁶? Spesso, si tratta di miglioramenti incrementali: ad es., la loro pianificazione della domanda ora potrebbe utilizzare un modello ML per l’incremento durante le festività o per gli effetti meteorologici – il che è positivo – ma il sistema complessivo potrebbe essere ancora simile a quello vecchio, solo con un componente ML aggiunto ⁸⁷. C’è una differenza tra inserire una previsione ML in un motore di pianificazione legacy e ridisegnare il motore di pianificazione per l’IA. Blue Yonder è in transizione, quindi alcune parti sono all’avanguardia e altre sono tecnologie legacy adattate.

Una storia concreta (e ammonitrice): i2 Technologies, che ora fa parte di Blue Yonder, era nota per il suo potente software di ottimizzazione e per alcuni disastri di progetto. Il caso più noto è stato Dillard’s vs. i2. Dopo che JDA (Blue Yonder) ha acquisito i2 nel 2010, ha ereditato una causa legale in cui Dillard’s (una catena di grandi magazzini) fece causa per una fallita implementazione di i2 degli anni 2000. La giuria ha assegnato a Dillard’s circa $246 milioni di danni, ritenendo sostanzialmente che il software di i2 non aveva mantenuto le sue promesse ²³ ²⁴. Questo è uno dei maggiori giudizi in ambito software aziendale. È successo circa 15 anni fa, quindi si potrebbe dire che è storia antica, ma sottolinea un punto: anche i fornitori famosi possono avere fallimenti colossali se la tecnologia è troppo promossa o non implementata correttamente. Blue Yonder ha dovuto risolvere quel caso (per un importo minore in appello) e presumibilmente ha imparato delle lezioni dure. Lo menzioniamo non per colpire Blue Yonder (ogni fornitore ha i suoi fallimenti), ma per rafforzare lo scetticismo: solo perché un fornitore è grande e “leader dell’industria” non garantisce il successo.

A dare credito a Blue Yonder, negli ultimi anni sono diventati più schietti nell’affrontare tali problematiche. In un summit partner del 2023, Blue Yonder ha discusso apertamente di “progetti rossi” (implementazioni fallimentari) e ha constatato che le cause principali non erano algoritmi difettosi, ma “gestione del cambiamento inefficace e problemi di migrazione/integrazione dei dati” ⁶⁹. In sostanza, i progetti fallivano perché i dati del cliente non erano integrati/puliti correttamente, o perché gli utenti non adottavano il sistema – non perché la matematica non funzionasse. Questa introspezione è in linea con ciò che osserviamo a livello di mercato e con quanto notato per altri: la matematica può essere brillante, ma se l’organizzazione o i dati non sono pronti, il progetto fallisce. Il fatto che Blue Yonder enfatizzi le sfide dell’integrazione dei dati è significativo – evidenzia indirettamente la complessità della propria suite. Se i loro moduli fossero veramente plug-and-play, l’integrazione dei dati non sarebbe un punto dolente. Il passaggio a un livello dati unificato su Snowflake è inteso a risolvere ciò, ma come detto, è un lavoro in corso ⁸⁸.

Capacità attuali per l’ottimizzazione AI: Esaminiamo le capacità di Blue Yonder nelle nostre aree chiave, attorno al 2024:

Previsione della domanda: Luminate Demand di Blue Yonder (soprattutto il modulo più recente “Demand Edge”) utilizza l’apprendimento automatico e può incorporare molti fattori esterni come il meteo, gli eventi e i segnali di prezzo ⁸⁹. Hanno inoltre iniziato a supportare previsioni probabilistiche – magari non in maniera nativa come Lokad o ToolsGroup, ma consentono ai pianificatori di operare con intervalli di confidenza o range di scenario anziché con un singolo numero ⁹⁰ ⁹¹. L’approccio di Blue Yonder, come descritto nei loro materiali, consiste nel ricostruire continuamente la previsione da zero utilizzando i dati più recenti, invece di usare, per esempio, un profilo stagionale fisso da modificare ⁹². Affermano che il modello si autocorregge con ogni nuovo dato reale ed effettua automaticamente aggiustamenti per variazioni nel calendario, ecc. ⁹³. Questo è perfettamente in linea con le pratiche di previsione all’avanguardia e rispecchia quanto fatto da RELEX e altri (aggiornamenti continui, senza parametri statici che i pianificatori devono reimpostare). Blue Yonder menziona esplicitamente anche la cattura dell’incertezza e i compromessi di costo tra previsioni eccessive o insufficienti ⁹¹. Ad esempio, discutono della comprensione del rischio di esaurimenti di stock rispetto a eccessi e nel prendere decisioni di compromesso – il che implica un certo ragionamento sull’ottimizzazione economica nel collegamento tra previsione e pianificazione ⁹¹ ⁹⁴. Detto ciò, la capacità di previsione di Blue Yonder su carta è solida e moderna. Tuttavia, non li abbiamo visti pubblicare benchmark neutrali della loro accuratezza (non hanno pubblicamente aderito a M5, ad esempio) ⁹⁵, rendendo difficile verificare le affermazioni di superiorità.
Inventario e Rifornimento: Questo è da sempre il pane quotidiano di Blue Yonder (ai tempi di JDA e i2). Offrono un robusto ottimizzazione dell’inventario multi-livello (MEIO) in grado di determinare i livelli di stock ottimali in una rete di distribuzione, considerando la variabilità dei tempi di consegna, l’incertezza della domanda, i livelli di servizio desiderati, ecc. ⁹⁶. Gli strumenti di Blue Yonder possono generare quantità d’ordine raccomandate, livelli di scorta di sicurezza e programmi di rifornimento. Storicamente, questi algoritmi erano un mix di modelli basati su regole e metodi di ricerca operativa (OR) – ad esempio, utilizzando euristiche o solver di programmazione lineare per allocare l’inventario. Oggi, probabilmente integrano previsioni di domanda basate su ML in quei calcoli, ma la logica di base (come ottimizzare il posizionamento dell’inventario) si fonda su metodi OR collaudati. Blue Yonder è certamente in grado di gestire la pianificazione su larga scala – molti grandi rivenditori (Fortune 500) hanno usato JDA per il rifornimento dei negozi, analogamente a quanto accade nella pianificazione di un grande centro di distribuzione e-commerce. Riteniamo che la capacità di ottimizzazione dell’inventario di Blue Yonder sia solida, sebbene non necessariamente unica – anche ToolsGroup, SAP e altri dispongono di MEIO. Il fattore differenziante sarà quanto bene esso si integri con le altre componenti (domanda e prezzo).
Assortimento e Merchandising: Blue Yonder dispone di strumenti per la gestione delle categorie e la pianificazione dell’assortimento, che aiutano a decidere quali prodotti debbano essere presenti in determinati negozi o categorie online ⁹⁷. Questi strumenti possono analizzare le prestazioni dei prodotti, i loro attributi e le preferenze locali per guidare le decisioni sull’assortimento. Nell’e-commerce, la “pianificazione dell’assortimento” potrebbe significare decidere quali SKU mantenere o eliminare, o quali nuovi prodotti introdurre. Le soluzioni di Blue Yonder possono sfruttare gli attributi e i dati di vendita per prevedere come potrebbe comportarsi un nuovo prodotto (forse utilizzando il vecchio metodo i2 di previsione “prodotti simili” per i nuovi articoli). In genere, la pianificazione dell’assortimento è di natura periodica (reset stagionali, ecc.) piuttosto che continua. Blue Yonder copre questo aspetto, ma spesso si tratta di un modulo utilizzato occasionalmente dai team di merchandising, non quotidianamente. È importante che esista, ma per l’“ottimizzazione AI” siamo più interessati alle decisioni quotidiane su prezzi e inventario.
Ottimizzazione dei Prezzi: Dopo aver acquisito Revionics, Blue Yonder ha ottenuto uno dei motori di pricing leader nel settore. Revionics è utilizzato da molti supermercati, rivenditori di merchandise generale, ecc., per definire prezzi base quotidiani, sconti promozionali e ribassi. Esso utilizza l’AI per stimare le elasticità dei prezzi (come una variazione di prezzo influenzerà la domanda) e può incorporare anche alcuni dati sui prezzi della concorrenza ⁹⁸ ¹⁸. Lo strumento quindi raccomanda variazioni di prezzo che raggiungono obiettivi come il miglioramento dei margini o la crescita dei ricavi, rispettando vincoli (ad esempio, terminazioni di prezzo, gap di prezzo noti dei concorrenti, ecc.). Ora marchiato come Luminate Pricing, questo motore è piuttosto sofisticato e in teoria chiude il cerchio con la previsione della domanda. Ad esempio, potresti simulare: “Se riduciamo il prezzo del 10%, la domanda prevista aumenta del 20%, cosa che il nostro inventario può/non può gestire.” Blue Yonder lo propone come “pricing autonomo alimentato da AI” in grado di operare con la frequenza necessaria (anche intra-day per l’e-commerce) ⁹⁹. È uno dei componenti più forti nell’arsenale di Blue Yonder, considerando che Revionics era uno specialista con anni di affinamento degli algoritmi di pricing.

La grande domanda è: quanto bene funzionano effettivamente insieme questi componenti oggi? Blue Yonder sosterrà di sì – è l’intera proposta della Luminate Platform. Ma, in base alle nostre ricerche, se un’azienda implementasse tutti questi moduli, sarebbe necessario un notevole lavoro di integrazione e orchestrazione dei processi per ottenere davvero un processo ottimale a ciclo chiuso ¹⁰⁰. Ad esempio, il sistema di pricing potrebbe generare un nuovo file dei prezzi settimanalmente, che poi qualcuno inserisce nel sistema di previsione per il ciclo successivo, che a sua volta aggiorna il piano d’inventario. Si tratta di pianificazione congiunta, ma non di una completa ottimizzazione unificata e istantanea. Potrebbe trattarsi di processi batch e sequenziali (prima il pricing, poi la fornitura). Raggiungere una coordinazione quasi in tempo reale è l’obiettivo del nuovo modello dati Snowflake, ma a meno che tutti i componenti non siano sulla nuova architettura (cosa che pochi clienti hanno ancora), la realtà è più tradizionale. In breve, Blue Yonder possiede tutte le funzionalità necessarie per l’ottimizzazione congiunta, ma spesso l’utente deve fungere da integratore. Ciò lo pone un gradino al di sotto di quei fornitori che ottimizzano intrinsecamente in modo congiunto come un unico processo.

Sostanza AI/ML vs. Hype: Il marketing di Blue Yonder a volte sembra un bingo di parole d’ordine – “cognitive”, “autonomous”, “AI/ML-driven”, ecc. ¹⁰¹. Cerchiamo la sostanza dietro tutto ciò. E in effetti ce n’è: l’eredità di Blue Yonder include una vera data science – ad esempio, il team tedesco di Blue Yonder aveva vinto una competizione di previsione retail nel 2014 utilizzando le reti neurali ¹⁰², e l’azienda possiede oltre 400 brevetti (il che indica almeno una notevole attività di R&S) ¹⁰³. Tuttavia, la quantità di brevetti non equivale necessariamente alla qualità del prodotto in uso. L’approccio scettico richiede risultati specifici: Blue Yonder ha mai effettuato benchmark pubblici (M5, ecc.)? Nessun dato pubblico in merito ¹⁰⁴. Pubblicano case study prima/dopo con numeri concreti? Ne hanno alcuni, ma come per tutti i fornitori, di solito sono selezionati ad arte e mancano di contesto (ad esempio, “Retailer X ha registrato un incremento del profitto del 5% grazie al nostro pricing” – rispetto a quale baseline?) ¹⁰⁵. Quindi, sebbene Blue Yonder impieghi senz’altro data scientist brillanti e disponga internamente di algoritmi molto avanzati, come valutatore devi fare affidamento sostanzialmente sulla loro parola e forse su alcuni rapporti indiretti. La precauzione è che costo e complessità possono compromettere l’efficacia dell’AI sofisticata.

Costo e Complessità: Le soluzioni di Blue Yonder, essendo di livello enterprise, sono costose e richiedono tempo per essere implementate. Un rollout completo di Blue Yonder può richiedere da mesi a anni, spesso necessitando di un esercito di consulenti (sia interni di Blue Yonder che partner certificati). Le licenze software, unite ai costi per i servizi e per l’hardware/cloud, rendono il costo totale di proprietà piuttosto elevato. Per un’azienda e-commerce di medie dimensioni, Blue Yonder potrebbe risultare eccessivo o semplicemente fuori budget. Anche le grandi aziende hanno avuto difficoltà: un esempio famigerato al di fuori di Blue Yonder è il fallimento di Lidl con un progetto SAP da 500 milioni di euro, annullato nel 2018 ¹⁰⁶ – a dimostrazione di come i mega-progetti possano implodere, divorando liquidità. I progetti di Blue Yonder di solito non raggiungono tali dimensioni, ma sono comunque iniziative significative. Un commento di un partner ha notato che Manhattan Associates (un concorrente) ha deciso di ricostruire la propria piattaforma da zero (richiedendo una reimplementazione per i clienti), mentre Blue Yonder sta puntando a un’evoluzione più graduale ¹⁰⁷. Entrambi gli approcci hanno costi: quello di Manhattan significa che se desideri la loro nuova tecnologia, fondamentalmente ricomincerai da capo (con costi iniziali elevati), mentre l’approccio di Blue Yonder implica che potresti trovarti a dover convivere con una tecnologia un po’ datata in attesa delle nuove componenti (costo spalmato nel tempo). In ogni caso, i clienti devono affrontare la complessità nell’aggiornamento. Questo è il motivo per cui alcune aziende sono ora disposte a considerare fornitori SaaS più recenti, nonostante lo status di legacy di Blue Yonder – la promessa di un’implementazione più veloce o economica risulta attraente. In sintesi, quando si valuta Blue Yonder, bisogna considerare il lavoro pesante richiesto; non si tratta di una rapida adesione al cloud, ma spesso di un importante progetto di trasformazione.

Realtà dell’Automazione: Blue Yonder parla della “supply chain autonoma” – soprattutto da quando è stata acquisita da Panasonic nel 2021, si parla di collegare i dati IoT a decisioni automatizzate, ecc. ¹⁰⁸. Tuttavia, riteniamo che la maggior parte dei clienti di Blue Yonder sia ancora in modalità tradizionale: il software propone raccomandazioni, mentre è l’essere umano a decidere. Cioè, i pianificatori utilizzano gli strumenti di Blue Yonder per ottenere raccomandazioni (quantità d’ordine, allocazioni, prezzi), ma poi di solito li approvano o li adattano. È simile all’uso tipico di RELEX – automazione fino a un certo punto, con supervisione umana. Alcuni potrebbero automatizzare certe parti (ad esempio, ordini di auto-rifornimento fino a certi limiti), ma la cultura e il processo in molte grandi aziende fanno sì che il sistema rimanga ibrido per un certo periodo. Quindi, sebbene la tecnologia di Blue Yonder possa automatizzare molto, la realtà è che le aziende spesso la implementano per supportare i pianificatori, e non per sostituirli. Col tempo, ciò potrebbe cambiare con l’aumentare della fiducia o con il miglioramento delle capacità in tempo reale di Blue Yonder. Ma chiunque acquisti Blue Yonder aspettandosi una supply chain completamente autonoma fin dal primo giorno si sbaglia. È più un percorso: potresti aumentare gradualmente ciò che lasci decidere al sistema in modo autonomo, man mano che configuri eccezioni e acquisisci familiarità.

Intelligence Competitiva & Multi-Canale: Un aspetto positivo è che il sistema di pricing di Blue Yonder (Revionics) gestisce esplicitamente i dati sui prezzi della concorrenza. Se disponi di un feed dei prezzi dei concorrenti, il sistema può incorporare regole come “non impostare prezzi più di un 5% superiori rispetto al concorrente X” o utilizzare modelli di elasticità che tengono conto dei gap di prezzo dei concorrenti ¹⁸ ¹⁰⁸. Questo è prezioso per l’e-commerce, dove la trasparenza dei prezzi è elevata. Non tutti gli strumenti per la supply chain considerano il pricing dei concorrenti, quindi la soluzione di Blue Yonder offre un vantaggio in questo ambito. Per quanto riguarda i marketplace (Amazon/eBay) o il multi-canale, Blue Yonder non offre specificamente una gestione dei marketplace (ad esempio, bidding per annunci o ottimizzazione del buy box – queste funzioni sono al di fuori del suo ambito) ¹⁰⁹. Pertanto, potresti utilizzare Blue Yonder per l’inventario e il pricing di base, ma avresti comunque bisogno di altri strumenti per tattiche specifiche per canale. Non è insolito; anche altri fornitori di alto livello non coprono questo aspetto (Lokad o RELEX non si occupano neppure di ottimizzazione degli annunci su Amazon). Naturalmente, Blue Yonder può aggregare la domanda tra i canali per la pianificazione, operazione che è ormai standard.

Una cosa che osserviamo è la presenza di contraddizioni interne nel messaggio. Il marketing di Blue Yonder a volte afferma sia una capacità strategica a lungo termine sia una velocità operativa in tempo reale nella stessa frase, il che può essere fuorviante. Ad esempio, potrebbero dire “personalizzazione e pricing in tempo reale” mentre i loro sistemi di pianificazione (fino a poco tempo fa) operavano principalmente in cicli batch (notturni, settimanali) ⁸⁵. Stanno aggiungendo più aggiornamenti in tempo reale (l’integrazione con Snowflake può consentire un flusso di dati quasi in tempo reale). Tuttavia, un’analisi critica dovrebbe chiedersi: il pricing viene ricalcolato continuamente oppure solo su richiesta? Abbiamo davvero bisogno di un “ottimizzazione dell’assortimento in tempo reale”? (Probabilmente no; di solito è qualcosa di strategico, non un’operazione oraria.) Quindi, andrebbe chiarito cosa intende Blue Yonder per “in tempo reale” in ogni contesto. Spesso significa che possono rispondere rapidamente se attivati, non che ogni decisione venga continuamente riottimizzata ogni secondo ⁸⁶. Questo promemoria serve a mettere in guardia contro un linguaggio eccessivamente promozionale.

Preoccupazioni sulla Piattaforma Snowflake: Un aspetto sottile ma importante è il pesante utilizzo di Snowflake da parte di Blue Yonder per la sua nuova piattaforma. Snowflake è un data warehouse di terze parti; è potente, ma addebita in base allo storage dei dati e alle risorse di calcolo. Se le applicazioni di Blue Yonder eseguono query complesse su Snowflake internamente, tali costi potrebbero essere trasferiti al cliente (a seconda della struttura dei contratti). Un sistema di pianificazione può essere computazionalmente intenso – richiede molta elaborazione dei dati. Se non ottimizzato, potrebbe generare una fattura considerevole da Snowflake. Il partner di Blue Yonder, JBF Consulting, ha persino messo in guardia contro un potenziale “bill shock” – paragonandolo alla vecchia fatturazione dei mainframe, dove un maggiore utilizzo comportava costi elevati ¹¹⁰. L’idea è: se esegui molti scenari o piani molto vasti nella nuova configurazione di Blue Yonder, potresti involontariamente esaurire rapidamente i crediti Snowflake ¹¹¹. Ci aspettiamo che Blue Yonder ottimizzi e negozi alcuni accordi per mitigare questa situazione, ma è qualcosa che gli utenti devono monitorare. Questo evidenzia come il “cloud” non sia automaticamente economico – le scelte architetturali sono determinanti. A differenza dell’approccio di Lokad, che evitava di trasferire costi su livelli costosi proprio per questo motivo ¹⁵, l’uso di Snowflake da parte di Blue Yonder offre flessibilità, ma potenzialmente a un prezzo. Dipenderà dai modelli di utilizzo.

Valutazione complessiva di Blue Yonder: Valutiamo Blue Yonder leggermente al di sotto delle soluzioni “new gen” più specializzate in termini di realizzazione della visione dell’ottimizzazione AI, ma rimane un attore formidabile. Possiede la funzionalità più ricca – decenni di know-how incorporati nei suoi strumenti – e numerose implementazioni di successo in grandi imprese. Tuttavia, da una prospettiva tecnica scettica, vediamo Blue Yonder come un fornitore in fase di trasformazione. Parlano a vanvera di AI, integrazione e automazione, ma gran parte di ciò è orientato al futuro o guidato dal marketing; la realtà attuale per i clienti è più ordinaria, con compartimenti stagni che vengono gradualmente uniti e funzionalità che vengono modernizzate. C’è un po’ di “fidati, sarà straordinario tra un paio di anni una volta terminata la trasformazione.” Questo può andare bene se sei già investito in Blue Yonder, ma i nuovi acquirenti potrebbero domandarsi se una soluzione più recente possa saltare quella fase temporale. La piattaforma di Blue Yonder può certamente supportare operazioni di e-commerce su larga scala – molti grandi retailer omnichannel la utilizzano – quindi la capacità non è un problema. Il problema è l’efficienza e l’agilità: fornirà un ROI rapido o spenderai due anni per implementarla e ottimizzarla? I vari moduli si comporteranno davvero come un tutt’uno, o il tuo team finirà per assemblare manualmente i risultati? Questi sono i segnali di allarme. In sintesi, Blue Yonder è un sistema potente ma oneroso; è in procinto di reinventarsi per rimanere all’avanguardia. Fino a quando tale reinventione non sarà pienamente realizzata e dimostrata, gli utenti potenziali dovrebbero procedere con gli occhi aperti riguardo alle lacune di integrazione, al debito tecnico e allo sforzo richiesto per ottenere gli esiti patinati illustrati nelle slide di vendita. La visione di Blue Yonder è convincente, ma come scettici restiamo in allerta affinché l’esecuzione raggiunga la promessa.

Fonti: La strategia di integrazione di Blue Yonder e la ripiattaforma di Snowflake sono documentate tramite gli annunci di Blue Yonder e le analisi dei partner ⁷⁵ ⁷⁶. Si citano le precauzioni di un partner (JBF Consulting) sull’ottimismo relativo all’integrazione e ai costi ⁷⁸ ¹⁶. Le problematiche ereditate e l’esempio della causa legale provengono da rapporti di stampa (Dillard’s vs i2) ²³ ²⁴. L’uso del ML da parte di Blue Yonder nella previsione della domanda e il passaggio alla previsione continua sono indicati nei loro post sul blog ⁸⁹ ⁹². Le capacità di pricing tramite Revionics e la gestione dei prezzi della concorrenza sono riportate dalle descrizioni dei prodotti ⁹⁸ ¹⁸. La discussione in merito al real-time vs batch e alle contraddizioni nel marketing è informata dalle ampie affermazioni di Blue Yonder rispetto alle note limitazioni tecniche ⁸⁵ ⁸⁶. Ci affidiamo anche all’analisi “Blue Yonder Review” per i punti di vista critici sui loro sforzi in AI e integrazione ⁸³ ¹⁰¹.

4. ToolsGroup – Specialista dell’inventario probabilistico in espansione verso l’AI per il retail

ToolsGroup è un veterano nella supply chain planning, noto soprattutto per la previsione della domanda e l’ottimizzazione dell’inventario. Il suo software di punta, storicamente chiamato SO99+ (Service Optimizer 99+), è stato una soluzione leader per la pianificazione dell’inventario basata sul livello di servizio e per l’ottimizzazione multi-elo ¹¹² ¹¹³. In termini semplici, ToolsGroup eccelleva nel rispondere alla domanda: “Qual è lo stock minimo necessario in ogni località per raggiungere un livello di servizio del 99% (o qualsiasi altro obiettivo) in condizioni di incertezza?” Questo lo ha reso popolare tra distributori e produttori che gestiscono numerosi SKU e la necessità di evitare esaurimenti senza sovrastoccaggio. È da notare che ToolsGroup è stato tra i primi strumenti commerciali a implementare la previsione probabilistica e la pianificazione (intorno agli anni 2000), sostenendo che le aziende dovessero abbandonare le previsioni a singolo numero per utilizzare l’intera distribuzione della domanda possibile ¹¹⁴ ¹¹⁵. Questo approccio, un tempo innovativo, è ora riconosciuto come best practice – ed effettivamente altri fornitori hanno seguito l’esempio. In molti modi, ToolsGroup è stato un pioniere precoce di quella che oggi definiamo ottimizzazione dell’inventario “AI-driven”, anche se all’epoca non usavano tanto il termine buzzword AI.

Per l’e-commerce e altre imprese complesse con assortimenti ampi e domanda intermittente, il punto di forza di ToolsGroup nella modellazione probabilistica è estremamente rilevante. Gestiscono naturalmente articoli a “coda lunga” che si vendono sporadicamente: invece di prevedere, ad esempio, 2 unità ogni mese (cosa fuorviante se le vendite effettive sono 0 nella maggior parte dei mesi e 10 in un mese), producono una curva di probabilità della domanda che cattura tale natura sporadica ¹¹⁶. Successivamente, l’ottimizzazione determina quanto stock sia necessario affinché, ad esempio, ci sia solo una probabilità del 5% di esaurimento prima del rifornimento. Questo è ideale per i venditori e-commerce con molti articoli a bassa rotazione – ToolsGroup non sovrastima quei prodotti solo per raggiungere un obiettivo, ma pianifica una scorta di sicurezza adeguata alla loro reale volatilità. Dispongono inoltre di meccanismi per la previsione di nuovi prodotti (utilizzando analogie o modelli basati su attributi per prevedere un nuovo SKU sulla base di articoli simili) ¹¹⁷, e gestiscono promozioni e stagionalità regolando di conseguenza la distribuzione della domanda.

Storicamente, ToolsGroup si è focalizzata sul lato di approvvigionamento: previsioni della domanda, calcolo della scorta di sicurezza, pianificazione del rifornimento. Non offrivano soluzioni per il pricing o l’ottimizzazione dell’assortimento. Riconoscendo che questi elementi integrano la pianificazione dell’inventario, ToolsGroup ha compiuto una mossa strategica: ha acquisito una società chiamata JustEnough nel 2018-2019 ¹¹⁸ ¹¹⁹. JustEnough era un software orientato al retail con soluzioni per la pianificazione finanziaria della merce, l’assortimento, l’allocazione e il markdown pricing. Era noto per aiutare i rivenditori a pianificare come distribuire i prodotti ai negozi, organizzare l’assortimento per punto vendita e ottimizzare i markdown (programmi di sconto per prodotti in fase di fine vita). Con l’acquisizione di JustEnough (che faceva parte di una società di software per il retail MI9), ToolsGroup si è espansa dalla pura supply chain al più ampio ambito della pianificazione retail. Attualmente commercializzano una suite integrata che combina il loro motore SO99+ con le capacità di JustEnough, con l’obiettivo di coprire tutto, dalla pianificazione di alto livello all’esecuzione, sia per la supply chain che per il retail merchandising ¹²⁰ ¹²¹.

Sfide di Integrazione: Ogni volta che un fornitore fonde due piattaforme differenti, l’integrazione diventa una preoccupazione. ToolsGroup ha lavorato per unificare il modello di dati e i flussi di lavoro di SO99+ e dei componenti derivati da JustEnough. Hanno menzionato di aver raggiunto “lo stesso modello di dati per la pianificazione tattica e operativa” per garantire una versione unica della verità ¹²². Ad esempio, hanno lanciato un concetto chiamato “Real-Time Retail” che collega il sistema di pianificazione di JustEnough con un “Inventory Hub” in modo che i dati fluiscano in quasi tempo reale ¹²³. Ciò implica che, man mano che avvengono le vendite o cambiano le posizioni dell’inventario, tali informazioni vengano rapidamente fornite al motore di pianificazione, consentendo reazioni più veloci (come la riallocazione). Sostengono che ciò consente una pianificazione dinamica e continua anziché batch periodici fissi ¹²⁴. È una filosofia simile ad altre: abbattere la barriera tra i dati di esecuzione e la pianificazione, così da poter adeguare i piani al volo.

Tuttavia, il marketing di ToolsGroup con “Real-Time Retail, l’unica soluzione che risponde in tempo reale al comportamento d’acquisto” suona un po’ iperbolico ¹²⁵. Sebbene sia positivo se il loro sistema si aggiorna frequentemente, la realtà è che non ogni decisione può o deve essere presa all’istante. Riallocare lo stock o aggiornare una previsione a metà stagione – sì, questo può avvenire frequentemente. Rivedere completamente un assortimento o un piano finanziario “in tempo reale” è meno plausibile – tali decisioni solitamente richiedono maggior riflessione e avvengono su base settimanale o mensile. Quindi, come per altri fornitori, il termine “real-time” probabilmente si applica a certi livelli (ad esempio, il riequilibrio dell’inventario, l’adeguamento delle previsioni a breve termine) e non ad altri (come una revisione strategica globale). Ora ogni fornitore vanta il “real-time” in qualche forma ¹²⁶, spesso intendendo che possono aggiornare dati e raccomandazioni in pochi minuti o ore, il che è solitamente sufficiente. Il CEO di ToolsGroup è stato citato mentre affermava che i rivenditori devono pivotare rapidamente per prevenire l’erosione dei margini quando la domanda cambia ¹²⁷ – il che è vero, e i dati quasi in tempo reale aiutano in tal senso ¹²⁸. La chiave è se il sistema di ToolsGroup agisca davvero automaticamente su tali dati o si limiti ad allertare un pianificatore. Suggeriscono che “ricalcola automaticamente e raccomanda ordini o trasferimenti non appena arrivano nuove informazioni” ¹²⁸. Se in pratica funziona, è potente: ad esempio, se si verifica un improvviso incremento delle vendite online, il sistema potrebbe proporre un trasferimento immediato di stock da un negozio a bassa rotazione al magazzino e-com. Non abbiamo visto conferme indipendenti su quanto i clienti siano riusciti a rendere completamente automatizzato questo processo, ma ToolsGroup sta chiaramente cercando di abilitarlo.

Con l’integrazione di JustEnough, in uno scenario ideale un utente di ToolsGroup può effettuare una pianificazione end-to-end: pianificare il mix di assortimento per canale, programmare le allocazioni iniziali ai negozi, utilizzare il motore SO99+ per rifornire e mantenere i livelli di inventario, e impiegare l’ottimizzazione dei markdown per liberare lo stock a fine ciclo di vita. L’aspetto di ottimizzazione congiunta si manifesta se questi elementi comunicano tra loro: per esempio, se lo strumento di pianificazione dei markdown indica alla previsione della domanda che certi articoli saranno scontati del 50% il mese successivo, la previsione per quegli articoli dovrebbe aumentare, modificando così i livelli di inventario raccomandati. ToolsGroup evidenzia che il loro modello di dati unificato fa sì che tali collegamenti esistano (con promozioni e piani di markdown che alimentano il modello della domanda) ¹²⁹ ¹³⁰. Probabilmente, tuttavia, l’ottimizzazione è sequenziale: si decide una strategia di markdown, si osserva il suo effetto sull’inventario, invece che un unico algoritmo scelga contemporaneamente sia il markdown che lo stock. Resta comunque un grande passo avanti rispetto ai sistemi isolati. È simile all’approccio di RELEX: dati integrati garantiscono coerenza, ma non si tratta di un unico problema di ottimizzazione risolto simultaneamente per il pricing e l’approvvigionamento ¹³¹.

Criteri all’avanguardia: ToolsGroup eccelle chiaramente nella previsione probabilistica e nella gestione dell’incertezza. Per decenni hanno sostenuto che le previsioni a punto singolo sono inadeguate e che la pianificazione deve tener conto della variabilità ⁷. Il loro sistema produce non solo un “valore atteso” ma un’intera distribuzione (ad es., domanda P10, P50, P90) e la utilizza per calcolare gli obiettivi di stock che soddisfino il livello di servizio desiderato o che minimizzino il costo totale ¹³². Per esempio, invece di dire “la previsione è 100, manteniamo 110 per sicurezza”, essi affermano “c’è il 95% di probabilità che la domanda sia ≤ X, dunque impostiamo X per garantire un servizio al 95%” ¹³². Questo approccio cattura intrinsecamente l’incertezza della domanda, e ToolsGroup considera anche l’incertezza dei tempi di consegna in questi calcoli (ad es., se i tempi di consegna variano, la scorta di sicurezza viene adeguata di conseguenza). Pianificando con le probabilità, ToolsGroup mitiga naturalmente le sorprese – riducendo stockout ed eccessi estremi di inventario. Talvolta sottolineano anche che l’utilizzo dei loro output probabilistici può migliorare altri sistemi: per esempio, si potrebbero introdurre le cifre della domanda aggiustata per il rischio di ToolsGroup in un ERP come SAP APO per migliorarlo ¹³³. Infatti, ToolsGroup ha proposto in passato che il loro motore potesse prolungare la vita dei sistemi legacy fornendo input migliori ¹³³ – implicando che il loro principale valore risiedeva nella matematica piuttosto che in un’interfaccia utente vistosa.

Parlando di interfaccia utente, storicamente ToolsGroup disponeva di un’interfaccia alquanto utilitaristica – più uno strumento back-end utilizzato da pianificatori o analisti per i numeri, con meno enfasi su dashboard esteticamente gradevoli. Negli ultimi anni l’hanno modernizzata (aggiungendo interfacce web, ecc.) ¹³⁴. Tuttavia, il loro pubblico principale era spesso l’analista della supply chain che apprezzava il motore sofisticato, anche se l’interfaccia risultava datata. Oggigiorno, enfatizzano l’automazione della pianificazione per ridurre il carico di lavoro. I materiali di ToolsGroup affermano che “l’automazione integrata riduce il carico di lavoro della pianificazione fino al 90%” ¹³⁵. Citano frequentemente risultati dei clienti come una riduzione del carico di lavoro del pianificatore del 40–90% e una riduzione dell’inventario del 20–30% dopo l’implementazione del loro sistema. Queste cifre sono audaci. Le interpretiamo con cautela: una riduzione del 90% potrebbe rappresentare un caso in cui un’azienda è passata da 10 pianificatori a tempo pieno a un solo operatore, il che potrebbe accadere se in precedenza quei pianificatori si occupavano principalmente di gestire emergenze e sollecitazioni, mentre ToolsGroup ha smussato quel caos ¹³⁶. Ma probabilmente si tratta di un caso eccezionale. Una riduzione dell’inventario del 20–30% implica solitamente che l’azienda possedesse un notevole eccesso di stock fin dall’inizio; una variazione più tipica sarebbe forse un miglioramento del 10–15% se non si era completamente inefficienti in precedenza ¹³⁷. Tuttavia, il fatto che ToolsGroup suggerisca anche tali fasce indica il loro intento di automatizzare in gran parte i compiti routinari di previsione e rifornimento, liberando i pianificatori dall’inseguire errori. Un approccio probabilistico dovrebbe infatti condurre a meno emergenze (poiché, tenendo conto dell’incertezza in anticipo, ci si evita brutte sorprese), determinando così meno sollecitazioni all’ultimo minuto e riallocazioni manuali ¹³⁸. Restiamo semplicemente diffidenti sul fatto che il marketing tenda a usare scenari ottimistici. È positivo constatare che, addirittura, presentino una fascia (riduzione del carico di lavoro del 40–90%) che implica risultati molto diversi a seconda del cliente ¹³⁶.

La lunga esperienza di ToolsGroup (fondato nel 1993) significa che possiedono stabilità e una profonda competenza di settore ¹³⁹. Potrebbero non essere grandi quanto Blue Yonder o acclamati come alcune startup AI, ma hanno una base di clienti fedele e una reputazione per algoritmi efficaci. Molti dei loro clienti operano nella produzione, nella distribuzione, nei ricambi aftermarket e in alcuni settori del retail. Per un’azienda e-commerce preoccupata principalmente dell’inventario – non per gli stockout, non per l’eccesso di stock – ToolsGroup rappresenta una soluzione molto matura. Le loro capacità multi-elo sono vantaggiose se si dispone di più centri di adempimento o di una rete globale. Possono ottimizzare non solo a livello di singolo nodo, ma lungo l’intera rete (ad es., quanto stock mantenere nei magazzini regionali rispetto a quelli centrali). Spingeranno l’inventario dove è necessario, mantenendo al contempo il totale dell’inventario contenuto.

Punti deboli: La più grande lacuna per ToolsGroup è stata l’ottimizzazione dei prezzi. L’acquisizione di JustEnough ha introdotto per loro l’ottimizzazione dei ribassi (che è una forma di pricing, ma soltanto per scenari di fine vita o di liquidazione) ¹⁴⁰ ¹⁴¹. Questo è utile per l’e-commerce stagionale o di moda, dove è necessario eliminare sistematicamente le scorte obsolete. Tuttavia, ToolsGroup non dispone ancora di una robusta capacità di prezzi dinamici quotidiani simile a quella di Revionics di Blue Yonder o dei venditori specializzati in pricing. Potrebbero contare su analisi di elasticità dei prezzi di base o affidarsi a partner per tale funzione. Se la priorità di un cliente è ottimizzare i prezzi di vendita (per ragioni di margine o di competitività) su base quotidiana, ToolsGroup non è la scelta migliore. Il loro DNA è più orientato alla pianificazione dell’approvvigionamento – “come soddisfare la domanda in modo efficiente supponendo che i prezzi siano dati.” Stanno iniziando ad affrontare la modellazione della domanda con la componente di pianificazione dei ribassi e delle promozioni, ma un’ottimizzazione completa dei prezzi regolari non è il loro forte ¹⁴². Pertanto, in termini di ottimizzazione congiunta, ToolsGroup può ottimizzare l’inventario dato un prezzo, ma non ti dirà qual è il prezzo migliore per massimizzare il profitto (salvo qualche suggerimento finale sui ribassi). Questa è una distinzione importante: l’ottimizzazione di ToolsGroup è orientata principalmente all’offerta (livelli di stock, rifornimenti), mentre venditori come Blue Yonder o RELEX hanno investito in motori di pricing per suggerire anche azioni orientate alla domanda (variazioni di prezzo, strategie promozionali) ¹⁴² ¹⁴³. Per alcune aziende va bene così – potrebbero utilizzare un altro strumento per il pricing o fissare i prezzi in base a una strategia – ma ciò significa che ToolsGroup non copre completamente il sacro graal dell’ottimizzazione congiunta.

Technology Stack: ToolsGroup ora offre una versione SaaS basata su cloud e ha rinominato alcune parti con nomi come “Inventory Hub” e “Fulfill.io” per modernizzare la propria immagine. Sotto il cofano, il calcolo intensivo probabilmente si basa ancora su codice C++ o simile, altamente ottimizzato e raffinato nel corso degli anni. Non sono pervenute lamentele sulle prestazioni di ToolsGroup – hanno clienti con milioni di combinazioni SKU-località e li gestiscono. Se c’è un punto debole, potrebbe essere il fatto che ToolsGroup è visto come uno “strumento per ottimizzatori” che richiede una configurazione esperta per ottenere il massimo beneficio ¹⁴⁴ ¹⁴⁵. Hanno aggiunto più funzionalità di ML pronte all’uso, come il demand sensing (regolazioni del forecast a breve termine basate sulle ultime tendenze) e l’identificazione automatizzata dei fattori che influenzano maggiormente la domanda ¹⁴⁵ ¹⁴⁶. Ad esempio, potrebbero eseguire algoritmi per determinare l’importanza delle caratteristiche e indicare all’utente quali variabili (prezzo, meteo, promozioni) influenzano maggiormente un forecast ¹⁴⁷. Hanno persino smontato un mito in un blog secondo cui il forecasting probabilistico non può incorporare il giudizio umano – chiarendo che i pianificatori possono inserire override e che il sistema li tratterà in modo appropriato (tenendo conto del bias storico di quel pianificatore) ¹⁴⁸. Questo riflette un approccio equilibrato: ToolsGroup non cerca di eliminare completamente l’intervento umano; forniscono un motore sofisticato e consentono l’input umano, ma la matematica garantisce che tale input non comprometta l’integrità statistica (per esempio, se un pianificatore sovrastima sempre, il sistema apprende quel bias) ¹⁴⁶ ¹⁴⁸.

ToolsGroup può gestire cannibalizzazione e multi-channel fino a un certo punto. I loro modelli probabilistici possono tenere conto dei prodotti correlati se configurati (probabilmente dovrai definire gruppi di sostituti o utilizzare il loro ML per raggruppare articoli correlati) ¹⁴⁹. Non è del tutto automatico, ma hanno la capacità di modellare, per esempio, se il prodotto A finisce, parte della domanda si trasferisce al B ¹⁴⁹. Hanno scritto delle sfide della pianificazione multi-channel (aggregare la domanda da più fonti) e hanno evidenziato come i tradizionali forecast a numero unico falliscano in tali scenari ¹⁵⁰. La soluzione di ToolsGroup può, ad esempio, produrre un forecast totale della domanda da tutti i canali ed anche aiutare ad allocare l’inventario per canale, se necessario ¹⁵¹. Molti operatori e-commerce vendono anche su marketplace o hanno più siti; probabilmente ToolsGroup consiglierebbe una pianificazione globale seguita da un’allocazione ottimale (con il loro sistema che garantisce, ad esempio, di non destinare tutto lo stock al proprio sito web se Amazon sta effettivamente generando una domanda maggiore, ecc.). L’allocazione per canale può spesso essere gestita con regole di business più semplici, ma è positivo che il loro approccio supporti intrinsecamente il multi-channel gestendo le probabilità (che naturalmente consentono di unire e dividere i forecast secondo necessità) ¹⁵¹.

La user experience dopo l’acquisizione è qualcosa da tenere d’occhio. RELEX (costruito internamente come un’unica piattaforma) potrebbe apparire più unificato rispetto alla combinazione ToolsGroup+JustEnough che erano separate. Probabilmente ToolsGroup ha rielaborato l’interfaccia utente per renderla senza soluzione di continuità, ma alcuni utenti potrebbero comunque percepire una differenza, ad esempio, tra il modulo dell’inventario e quello dell’assortimento ¹⁵² ¹⁵³. Non abbiamo visto recensioni degli utenti sulla nuova piattaforma combinata, ma rappresenta un’area di potenziale attrito. Indubbiamente hanno integrato la pianificazione promozionale con il forecasting (quindi gli aumenti dovuti alle promozioni entrano nei forecast) ¹⁵⁴ ¹⁵⁵, il che è essenziale. Da scettici, consigliamo agli utenti potenziali di chiedere una demo di un workflow completo (ad es., dalla pianificazione di una promozione al vedere adattarsi il piano d’inventario) per verificare che l’integrazione sia effettivamente fluida come pubblicizzato.

Track Record: ToolsGroup ha numerosi case study incentrati sulla riduzione dell’inventario e sul miglioramento del livello di servizio – è il loro pane quotidiano. Non hanno avuto fallimenti scandalosi nel dominio pubblico come alcuni operatori più grandi, forse perché sono più piccoli e gestiscono i progetti in modo ravvicinato. Alcuni vecchi clienti di JustEnough sono stati acquisiti, e la scalabilità di JustEnough per i grandi retailer era forse limitata (era più adatto al mercato medio), perciò ToolsGroup probabilmente ha dovuto rafforzarla ¹⁵⁴ ¹⁵⁶. È qualcosa da considerare se sei un retailer di alto livello – assicurati che la parte relativa all’assortimento/pianificazione si adatti alla dimensione dei tuoi dati. La forza computazionale di ToolsGroup infonde fiducia, ma l’integrazione di quella componente retail potrebbe aver richiesto un po’ di re-ingegnerizzazione.

In conclusione, ToolsGroup è un’opzione altamente credibile per le aziende che cercano di ottimizzare l’inventario e i livelli di servizio grazie a una matematica avanzata, ora potenziata da alcune capacità di pianificazione retail. La classifichiamo tra i leader per il approccio tecnico grazie al suo utilizzo pluriennale di modelli probabilistici e al comprovato motore di ottimizzazione. Risponde a molti dei nostri criteri: modellazione dell’incertezza (ottimo), ottimizzazione economica (ottimizza intrinsecamente il trade-off tra servizio e costi, che è un obiettivo economico), scalabilità (generalmente buona, gestendo milioni di combinazioni SKU-località), e un crescente grado di automazione (i clienti spesso riducono notevolmente la pianificazione manuale). Resta un po’ carente sull’aspetto pricing dell’ottimizzazione congiunta – potrebbe essere necessario un ulteriore strumento o strategia per il dynamic pricing se questo è centrale per il tuo business, poiché ToolsGroup stesso non ottimizzerà i prezzi quotidiani ¹⁴⁰ ¹⁴². Inoltre, in quanto fornitore relativamente più piccolo, ToolsGroup potrebbe non disporre di un ampio ecosistema o di un team di implementazione delle dimensioni di quelle delle grandi aziende – ma ciò può essere un aspetto positivo se significa maggior attenzione diretta da parte dei loro esperti. La nostra visione scettica è che ToolsGroup, nonostante un marketing meno appariscente, abbia in realtà aperto la strada a molte delle tematiche legate all’“AI supply chain” (forecasting probabilistico, automazione) ¹¹⁴ ¹¹⁵, pur non essendo sempre stato riconosciuto come “AI” perché operava in questo ambito prima che il termine diventasse di moda. Ora che hanno aggiunto dei buzzwords nel loro messaggio, si tratta essenzialmente dello stesso motore solido con una veste moderna. Le aziende dovrebbero guardare oltre i buzzwords e valutare la sostanza – nel caso di ToolsGroup, la sostanza è forte sulla supply chain math, con la nuova sfida di integrare efficacemente le capacità di pianificazione retail in quel quadro.

Fonti: L’attenzione storica di ToolsGroup e il suo approccio probabilistico sono descritti nella loro letteratura e in analisi di terze parti ¹¹² ¹¹⁴. L’integrazione di JustEnough e le affermazioni sul Real-Time Retail provengono dagli annunci di ToolsGroup ¹¹⁸ ¹²³. Citiamo le affermazioni di ToolsGroup riguardo al carico di lavoro e alla riduzione dell’inventario ¹³⁵ ¹³⁶ e notiamo uno scetticismo sul fatto che questi siano i casi migliori ¹³⁷. La mancanza di una solida ottimizzazione quotidiana dei prezzi è evidenziata dalla conoscenza del settore e dall’offerta (o dalla sua assenza) di ToolsGroup in quest’area ¹⁴⁰ ¹⁴². La gestione multi-channel e della cannibalizzazione sono riportate dai blog e dai materiali di ToolsGroup ¹⁴⁹ ¹⁵¹. Inoltre, utilizziamo un contesto indipendente, come la menzione dei “legacy vendors” che si affidano ad acquisizioni (Logility/Garvis, Kinaxis/Rubikloud) per contrapporre la sfida di integrazione delle acquisizioni di ToolsGroup ¹⁵⁷. I punti di integrazione della user experience sono dedotti dalla natura delle piattaforme e da eventuali commenti disponibili (ad es., le dichiarazioni sul modello dati unificato di ToolsGroup ¹²²).

5. o9 Solutions – Pianificazione Integrata “Cervello Digitale” con Alta Ambizione

o9 Solutions è un nuovo entrante (fondata nel 2009) che ha rapidamente guadagnato terreno, posizionandosi come il “cervello digitale” di nuova generazione per la pianificazione aziendale integrata. La piattaforma di o9 è costruita sull’idea di un Enterprise Knowledge Graph – essenzialmente un modello dati unificato dell’intera azienda – combinato con analisi avanzate e AI per supportare il processo decisionale nell’ambito della demand planning, supply planning, SNOP/IBP (Sales & Operations Planning) e persino della revenue management. In termini più semplici, o9 mira a essere la piattaforma unica in cui tutte le funzioni di pianificazione (forecasting, supply chain, commerciale, finanziaria) si integrano, alimentate da algoritmi AI e dall’integrazione dei dati in tempo reale ¹⁴⁷ ¹⁵⁸.

Integrated Scope: o9 copre un ampio ambito: forecasting della domanda, pianificazione della supply chain (dall’approvvigionamento alla produzione e distribuzione), e dispone anche di moduli per attività come la pianificazione di prezzi e promozioni ¹⁵⁹ ¹⁶⁰. Promuovono fortemente l’“Integrated Business Planning (IBP)”, il che significa che i piani di domanda, offerta e finanziari sono tutti sincronizzati su o9 ¹⁶¹. Questo si allinea con la tendenza a eliminare i silos – non solo all’interno della supply chain, ma anche tra la supply chain e i piani commerciali. Per esempio, se il team di vendita pianifica una promozione, il piano di approvvigionamento in o9 ne viene a conoscenza immediatamente; se il lato offerta ha una limitazione, il piano finanziario ne risente. È un approccio olistico a cui molte grandi imprese aspirano.

Per l’ottimizzazione congiunta in particolare, o9 offre strumenti di ottimizzazione dei prezzi: menzionano l’integrazione della demand planning con modelli di elasticità e scorecard di fattori esterni per individuare il momento migliore per le variazioni di prezzo ¹⁵⁹. Dispone inoltre di capacità di ottimizzazione delle promozioni per analizzare le prestazioni storiche delle promozioni e pianificare campagne future. Pur non essendo un vendor dedicato al pricing in senso stretto, o9 dispone degli elementi necessari per regolare la domanda attraverso il pricing e inserirla nelle decisioni di supply. Probabilmente è a livello più alto (ad esempio, la pianificazione di scenari per strategie di pricing) e non così dettagliato come Revionics per le variazioni di prezzo quotidiane, ma copre promozioni e pricing nel contesto della pianificazione complessiva. Quindi, a differenza di Kinaxis (che storicamente non curava il pricing), o9 si occupa anche, in una certa misura, della parte revenue, il che è un vantaggio nei nostri criteri di ottimizzazione congiunta.

AI and Analytics: o9 si presenta come una piattaforma alimentata da AI. Sotto il cofano, incorpora una gamma di analisi:

Predictive analytics: previsioni statistiche e modelli ML per domanda/offerta ¹⁴⁷.
Ottimizzazione prescrittiva: dispone di motori di ottimizzazione (probabilmente risolutori per programmazione lineare/intera, ecc.) per scenari di pianificazione ¹⁵⁸.
Simulazione e pianificazione degli scenari: analisi what-if integrata per permettere agli utenti di simulare facilmente diversi scenari di domanda/offerta ¹⁶².
Generative AI e NLP: Recentemente o9 ha evidenziato l’uso di AI generativa (simile a ChatGPT) per attività come interrogare il piano in linguaggio naturale, o per generare automaticamente alcune intuizioni ¹⁶³. Questa è una tendenza recente per migliorare l’esperienza utente piuttosto che il nucleo matematico.
Architettura aperta: o9 consente l’integrazione con librerie R/Python ¹⁶⁴, permettendo così ai data scientist di inserire algoritmi personalizzati se necessario. Questa apertura è attraente per utenti avanzati che desiderano estendere le capacità AI della piattaforma.

Queste funzionalità suggeriscono che l’AI di o9 non è semplicemente uno strato superficiale; è piuttosto integrata. Presentano l’AI/ML non come un’aggiunta esterna, ma come parte integrante del motore analitico ¹⁶⁵. Per esempio, o9 potrebbe utilizzare ML per il demand sensing (simile a RELEX, regolando i forecast a breve termine con gli ultimi dati). Sottolineano inoltre un “Digital Twin” dell’azienda, su cui l’ottimizzazione viene eseguita per fornire raccomandazioni prescrittive ¹⁶⁶ ¹⁵⁸. Questo concetto significa che il modello di o9 rispecchia la vostra effettiva supply chain (capacità, vincoli, ecc.) così fedelmente da poter simulare accuratamente gli esiti e suggerire azioni (ad esempio, se un determinato stabilimento si ferma, il sistema potrebbe suggerire di reindirizzare la produzione a un altro stabilimento e riequilibrare l’inventario di conseguenza).

Technical Stack: o9 è costruito come una soluzione moderna basata su cloud, spesso distribuita su Microsoft Azure. Evidenziano:

Un Integrated Business Planning Language (IBPL) – un ambiente di scripting personalizzato in o9 per la creazione di modelli e report ¹⁶⁷. Questo sembra analogo a Envision di Lokad o al linguaggio di modellizzazione di AIMMS, permettendo una personalizzazione oltre la configurazione standard.
Big data & in-memory processing: Utilizzano una combinazione di tecnologie; i riferimenti ad Hadoop e alle tecniche in-memory indicano che cercano di gestire grandi quantità di dati con un mix di archiviazione distribuita e accesso veloce alla memoria ¹⁶⁸. È possibile che memorizzino i dati di base in Hadoop (o in un sistema di file distribuito simile) e poi carichino porzioni in memoria per calcoli rapidi.
Graph databases: Forbes ha notato l’uso da parte di o9 dei concetti dei graph database ¹⁶⁹, in linea con il loro approccio del “knowledge graph” – rappresentando entità (prodotti, clienti, fornitori) e relazioni in un grafo, il che può essere molto potente per alcune query, come individuare come una interruzione si propaga attraverso una rete ¹⁷⁰.
API e integrazione: Dispongono di API aperte per connettersi con ERP e altri sistemi, riconoscendo che l’integrazione è fondamentale ¹⁷¹.

Quindi, dal punto di vista tecnico, o9 è piuttosto cloud-native e progettato per la scalabilità. Ci si potrebbe aspettare che gestisca grandi volumi di forecasting, modelli della supply chain, ecc., con una combinazione di memoria e calcolo distribuito. Probabilmente richiede ancora una configurazione significativa per ogni cliente (come la creazione del modello digital twin della loro supply chain). La presenza di un linguaggio di scripting personalizzato significa che i clienti avanzati possono adattarlo in profondità, ma ciò significa anche che non è una soluzione pronta all’uso – è necessario un certo sforzo di modellizzazione (simile alla filosofia di Lokad, sebbene o9 disponga anche di più template predefiniti per processi standard, dato che mirano anche a grandi imprese con processi standardizzati).

Independent Validation: o9 ha registrato una rapida crescita e vanta clienti di alto profilo (ad es., hanno annunciato un accordo con Toyota nel 2025 ¹⁷²). Articoli indipendenti hanno evidenziato l’innovazione di o9: per esempio, un pezzo di Dallas Innovates ha discusso del loro “Digital Brain” e di come questo rompa i silos ¹⁷³. Forbes ha enfatizzato la loro differenziazione tecnologica, come l’uso di graph DB e ottimizzazione avanzata ¹⁷⁰. Questi elementi aggiungono credibilità al fatto che o9 non si limiti al marketing – hanno attirato attenzione per una vera innovazione. Inoltre, collaborano con grandi SI (system integrators) come HCL, e persino con aziende tecnologiche come Microsoft, il che dimostra una certa fiducia nella loro piattaforma ¹⁷⁴.

Punto di Vista Scettico – Sfide: Sebbene la visione di o9 sia attraente, applichiamo cautela su alcuni fronti:

Sovraccarico di Buzzword: o9 usa liberamente termini come “self-driving supply chain”, “digital twin”, “knowledge graph”, “generative AI”. Alcuni di questi concetti sono veramente presenti nel prodotto, ma possono oscurare le basi. Ad esempio, molti fornitori fanno pianificazione basata su scenari e la chiamano digital twin – confezionare il tutto con nomi alla moda non significa automaticamente che sia migliore. La vera domanda è quanto efficacemente possano implementare queste idee per un cliente, piuttosto che limitarvisi a menzionarle.
Complessità di Integrazione: Costruire un modello digitale unificato per una grande impresa è difficile. Significa collegarsi a molte fonti di dati (ERP, CRM, MES, ecc.), pulire i dati e mappare tutto nella struttura di o9. Se la qualità dei dati è scarsa o isolata, un progetto o9 può incontrare difficoltà. Il successo della piattaforma “dipende dalla qualità dei dati, da un’integrazione senza interruzioni… e dall’adozione da parte degli utenti”, come osservato in un’analisi ¹⁷⁰. Questo vale per tutti i software di pianificazione, ma l’ampio ambito di o9 significa che tocca molti sistemi – aumentando così il lavoro di integrazione. Alcuni utenti potrebbero trovare opprimente digitalizzare ogni aspetto della pianificazione in una volta sola.
Adozione da parte degli Utenti: Se la cultura di un’azienda è abituata a separare i processi di pianificazione, passare a una piattaforma unica come o9 può rappresentare un grande cambiamento. Lo strumento potrebbe essere eccellente, ma se, ad esempio, il team finanziario non si fida delle proiezioni guidate dalla supply chain, potrebbe opporsi. Essendo o9 una fonte unica di verità, è necessario un allineamento organizzativo, il che può essere difficile (non un difetto tecnico di o9, bensì una barriera nel mondo reale).
ROI Dimostrato: o9 ha case study e una crescita rapida, il che implica che offre valore. Tuttavia, essendo un prodotto relativamente giovane, i dati sull’efficacia a lungo termine sono limitati nel dominio pubblico. Alcuni clienti ne parlano entusiasticamente, altri potrebbero trovarlo complesso. La domanda è se i suoi risultati (miglioramento del servizio, riduzione dell’inventario, ecc.) superino chiaramente gli approcci più tradizionali. Dato che spesso sostituisce sistemi legacy o processi manuali/Excel in grandi aziende, ci si aspetterebbe miglioramenti significativi, ma ogni ambiente è unico.

Rispetto ad altri in questo studio, l’approccio di o9 è un po’ più ampio (non solo supply chain, ma l’intero IBP). Specificamente, per quanto riguarda l’ottimizzazione congiunta di inventario e pricing, o9 soddisfa i requisiti avendo moduli per entrambi, ma l’ottimizzazione dei prezzi potrebbe non essere così approfondita come quella di Lokad o Blue Yonder. Potrebbe basarsi maggiormente sull’analisi degli scenari (ad es., “ecco come la domanda potrebbe variare a diversi livelli di prezzo”) e lasciare poi che siano i pianificatori a decidere, piuttosto che generare automaticamente ogni giorno i prezzi ottimali. Viene menzionato “PriceAI” nella fonte dell’app di Microsoft, che regola i prezzi in base ai dati di mercato e agli obiettivi ¹⁷⁵, suggerendo che abbiano almeno una certa capacità di pricing dinamico automatizzato. Se così fosse, o9 potrebbe potenzialmente ottimizzare i prezzi senza intervento per, ad esempio, un sito e-commerce, tenendo conto delle regole e dei dati dei concorrenti. Senza un feedback diretto dagli utenti, rimaniamo cautamente ottimisti sul fatto che il pricing di o9 sia discreto, anche se non è stato evidenziato come il loro principale elemento distintivo.

Dove o9 probabilmente eccelle è nella pianificazione degli scenari e nel coordinamento interfunzionale. Un utente può simulare scenari ipotetici (ad es., “Cosa succede se aumentiamo i prezzi del 5% in questa categoria e un fornitore chiave è in ritardo di 2 settimane? Come influisce questo sui ricavi e sull’inventario?”) e o9 può simulare l’intera catena di impatto. Questo è un punto di forza per il processo decisionale, anche se richiede utenti esperti per interpretare e agire sui risultati. Si avvicina a un modello human-in-the-loop (il sistema genera intuizioni, gli umani prendono decisioni) piuttosto che a una pura automazione. Tuttavia, stanno procedendo verso raccomandazioni più automatizzate. Si definiscono un sistema di “decision management” o “decision intelligence” nel marketing, il che significa che intendono automatizzare anche le decisioni di routine.

Posizionamento Attuale sul Mercato: o9 è spesso classificata come Leader o Visionaria nei report degli analisti (IDC, Gartner, ecc.), riconosciuta per la sua tecnologia moderna e la rapida crescita. A quanto si dice, hanno incrementato il fatturato da abbonamenti del 37% nel 2024 ¹⁷⁶, il che dimostra slancio. Hanno anche ottenuto successi notevoli (l’esempio Toyota e altre aziende Fortune 500). Ciò suggerisce che, nella pratica, le grandi aziende vedono o9 come un’alternativa valida a giganti consolidati come SAP o Kinaxis per la pianificazione.

Bisogna notare, però: o9 non è immune alle sfide generali del software enterprise. L’implementazione può non essere banale; il successo dipende spesso dal partner di implementazione (visti i numerosi SI di grandi dimensioni che implementano o9 per i clienti). Se un progetto viene eseguito male, lo strumento potrebbe essere incolpato. Non ci siamo imbattuti in storie dell’orrore specifiche riguardo a o9 – il che potrebbe significare che non hanno ancora avuto fallimenti pubblici rilevanti, o che è ancora troppo presto per dirlo. Potrebbe anche riflettere il fatto che inizialmente integrano piuttosto che sostituire completamente tutto (alcuni clienti potrebbero usare o9 per certi aspetti della pianificazione e adottarlo progressivamente).

La Nostra Valutazione: Consideriamo o9 Solutions come un forte concorrente che porta in dote un’architettura veramente moderna e una filosofia integrata. Risponde ai nostri criteri in diversi aspetti: considera effettivamente pricing e promotion come parte della pianificazione, non come un ripensamento (anche se la profondità dell’ottimizzazione in quest’area potrebbe essere moderata, l’integrazione è presente) ¹⁵⁹ ¹⁶⁰. Gestisce l’incertezza attraverso previsioni avanzate (probabilmente supporta una pianificazione probabilistica o almeno basata su scenari, data l’enfasi su rischio e sensing). È costruita per scala e velocità, sfruttando il cloud compute e l’in-memory dove opportuno ¹⁶⁸, anche se terremo d’occhio i costi se si fa pesante uso della memoria in-memory (considerazioni simili al trade-off tra velocità e memoria di Kinaxis). Il suo approccio all’automazione è un po’ ibrido: automatizza l’analitica e può fornire suggerimenti prescrittivi, ma sospettiamo che molti utenti di o9 lo impieghino ancora come strumento di supporto decisionale piuttosto che come sistema completamente automatizzato a ciclo chiuso. Detto ciò, la visione di una supply chain “self-driving” è chiaramente presente nel loro messaggio – definiscono infatti la loro piattaforma come il “Digital Brain” potenziato dall’AI a questo scopo ¹⁷³.

Rimaniamo scettici di fronte a qualsiasi promessa eccessiva (come se qualcuno insinuasse che o9 unificherà senza sforzo ogni aspetto della pianificazione da un giorno all’altro – ci vorrà del lavoro). Tuttavia, questo scetticismo è mitigato dal fatto che o9 ha dimostrato capacità grazie alla sua clientela in crescita. In sostanza, è una di quelle piattaforme che potrebbe offrire molto se sfruttata al suo potenziale, ma quanto le aziende riescano ad automatizzare le decisioni con essa varia.

In termini di classifica, se il nostro focus è ristretto (ottimizzazione di inventario e pricing), o9 potrebbe posizionarsi appena sotto realtà come Lokad o RELEX, poiché questi sono estremamente focalizzati su quel problema specifico (Lokad) o su quel settore (RELEX per il retail) con algoritmi comprovati. o9 è più ampio e quindi potrebbe non disporre di algoritmi altamente specializzati in alcune nicchie, ma copre bene il campo ed è tecnologicamente aggiornato. Assegniamo a o9 punteggi elevati per la visione e una solida base tecnica, con l’unica riserva di voler vedere maggiori evidenze pubbliche dei risultati che ottiene (ad es., se ha aiutato le aziende a raggiungere una certa percentuale di automazione o riduzione dell’inventario, oltre alle testimonianze aneddotiche).

Fonti: Le capacità di o9 sono riassunte da fonti ufficiali ¹⁶¹ ¹⁵⁹ e da una recensione scritta da Lokad che evidenzia le sue caratteristiche tecniche ¹⁶⁷ ¹⁶⁸. Articoli indipendenti che confermano l’approccio e il successo di o9 sono citati ¹⁷³ ¹⁷⁰. I nostri punti scettici fanno riferimento a una valutazione generale tra buzzword e realtà ¹⁷⁰. Le informazioni sul modulo di pricing di o9 e sulla pianificazione delle promozioni sono tratte dalle descrizioni presenti sul loro sito ¹⁵⁹ ¹⁶⁰. Notiamo inoltre esempi della loro crescita e dei successi con i clienti come riportato nei comunicati stampa ¹⁷⁶ ¹⁷².

6. Kinaxis – Leader della Pianificazione Concorrente Veloce che manca la componente di prezzi

Kinaxis è un fornitore canadese noto per la sua piattaforma RapidResponse, che è da decenni un punto di riferimento nella pianificazione della supply chain (soprattutto nell’alta tecnologia e nell’automotive). Il marchio distintivo di Kinaxis è la pianificazione concorrente – la capacità di aggiornare in tempo reale, insieme, tutte le parti di un piano della supply chain (domanda, offerta, inventario, capacità) e permettere a più pianificatori di lavorare simultaneamente sui medesimi dati. In sostanza, Kinaxis ha pionierizzato un motore di pianificazione super veloce, in-memory, capace di ricalcolare i piani al volo ogni qualvolta qualcosa cambiasse, fornendo agli utenti analisi what-if istantanee e aggiornamenti a cascata ¹⁷⁷ ¹³. Questo è stato rivoluzionario 15 anni fa, quando la maggior parte della pianificazione avveniva in modalità batch. Rimane estremamente popolare per il Sales & Operations Planning (S&OOP) e la pianificazione operativa nella produzione complessa.

Tuttavia, storicamente Kinaxis si è concentrata su l’equilibrio tra domanda e offerta – e non sul pricing o sulla gestione dei ricavi. I loro clienti sono spesso produttori build-to-stock o build-to-order che puntano sull’accuratezza delle previsioni, sugli impegni di offerta e sul rispetto dei livelli di servizio, piuttosto che su un pricing dinamico dei prodotti. Fino a poco tempo fa, Kinaxis non disponeva di un modulo interno avanzato di previsioni statistiche; i clienti importavano le previsioni o utilizzavano metodi basici. Riconoscendo il cambiamento del mercato verso l’AI, Kinaxis ha iniziato ad aggiungere previsioni e analitica basate sul machine learning tramite acquisizioni e partnership. In particolare, nel 2020 Kinaxis ha acquisito Rubikloud, una startup AI specializzata in previsioni della domanda nel retail e in analitica ¹⁷⁸. Hanno anche stretto partnership per acquisire capacità di previsioni probabilistiche. Questi erano sostanzialmente dei “bolt-ons” per colmare le lacune ¹⁷⁸ ¹⁵⁷. Ad esempio, la tecnologia di Rubikloud poteva offrire una migliore percezione della domanda per il retail/CPG, integrandosi con il punto di forza di Kinaxis nella pianificazione dell’offerta. Tuttavia, l’integrazione di questi elementi in RapidResponse è stata un processo continuo.

Dal nostro punto di vista, Kinaxis risulta carente nell’ottimizzazione congiunta di inventario e prezzi perché in gran parte non si concentra affatto sul pricing. È eminentemente uno strumento di pianificazione della supply chain (domanda, offerta, inventario, capacità, forse aspetti finanziari SNOP), e non uno strumento per il merchandising o per il pricing. Anche dopo l’acquisizione di Rubikloud – che offriva una certa AI per il retail in ambito promozionale – l’offerta principale di Kinaxis continua a non disporre di ottimizzazione dei prezzi. Potrebbero permettere di simulare un piano di domanda con ipotesi di prezzo differenti, ma non dispongono di un motore in grado di raccomandare i prezzi. Quindi, se un’azienda ha bisogno di decisioni integrate in materia di pricing, Kinaxis andrebbe affiancata a una soluzione di pricing separata. Questa è una lacuna critica in termini di ottimizzazione congiunta; per questo penalizziamo Kinaxis in questo contesto di ottimizzazione AI completa.

Per quanto riguarda la gestione dell’incertezza, l’approccio originario di Kinaxis era più deterministico. Esso si basava su un’unica previsione (spesso fornita dall’utente o da un piano di consenso) per poi eseguire la propagazione dell’offerta. Non produceva, in modo nativo, previsioni probabilistiche o ottimizzazioni degli stock di sicurezza; al contrario, gli utenti impostavano delle politiche di safety stock che Kinaxis rispettava. Con i recenti miglioramenti, hanno introdotto una certa pianificazione probabilistica (probabilmente tramite partnership) per calcolare, ad esempio, i livelli di buffer in condizioni di incertezza. Ma non si può dire che Kinaxis sia stato un pioniere nei metodi probabilistici – sta recuperando terreno tramite add-on. Il loro messaggio ora include AI/ML e hanno qualcosa denominato “Planning.AI”, ma i dettagli sono scarsi. Sembra più che altro un’integrazione di previsioni guidate dal ML e, forse, rilevazione di anomalie, anziché un’ottimizzazione stocastica costruita da zero. Infatti, un’analisi critica ha osservato che Kinaxis rappresenta essenzialmente una architettura legacy in evoluzione: un nucleo deterministico con nuove componenti AI graftate ¹⁷⁹. Questo solleva interrogativi su quanto sia coeso il tech stack. I nuovi elementi AI potrebbero non essere completamente integrati (ad esempio, potrebbe essere ancora necessario eseguire un processo separato per la previsione ML e poi alimentarla nel motore in-memory).

Il motore concorrente in-memory di Kinaxis è sia il suo punto di forza che il suo tallone d’Achille. Esso offre calcoli estremamente rapidi e simulazioni di scenari per quantità di dati moderate, ma se gli si forniscono dati su scala estremamente elevata, si raggiungono i limiti di memoria e prestazioni ¹⁸⁰ ¹⁸¹. È come avere un foglio di calcolo super-potente con cui possono lavorare più persone contemporaneamente – fantastico per un uso interattivo, ma non progettato, ad esempio, per analizzare miliardi di record in una volta sola. Kinaxis lavora tipicamente a un livello aggregato (bucket settimanali, famiglia di prodotti o SKU a seconda del caso). Se un’azienda cercasse di utilizzare Kinaxis per pianificare, ad esempio, milioni di combinazioni SKU-cliente in tempo reale, potrebbe incontrare difficoltà o richiedere enormi quantità di RAM e cluster di server. Questo è un compromesso noto: Kinaxis sceglie la velocità a discapito della scala. Hanno mitigato la situazione permettendo che alcuni dettagli vengano delegati (ad es., utilizzando euristiche o assunzioni semplificate per dettagliare in modo fine). Tuttavia, non è intrinsecamente orientato al “big data” quanto, per esempio, l’approccio di Lokad o di o9 ¹⁸² ¹⁸³. Per esempio, una fonte ha osservato che le aziende potrebbero incontrare limiti di costo/prestazioni se i loro dati sono ingenti, a meno che non investano in hardware di grandi dimensioni per Kinaxis ¹⁸⁰. Kinaxis è consapevole di ciò e probabilmente sta lavorando per distribuire maggiormente i propri calcoli (soprattutto ora con le implementazioni in cloud), ma resta un vincolo intrinseco al suo design.

Un altro aspetto: Kinaxis è noto per la forte pianificazione degli scenari e per il decision-making con l’intervento umano. I pianificatori lo usano per collaborare e rispondere rapidamente ai cambiamenti (come un improvviso picco nella domanda o un problema con un fornitore). Non si tratta tanto di automatizzare ogni decisione, quanto di guidare i pianificatori umani a prendere decisioni migliori e più rapide. Kinaxis spesso promuove la sinergia del “human + AI” piuttosto che l’autonomia completa ¹⁸⁴ ¹⁸⁵. Denominano persino le loro capacità AI “Maestro” – una piattaforma di orchestrazione per aiutare i pianificatori, non per sostituirli ¹⁸⁶ ¹⁸⁷. Nei nostri criteri, favoriamo una maggiore automazione, ma si potrebbe sostenere che la filosofia di Kinaxis sia pragmatica: lasciare che gli umani facciano ciò che sanno fare meglio (giudizio, gestione delle eccezioni) mentre le macchine eseguono i calcoli istantaneamente. Lo svantaggio è che richiede ancora un maggiore contributo dei pianificatori e non elimina tanto lavoro quanto, per esempio, sostengono Lokad o ToolsGroup.

Kinaxis non ha partecipato pubblicamente a competizioni di previsione o simili, e, essendo una piattaforma, è più difficile quantificarne l’eccellenza algoritmica in isolamento. Il suo valore è stato dimostrato in molte aziende grazie a una maggiore agilità e a metriche di servizio migliorate (ci sono case study sulla riduzione degli stock, cicli di pianificazione più rapidi, ecc., anche se non citiamo esempi specifici poiché spesso provengono dal marketing di Kinaxis). Inoltre, l’acquisizione di Rubikloud da parte di Kinaxis indica che si è resa conto di aver bisogno di previsioni AI/ML migliori, specialmente per servire i segmenti retail/CPG e per non restare indietro rispetto al clamore sull’IA. Rubikloud ha portato con sé competenze in demand AI and even pricing AI for retail (Rubikloud disponeva di prodotti per l’ottimizzazione delle promo). Ma integrare Rubikloud in Kinaxis probabilmente significa che quelle funzionalità esistono come moduli o servizi separati, piuttosto che essere profondamente integrate in un’unica ottimizzazione. Una critica dalla review MQ è stata che le nuove funzionalità di Kinaxis sono “bolt-ons” che sollevano interrogativi sulla coerenza dello stack tecnologico ¹⁵⁷ – ad esempio, il componente Rubikloud è solo debolmente accoppiato?

Posizione competitiva: Nel Magic Quadrant 2024 di Gartner per la pianificazione della supply chain, Kinaxis era ancora un Leader, in gran parte grazie al suo solido track record esecutivo (molti clienti, finanze solide) ¹³. Ma tecnicamente è visto come in evoluzione piuttosto che veramente all’avanguardia nell’IA. Gartner ha elogiato la sua automazione e il suo allineamento, ma analisi indipendenti hanno evidenziato contraddizioni: Kinaxis parla di tempo reale e di ogni livello di dettaglio, ma in realtà scalare il dettaglio e il tempo reale è difficile, anche per Kinaxis ¹⁸¹. La capacità di operare in contemporanea di Kinaxis è ottima per la ripianificazione a breve termine e per la simulazione, ma non è intrinsecamente probabilistica né ottimizza i costi – bisogna comunque definire le regole e osservare i risultati, invece che il sistema ottimizzi da solo una funzione obiettivo (anche se Kinaxis dispone di alcuni solutori di ottimizzazione per specifiche operazioni, come l’allocazione delle forniture, non si tratta di un’ottimizzazione globale su tutte le decisioni).

Per l’integrazione dei prezzi e dei dati di mercato, Kinaxis non acquisisce nativamente i prezzi dei concorrenti né guida le decisioni sui prezzi. Probabilmente può includere fattori trainanti della domanda, come il prezzo, come input per le sue previsioni se forniti, ma non li raccoglie. L’acquisizione di Rubikloud da parte di Kinaxis potrebbe avergli conferito una certa capacità di integrare fattori di rialzo promozionale e magari utilizzare l’IA per analizzare l’efficacia promozionale. Tuttavia, la determinazione dei prezzi quotidiana non rientra nel suo ambito.

Valutazione: Kinaxis rimane una soluzione di punta per la pianificazione della supply chain in scenari complessi di produzione/distribuzione, dove la velocità di risposta e la collaborazione simultanea sono vitali. Aiuta certamente le aziende ad eseguire scenari what-if in modo estremamente rapido e a mantenere i piani sincronizzati. Tuttavia, secondo la nostra definizione di ottimizzazione della supply chain guidata dall’IA – che include la determinazione dei prezzi e decisioni veramente automatizzate – Kinaxis è in ritardo. Considera la pianificazione come qualcosa che i pianificatori eseguono con un ottimo supporto degli strumenti, e non come qualcosa che il sistema automatizza completamente end-to-end. Non ottimizza i prezzi né l’assortimento (oltre a garantire che i piani di fornitura soddisfino un piano di assortimento esistente). Quindi, nella classifica di ottimizzazione congiunta, Kinaxis si posizionerebbe più in basso perché ottimizza prevalentemente all’interno del compartimento della supply chain. Siamo inoltre cauti per la sua dipendenza dalla tecnologia in-memory – sebbene eccellente per l’uso interattivo, può risultare costosa e potrebbe richiedere una semplificazione dei dati per problemi di dimensioni molto elevate ¹⁸⁰ ¹⁸³. Ad esempio, se un’azienda di e-commerce tentasse di utilizzare Kinaxis per una ripianificazione minuto per minuto di 100 milioni di combinazioni SKU-locazione, non sarebbe lo strumento giusto; è più adatto per una pianificazione a livello superiore, di magari migliaia di famiglie SKU, ecc.

Si dovrebbe anche considerare che i clienti tipici di Kinaxis (come un OEM di elettronica o un fornitore automobilistico) potrebbero non aver bisogno dell’ottimizzazione dei prezzi offerta da Kinaxis, poiché la determinazione dei prezzi è spesso gestita da team commerciali separati o tramite formule cost-plus in quei settori. Quindi Kinaxis non ha dato priorità a questo aspetto. Ma man mano che il mondo si orienta verso decisioni più integrate e verso l’IA, Kinaxis dovrà espandersi in queste aree o rischiare di apparire superato.

Notiamo che Kinaxis ha iniziato a collaborare anche con altre tecnologie (ad esempio, è stata annunciata una partnership con Databricks per supportare l’IA e ridurre la frammentazione ¹⁸⁸). Ciò suggerisce che sanno di dover gestire meglio i big data e l’IA sfruttando piattaforme dati moderne. È una mossa positiva, ma evidenzia il fatto che stanno aggiungendo componenti a un nucleo più datato.

In conclusione, Kinaxis è un po’ un miscuglio eterogeneo. È eccellente in ciò per cui è stato progettato – una pianificazione della supply chain rapida e concorrente con il coinvolgimento umano – e ha dimostrato il suo valore in questo ambito. Ma nel contesto di questo studio sull’ottimizzazione olistica guidata dall’IA, Kinaxis manca degli ingredienti chiave (prezzi, automazione completa, ottimizzazione probabilistica) e possiede un’architettura tecnica che, pur essendo molto efficace su una certa scala, non scala in modo economico per grandi moli di dati né incorpora l’incertezza nel modo più elegante. Le aziende con reti retail su larga scala o che necessitano di decisioni sui prezzi potrebbero trovare Kinaxis insufficiente senza un potenziamento. Pertanto, classifichiamo Kinaxis in una posizione inferiore sulla scala dell’innovazione per l’ottimizzazione guidata dall’IA, pur riconoscendo il suo forte storico esecutivo nella pianificazione della supply chain. È il classico caso di un solido incumbent che cerca di reinventarsi: sta aggiungendo funzionalità IA (come la tecnologia di Rubikloud) e promuovendo il “Planning AI” nel marketing ¹⁸⁹, ma consigliamo agli utenti potenziali di guardare sotto il cofano – gran parte dell’IA di Kinaxis potrebbe essere aggiunte superficiali o soluzioni specifiche anziché un nucleo realmente trasformato, almeno per ora ¹⁸⁹.

Fonti: La pianificazione concorrente di Kinaxis e il retaggio dell’approccio in-memory sono evidenziati in analisi ¹⁷⁷ ¹⁸⁰. L’aggiunta dell’IA tramite l’acquisizione di Rubikloud è documentata ¹⁷⁸. Le critiche all’IA come componente aggiuntiva e ai problemi di scalabilità provengono da una review di Lokad del Gartner MQ ¹⁵⁷ ¹³. Le affermazioni di Kinaxis riguardo all’automazione e la realtà dei limiti di memoria sono citate ¹³ ¹⁸¹. Facciamo inoltre riferimento alle dichiarazioni di Kinaxis sulla combinazione tra umano e IA (il loro sito web e il marketing usano termini come “human intelligence with AI” ¹⁸⁴). La partnership con Databricks per rafforzare la gestione dei dati IA è menzionata in un articolo di BusinessWire ¹⁸⁸, evidenziando la loro direzione per colmare alcune lacune.

Conclusione: Navigare tra il clamore e la realtà nell’ottimizzazione della supply chain guidata dall’IA

In questo studio di mercato, abbiamo applicato un approccio critico e basato sulle evidenze al campo dell’ottimizzazione della supply chain guidata dall’IA. I risultati rivelano un panorama con pochi giocatori veramente capaci e molti impostori. Il concetto di ottimizzazione end-to-end di inventario, prezzi e assortimento in condizioni di incertezza è incredibilmente impegnativo – richiede matematica rigorosa, tecnologia scalabile e fiducia nell’automazione che non tutti i fornitori sono in grado di garantire.

Lokad si distingue per il suo approccio unificato e probabilistico e per l’enfasi sull’ottimizzazione delle decisioni rispetto a una pianificazione compartimentata. Esso esemplifica ciò che dovrebbe significare “AI-powered”: una modellazione personalizzata di un’azienda, previsioni probabilistiche che alimentano direttamente le regole decisionali economiche, e un’automazione tale da permettere ai sistemi di operare in gran parte senza supervisione ²¹ ³. L’efficienza in termini di costi della sua architettura cloud ³² e i tangibili proof point come le performance nella competizione M5 ²¹ consolidano ulteriormente il suo status di leader. Il compromesso consiste nella necessità di una configurazione qualificata – un prezzo da pagare per flessibilità e profondità.

RELEX e Blue Yonder, in quanto fornitori di suite principali, offrono ampie funzionalità e si stanno dando da fare per modernizzarsi. RELEX brilla nel settore retail con il suo toque di IA e la piattaforma integrata, coprendo tutto, dallo spazio sugli scaffali alla determinazione dei prezzi, con un’IA pragmatica che elabora innumerevoli segnali ⁴⁰ ⁴⁹. Abbiamo riscontrato che i punti di forza di RELEX, nella previsione probabilistica e in un’esperienza utente fluida, sono parzialmente compensati dal fatto che parte della sua “autonomia” richiede ancora una guida umana e una dovuta diligenza sui dati ⁵⁹ ¹¹. Blue Yonder, una potenza nella supply chain da decenni, possiede chiaramente tutti i pezzi (soprattutto dopo aver aggiunto Revionics per la determinazione dei prezzi) e algoritmi di profondo dominio ⁷¹ ⁹⁸. Eppure, è un patchwork in transizione: il nostro esame ha rivelato che la visione unificata “Luminate” di Blue Yonder è aspirazionale e non pienamente realizzata nella pratica ⁷⁵ ⁷⁷. I clienti devono fare attenzione alle lacune in tema di integrazione e al debito tecnico nascosto dietro le buzzword sull’IA – la saga legale di Dillard’s è un vivido promemoria di ciò che accade quando le promesse superano la realtà.

ToolsGroup proviene da una tradizione di rigore quantitativo (pioniere nell’ottimizzazione probabilistica dell’inventario) e si è ora potenziato con la pianificazione retail tramite acquisizioni. Abbiamo constatato che ToolsGroup è tecnicamente forte nella gestione dell’incertezza e nell’automazione della pianificazione della supply chain ⁷ ¹³⁵, ed è abbastanza chiaro su ciò che fa (livello di servizio e inventario) e ciò che non fa (ottimizzazione quotidiana dei prezzi) ¹⁴⁰ ¹⁴². La sua sfida sarà integrare completamente le nuove capacità di merchandising per fornire veramente un’ottimizzazione congiunta anziché una pianificazione sequenziale. Tuttavia, il suo focus sulla matematica dell’ottimizzazione anziché sul marketing appariscente è rinfrescante in un settore in cui alcuni nuovi player affogano nelle buzzword.

o9 Solutions rappresenta la nuova ondata di “piattaforme IA” e, in effetti, impressiona con un moderno tech stack e un ampio ambito integrato. Mira a essere un “cervello digitale” che abbraccia l’intera pianificazione, e sfrutta idee all’avanguardia come i knowledge graph e gli hub di algoritmi open ¹⁶⁷ ¹⁷⁰. Il nostro scetticismo nei confronti di o9 non riguarda la sua tecnologia (che sembra solida), ma la complessità di realizzare nella pratica una piattaforma unica per tutte le esigenze. Promette molto – e probabilmente può realizzare certi componenti in tempi brevi (ci sono evidenze di progetti di successo) – ma le aziende devono fare attenzione a non farsi trascinare dalla grande visione senza assicurarsi un valore progressivo. La densità di buzzword attorno a o9 è elevata, per cui gli utenti potenziali dovrebbero richiedere dimostrazioni concrete sui loro problemi specifici (ad es., come esattamente o9 ottimizzerà i nostri prezzi e inventario congiuntamente, utilizzando i nostri dati?). Il potenziale è indubbiamente presente.

Infine, Kinaxis (e similmente SAP o Oracle in linea generale) dimostra che essere leader nella tradizionale pianificazione della supply chain non equivale automaticamente a guidare l’ottimizzazione guidata dall’IA. Il motore di pianificazione concorrente di Kinaxis è eccellente per lo scopo per cui è stato progettato – una rapida ripianificazione con il coinvolgimento umano – ma sottolinea un tema: molti incumbents stanno adattando funzionalità IA a nuclei legacy ¹⁷⁸ ¹⁷⁹. Possono spuntare la casella “ha IA/ML”, ma in modo frammentato e talvolta superficiale. La mancanza di integrazione dei prezzi in Kinaxis è una lacuna evidente in uno studio che valorizza l’ottimizzazione congiunta. SAP e Oracle, non approfonditi in questo documento, seguono uno schema simile: portafogli enormi con un pizzico di IA, (SAP promuove il “Business AI” nella sua suite ¹⁹⁰, Oracle enfatizza una “architettura composable” con l’IA ¹⁹¹) ma questi giganti offrono per lo più soluzioni modulabili che gli utenti devono combinare. Il peso dell’integrazione ricade spesso sul cliente o su consulenti costosi, mentre i fornitori analizzati in precedenza si sforzano di fornire un’esperienza più integrata. E, come hanno segnalato i critici del Gartner MQ, questi grandi player godono spesso dello status di Leader per via delle dimensioni e delle relazioni, non per una superiorità tecnica ¹⁹² ¹⁹³.

Punti chiave:

Attenzione alle buzzword: Molti fornitori usano liberamente termini come “guidato dall’IA, cognitivo, autonomo”. La nostra ricerca ha dimostrato che, senza scavare nella documentazione tecnica o in studi indipendenti, è facile essere fuorviati. Ad esempio, un fornitore che afferma “pianificazione IA in tempo reale” potrebbe comunque basarsi su esecuzioni batch notturne con qualche previsione ML – sostanzialmente vino vecchio in una bottiglia nuova ⁸⁵ ⁸⁶. Chiedete sempre dettagli: cosa fa esattamente l’IA? Come viene testata o validata? Possono quantificare i miglioramenti con evidenze? L’approccio scettico consiste nel richiedere trasparenza, e noi lo abbiamo fatto – scoprendo, ad esempio, che per alcuni “IA” si intende semplicemente l’uso di XGBoost o reti neurali per le previsioni anziché ARIMA, il che va bene ma non è rivoluzionario.
L’integrazione è il re (e il tallone d’Achille): Il sacro graal è un sistema unico che ottimizza trasversalmente domini tradizionalmente separati (inventario, prezzi, assortimento). La realtà è che i fornitori provengono da origini diverse e stanno combinando capacità differenti. Lokad ha aggirato questo problema per design (costruendo un modello unificato tramite codice). RELEX ha sviluppato la maggior parte internamente, risultando così coerente, ma anche lui ha dovuto aggiungere la componente prezzi in seguito. Blue Yonder e ToolsGroup hanno seguito percorsi alimentati da acquisizioni e stanno ancora amalgamando queste componenti ⁷⁵ ¹¹⁸. Lo stato attuale della maggior parte delle offerte è “integrato ma non perfettamente unificato”. Le aziende dovrebbero prepararsi a un notevole sforzo per far funzionare insieme tutte le parti. I fornitori che stanno migrando verso piattaforme dati comuni (Blue Yonder con Snowflake, ToolsGroup con Inventory Hub, ecc.) sono sulla strada giusta, ma è un percorso. Nel frattempo, si deve presumere che un’ottimizzazione cross-funzionale richiederà processi iterativi e una supervisione umana per assicurarsi che nulla cada tra le crepe.
L’ottimizzazione probabilistica ed economica sono imprescindibili per l’incertezza: Siamo stati lieti di constatare che l’importanza della previsione probabilistica è ora ampiamente riconosciuta. Tutti i principali fornitori nel nostro studio la realizzano nativamente o almeno dichiarano di supportarla. Questo rappresenta un progresso positivo rispetto ai tempi dei piani deterministici che spesso portavano a spiacevoli sorprese. Allo stesso modo, c’è una tendenza a incorporare considerazioni sui costi e sui profitti – fondamentalmente passando da un approccio basato esclusivamente sul livello di servizio o sul fill-rate a decisioni ottimali in termini di profitto ¹⁹⁴. Tuttavia, il grado in cui ciò avviene varia. ToolsGroup e Lokad ottimizzano in maniera molto esplicita in base agli obiettivi di servizio o di profitto. RELEX e Blue Yonder integrano compromessi sui costi in alcune pianificazioni (come il bilanciamento tra i costi di over-forecast e under-forecast ¹⁹⁵). Gli utenti che valutano le soluzioni dovrebbero verificare quanto bene uno strumento riesca a dare priorità in base al valore economico (ad es., non trattare tutti i stockout allo stesso modo – lo stockout di un articolo a basso margine non è critico come quello di un articolo ad alto margine, ecc.). Se un fornitore non riesce a considerare prontamente i costi unitari, i costi di mantenimento, l’elasticità dei prezzi, ecc., nessun trucco IA potrà fornire un risultato davvero ottimale. Risulterà in un piano “fattibile”, che potrebbe lasciare dei guadagni sul tavolo.
Automazione vs. Controllo – Il fattore umano: Un filo conduttore in tutte le analisi dei fornitori è stato il livello di automazione raggiungibile rispetto alla necessità di controllo umano. Esiste un delicato equilibrio tra automazione estrema (configurarlo e dimenticarlo) e flessibilità per l’utente. Alcuni fornitori sbilanciano verso l’automazione (Lokad ce la punta, RELEX la suggerisce ma poi aggiunge molti leve configurabili dall’utente ¹¹). Altri, come Kinaxis, tendono a dare agli utenti più controllo a scapito dell’automazione. La scelta ideale dipende dalla cultura e dalla maturità dell’azienda. La posizione scettica di questo studio è che molti fornitori promettono una “pianificazione autonoma”, ma la realtà è solitamente semi-autonoma nella fattispecie ⁵⁹ ¹⁹⁶. Le aziende non dovrebbero farsi cullare dai buzzword al punto da pensare di poter sciogliere il proprio team di pianificazione dopo l’installazione di un sistema di AI. Invece, dovrebbero puntare a elevare il ruolo del team di pianificazione: lasciare che l’AI si occupi dei compiti ripetitivi e del crunching dei numeri, mentre gli esseri umani gestiscono eccezioni, strategia e validazione. Col tempo, se si consolida la fiducia, al sistema potrà essere concessa maggiore autonomia. I fornitori che facilitano questa transizione (offrendo trasparenza, capacità di override e apprendendo dagli override) sono probabilmente quelli che daranno i migliori risultati. A tal proposito, un approccio “scatola di vetro” (come quello di Lokad o di ToolsGroup, dove è possibile vedere e modificare la logica) potrebbe ispirare più fiducia rispetto a una pura scatola nera che fornisce risposte senza spiegazioni.
Evidenza e rigore contro l’hype: Infine, una meta-osservazione: il mercato del software per supply chain è costellato di rapporti di analisti, case study sponsorizzati e affermazioni di ROI rosee. In questo studio abbiamo deliberatamente messo da parte questi elementi, e così facendo abbiamo notato una discrepanza tra alcune percezioni popolari e la realtà tecnica. Ad esempio, il Magic Quadrant di Gartner potrebbe elencare X come leader grazie alla presenza sul mercato, ma tecnicamente X potrebbe essere in ritardo nell’AI (abbiamo notato accenni di ciò con Oracle e Logility, per esempio). Nel frattempo, un fornitore non rilevato nemmeno dal radar di alcuni analisti (forse perché non investe per partecipare) potrebbe offrire un’innovazione radicale ²⁵ ¹⁹². Pertanto, chi prende decisioni farebbe bene a guardare oltre quadranti lucidi e approfondire, invece, whitepaper architetturali, presentazioni tecniche per clienti di riferimento, o addirittura richiedere un piccolo progetto prototipo. Quando un fornitore viene sollecitato a dimostrare la propria tecnologia su una parte del problema (ad esempio, una prova di concetto su una linea di prodotto per 8 settimane), spesso si rivela quanta sostanza si nasconda dietro il discorso commerciale. Abbiamo riscontrato, per esempio, che i fornitori che partecipano a competizioni esterne o pubblicano blog tecnici (Lokad, alcuni membri del team di Blue Yonder, i blog di ToolsGroup) tendono ad essere più ancorati alla realtà – espongono il loro pensiero al vaglio ¹⁰³. Questo è un buon segno. Al contrario, i fornitori che usano solo un linguaggio di marketing generico e non dispongono di approfondimenti tecnici potrebbero nascondere una carenza di solidità.

In sintesi, il mercato per l’ottimizzazione della supply chain potenziata dall’AI è in fase di maturazione, ma è ancora caratterizzato da grandi promesse e consegne disomogenee. Le aziende in cerca di soluzioni devono far corrispondere le affermazioni di un fornitore a freddi dati: il fornitore dimostra un’ottimizzazione congiunta o parla solo di integrazione? Riesce a gestire l’incertezza in maniera quantitativa oppure si affida ancora a buffer semplificati? Utilizza l’AI in modo significativo (ad esempio, vincendo o ottenendo buoni risultati in valutazioni neutrali) o si limita a cospargere termini legati all’AI su metodi tradizionali? Poni queste domande difficili – come abbiamo fatto in questo studio – per fare chiarezza sul rumore di fondo. La ricompensa è individuare quelle poche soluzioni che avanzano veramente lo stato dell’arte, rispetto a quelle che si limitano a cavalcare l’onda dell’hype. Nel 2025 esiste la tecnologia per rivoluzionare le decisioni nella supply chain (dalla previsione probabilistica al pricing automatizzato), ma scegliere un fornitore richiede di distinguere la vera innovazione dal “AI-washing”. Speriamo che questo rapporto abbia contribuito a chiarire tale distinzione, offrendo una visione più nitida di quali fornitori stiano veramente spingendo i confini e quali stiano cercando di recuperare terreno con una terminologia appariscente.