エンタープライズ在庫最適化ソフトウェア、2025年2月

レオン・ルヴィナ=メナール著
最終更新: 2025年2月2日

目的: この調査は、厳格で証拠に基づくアプローチにより、主要なエンタープライズ在庫最適化ソフトウェアベンダーをランク付けします。曖昧なマーケティング、不十分な“AI”バズワード、および真の確率論的能力の欠如に対して減点します。主要な基準は、(1) 確立された両方の確率論的需要予測およびリードタイム予測のサポート(リードタイムの不確実性を省略するベンダーは真剣ではないと見なされる);(2) 先進的機能の信頼性(カニバリゼーション、“需要センシング”、AI/MLなどは実際のエンジニアリングの詳細によって裏付けられていなければ偽とラベル付けされる);(3) 自動化のレベル(本当に無人での最適化か、手動の調整が必要か);および**(4)** 複雑な制約を扱う能力(有効期限、シリアル/ロット追跡、返品、バッチサイズ、価格優遇、製品カニバリゼーション、不規則な“疑似季節性”パターン、保管容量コスト、その他)。

ランク付けされたベンダー

以下は、上記の基準に基づいて、信用度の高い順から低い順に並べた、主要な在庫最適化ベンダーの客観的なランキングです。各ベンダーの評価は、強みを強調し、弱点を明らかにし、誤解を招く主張の証拠を示しています。

1. Lokad完全な透明性を備えた確率論的パイオニア

概要: Lokadは、サプライチェーンに対する真の確率論的アプローチにより際立っています。需要の変動性とリードタイムの変動性の両方を明示的にモデル化し、リードタイムを固定入力ではなく、予測可能な確率変数として扱います 1。Lokadのシステムは、**「確率変数の代数」**を提供し、これは確率分布に対する一級のサポートを意味し、各ステップでの不確実性を考慮した複雑な確率論的計算を可能にします 2 3。この数学的厳密さは、しばしばアドホックな方法で不確実性をシミュレートする(またはリードタイムリスクを全く無視する)競合他社との差別化ポイントとなっています。

確率論的需要およびリードタイム: Lokadは、二重予測基準を明確に満たしています。そのドキュメントでは、*「リードタイムは需要と同様に予測でき、予測されるべきである」*と強調されています 1。このプラットフォームは、(例えば対数ロジスティック分布を用いた)確率論的リードタイムモデルを生成し、需要予測と組み合わせることができます 1。これは正確な再注文計算の基礎となります。両面の不確実性を取り入れることで、リードタイムが一定であるとか、安全在庫だけで十分であると仮定する他のツールの一般的な落とし穴を回避しています。

先進的機能(カニバリゼーションなど): Lokadは先進的な制約に関する具体的なエンジニアリングの詳細を提供しています。確率論的最適化を導入し、クライアント固有の制約(カニバリゼーションや代替効果などの製品間の交差効果を含む)を尊重しながら期待収益を最大化します 4。例えば、Lokadは製品が互いの需要を奪い合ったり代替として機能する様子をモデル化し、これらの関係を最適化ロジックに組み込みます。これは単なる曖昧な主張ではなく、供給連鎖の専門家がそのような関係を明示的にエンコードする**「プログラム的」アプローチ**(LokadのEnvisionスクリプティング)によって裏付けられています。同様に、散発的な返品や廃棄率などの難解な現象も確率論的に予測され、意思決定に含めることができます 3。Lokadの公開資料は、例えばeコマースにおける返品予測や生産における歩留まり変動などの技術的詳細に踏み込み、能力の証拠を示しています。無意味なバズワードに依存することはなく、代わりにMonte Carloシミュレーション、確率論的プログラミングなどの手法について議論し、これらがどのように実装されているかについての講義まで公開しています 5。AI/MLに関する主張は最小限で、焦点は測定可能でモデル駆動の改善に置かれています。

自動化: 完全自動化はLokadの主要な設計目標です。このプラットフォームは無人運用のために構築されており、サプライチェーン最適化において反復作業を*「積極的に自動化する」* 6仕組みとなっています。Lokadのアプローチは、人間のマイクロマネジメントを必要とせずにエンジンが最適な意思決定(発注、在庫配分、生産計画)を生成することです。多くのクライアントは、例外時のみ介入する形で、システムを大部分が無人モードで運用しています。Lokadは意思決定ロジックをカスタマイズするための独自のプログラミング言語(Envision)を提供しており、すべての日常的なシナリオをソフトウェアで処理できるようにしています。同社は、大規模な自動化された数値レシピが日々の意思決定を推進し、手動の標準作業手順の必要性を減少させていると公然と強調しています 6。最適化されたスクリプトとソルバーパイプラインを介した、意思決定の自動化の方法についてのこの明確な説明は、競合他社の一般的な「AI自動化」への約束よりもはるかに説得力があります。

制約の取り扱い: Lokadは単純ではない制約を強固にサポートしています。柔軟なモデリング言語を使用しているため、有効期限(例:賞味期限の分布を予測し、期限前に“売り切り”を促す)、シリアル/ロット追跡(在庫の経過時間やロット固有の在庫変数を通じて)、返品および再生品(返品の確率および返品のリードタイムをモデル化 7)、バッチサイズ/MOQ(離散的なロット数量を評価することで最適化に組み込まれる)、仕入先の価格優遇やプロモーション(リベート効果と保有コストを最適化するために注文のタイミングと数量を最適化 8)、カニバリゼーションおよび代替効果(確率論的エンジンで扱われると明示されている 4)、疑似季節性(確率論的モデルを通じて通常と異なる季節パターンを捉える予測が可能)、および保管や容量の制約(最適化目標に容量コストやペナルティを取り入れることにより)。Lokadのドキュメントは、意思決定に関連するすべての経済的要因を*「反映している」*と述べ、クライアントごとの「固有の制約」を考慮しています 9。要するに、Lokadは表面的な主張にとどまらず、技術的な明瞭さをもって複雑な実世界のシナリオに対処していることを示しています。

結論: Lokadは、妥協しない科学的アプローチと透明性によりトップにランクされています。本当に確率論的予測(需要供給)および真の確率論的最適化を実装している数少ないベンダーの一つです 4。誤解を招くマーケティングはほぼ存在せず、誇大宣伝の代わりに、Lokadは結果を達成する方法の証拠(ホワイトペーパー、技術文書)を提供しています。この「真実第一」の理念は、強力な自動化と制約処理と相まって、真剣な次世代在庫最適化を求める企業にとって際立った存在となっています。ただし、Lokadのアプローチは定量的な思考を要求する—意図的に内部は複雑になっている—が、その見返りとして、バズワードではなく現実に根ざしたソリューションが得られます。

2. Slimstock実用的な伝統主義者(正直だが高度ではない)

概要: Slimstock(同社のSlim4製品)は、在庫最適化に対する主流かつ古典的なアプローチを体現しています。特筆すべきは、Slimstockが非常にすっきりとしたAI誇大宣伝の欠如を特徴としている点です。同社は、安全在庫の計算、経済的注文量(EOQ)、その他の標準的なサプライチェーン手法など、実績のある方法に焦点を当てています 10。Slimstockの理念は、「曖昧な‘AI’主張をするのではなく、シンプルで要点を押さえた実用的なソリューションを提供する」ことにあります 11。この正直さと基本に対する集中が、実務家の間での使いやすさと信頼性の高い評価をSlimstockにもたらしています。

確率論的能力: 現代の基準から見ると、ここでSlimstockは劣っています。Slim4は確率論的予測を需要に対して明示的に宣伝せず、またいかなる形の確率論的リードタイムモデリングも行っていません。その機能は、伝統的な決定論的予測**(多くの場合、時系列手法を用いる)と変動を扱うためのバッファ(安全在庫)に依拠しています。Slimstockは計算においてリードタイムを考慮しているものの(リードタイムは再注文点や安全在庫を算出するための入力値ですが)、それらを予測すべきランダム変数としては扱っていません。Slim4が需要またはリードタイムの完全な確率分布を生成しているという証拠はありません。これは、Slimstockが古典的には堅牢であっても、確率論的手法が捉える詳細な不確実性を**「無視している」**ことを意味します 3。我々の基準によれば、リードタイムの不確実性を明示的にモデル化しないことは重大な制約であり、Slimstockの技術的深みへのマイナス評価となります。しかし、Slimstockは単純な方法を使用していることを率直に開示することでこれを補っており、高度な確率論的技術を持っているふりはしません。多くの企業にとって、Slim4の保守的なアプローチは許容できる結果をもたらしますが、真に確率論的な最適化と比べると利益を逸する可能性があります。

先進的機能の主張: Slimstockは、持たない能力について過大に主張しない傾向があります。Slim4が「AI駆動の需要センシング」や「機械学習による予測」を自慢することはありません。実際、この低BSアプローチは好意的に評価され、*「曖昧なAI主張ではなく、実用性に焦点を当てるベンダーを見るのは爽快だ」*と述べられています 12。とはいえ、Slimstockの機能セットは比較的狭いものです。製品のカニバリゼーションや代替効果のような複雑な相互作用は、核心的な焦点ではなく(これらは手動の調整や補助的な分析で対処する必要があります)。同様に、プロモーション、原因要因、または新しいML技術の取り扱いも最小限です。Slimstockは、統計的予測、安全在庫付きの多段階再注文など、自身の得意分野においては卓越していますが、最先端の領域には踏み込んでいません—そして、決してそのように装うことはありません。彼らの主張する内容(例えば「最適化された在庫レベル」や「在庫を減らしてもサービス向上」など)は、手抜きのAIではなく、率直な機能性によって支えられています。Slimstockの資料には「需要センシング」のような危険信号となるバズワードは全く見られず、実質的な内容に重きを置いた姿勢がうかがえます。

自動化: Slim4はプランナーが使いやすいように設計されており、自動化と手動制御の両方を併用しています。このツールは、数千のSKUに対して自動的に予測、再注文点、在庫目標を生成します。ユーザーはしばしばサービスレベルの目標を設定し、Slim4に必要な在庫バッファを計算させます。実際、Slimstockは半自動化プロセスを実現しており、通常の計算はシステムが処理しますが、プランナーは例外のレビューやパラメータの調整を行います。Slimstockはマーケティングで「完全自律型サプライチェーン」を謳うことはなく、代わりにプランナーの意思決定支援ツールとして位置付けています。明確な「ブラックボックス自動化」の主張がないため、手動作業を隠していると非難することはできず、ユーザーにはそのプロセスに関与することが期待されています。しかし、完全無人の最適化を目指す他のベンダーと比較すると、Slimstockのアプローチは、新たなトレンドの予測更新や、期限が近い商品の手動管理など、より多くの継続的なユーザー介入を必要とする可能性があります。これは理論上の「ノータッチ」最適化の理想とはいえ、中規模企業にとっては実用的な自動化レベルです。

制約の取り扱い: 古典的なアプローチに則り、Slimstockは一般的なサプライチェーン制約には対応していますが、すべての複雑な制約には対応していません。有効期限: Slim4は基本的な賞味期限管理(期限が近い商品のアラート、先入先出方式による在庫回転)を行えますが、精巧な生鮮品の最適化はおそらく行いません。バッチサイズ / MOQ: はい、Slim4は再注文計算においてこれらの標準的な制約をサポートしています。マルチエシェロン: Slimstockの中核はマルチエシェロン在庫最適化であり、伝統的なサービスレベル割当の方法で各拠点間の在庫を調整しますが、完全な確率論的ネットワーク最適化ではありません。カニバリゼーション&代替: 自動化された方法ではほとんどサポートされておらず、Slim4のモデルは、製品Bが製品Aの需要を奪うことを本質的に認識しないため、製品間の移行や重複についてはユーザーが手動で予測を調整する必要があります。返品、シリアル追跡: これらはSlim4の予測範囲外であり、ERPや倉庫側で処理されます。「疑似季節性」(不規則な、イベント駆動の需要急増)は、ユーザーが手動で季節性プロファイルやオーバーライドを組み込まない限り、捉えられない可能性があります。保管容量コスト: Slimstockは通常、無限の容量を仮定するか、単純な制約を用います。倉庫スペースに対する複雑な非線形最適化は行わず、これもまた人間による調整が必要となります(例えば、スペースが逼迫している場合にはプランナーが目標を下げるなど)。まとめると、**Slimstockは「凡庸だが重要な実務事項」**をカバーしており、教科書通りの在庫管理(適切な再注文点、安全在庫、ABC分類など)に非常に効果的で、誠実に行われています。しかし、あらゆる難解なシナリオのモデル化には適さないツールです。非常に複雑な制約や不確実性パターンを持つ企業は、Slim4の提供範囲を超える可能性があります。

結論: Slimstockは、その爽快な正直さと基本の確固たる理解により高い評価を得ています。流行の専門用語や誇大なAIの約束に頼ることなく、信頼できるソリューションを提供します。古典的な在庫管理数式で十分な環境では、Slim4は結果を出し、その使いやすく実直なスタイルが評価されています。しかしながら、我々の厳格な基準によれば、Slimstockは最先端とは見なせません。特に、リードタイム分布モデリングを欠く明示的な確率論的予測の不足は重大なギャップであり、厳密な不確実性の定量化を求める組織にとっては**「真剣ではない」**評価となります。とはいえ、Slimstockは伝統的なパラダイムの中で在庫管理に真剣に取り組んでいるとも言えます。全体として、先進的な分析の限界を理解している企業にとっては、バズワードよりも実用性を重視する素晴らしい選択肢です。

3. RELEX Solutions小売業に特化、迅速な分析 – 高い主張は精査の対象

概要: RELEXソリューションズ は、特に小売業界において、需要予測と在庫最適化のための 「AI駆動型」プラットフォーム を掲げ急速に台頭しました 13. RELEXの特徴は、各店舗や流通センターにおける在庫と予測の迅速かつ詳細な可視化をユーザーに提供する インメモリ「ライブプラン」システム です。このアーキテクチャ(しばしばOLAPキューブや「デジタルツイン」と比較される)は、印象的なリアルタイムダッシュボードと迅速な「もしも分析」を可能にします。RELEXは小売業および生鮮食品に特化しており、食料品、生鮮品、プロモーションの取り扱いに関する機能を誇示しています。一見、RELEXは非常に有能に見えます: 補充の自動化、割り当ての最適化について言及し、さらには 在庫確保率99%+ を維持できると示唆しています。しかし、詳しく見ると、強力なリアルタイム分析やいくつかのユニークな機能がある一方で、深い最適化や予測科学における潜在的な欠点も混在していることが明らかです。

確率的需要とリードタイム: RELEXは本当に確率的予測を行っているのでしょうか? 同社はその**「AI駆動型予測」を大々的に宣伝していますが、詳細は乏しいです。RELEXは 公開していません が、Lokadのように需要の完全な確率分布を生成するという証拠を示していません。その焦点は、最近のデータに基づく機械学習(いわゆる「需要センシング」)を用いた改善されたポイント予測と、その予測を在庫計算に活用することにあるようです。重要な点として、RELEXの資料には確率的リードタイム予測に関する言及が全くないことが分かりました。リードタイムは確かにRELEXの計画の一部ですが(リードタイムを入力すると、システムはリードタイムが長いほどより高い安全在庫が必要であると認識します)、リードタイムを分布を持つ確率変数として扱っている―そのような兆候は一切ありません。我々の基準を考えると、この省略は重大です。リードタイムの不確実性に明示的に対処していないベンダーは不足しているのです。RELEXの計画モジュールはおそらく決定論的リードタイムに、場合によっては変動分のバッファを加えたものであり、真の確率的最適化には及ばないのです。実際、RELEXの全体的な不確実性に対するアプローチは従来型であり、おそらく内部で安全在庫の数式を使用しています。独立した分析では、RELEXの予測技術は「2000年前のモデルに見える」 と指摘されました 14 ― これは、確率的予測における革新的技法ではなく、指数平滑法などの実績のある方法に依存していることを示唆しています。したがって、RELEXの需要予測は(例えば日次、店舗/SKU別といった)より詳細で頻繁に更新されるかもしれませんが、学術的な意味での本物の確率的予測の証拠は見当たりません**。これにより、需要・リードタイムの完全な分布モデルを採用するベンダーに比べ、RELEXは劣っているといえます.

高度な機能の主張(AI、カニバリゼーションなど): RELEXのマーケティングでは、「AI駆動型」、「機械学習」、さらには「デジタルツイン」といった用語が多用されています。例えば、「AI駆動型需要予測と多段階在庫最適化」 13「自律的在庫再調整」 15 を宣伝しています。しかし、技術的な具体性が欠如しているのです。RELEXはどのアルゴリズムやAI技術を使用しているのかをほとんど説明しておらず―これは我々の精査において警戒すべき点です。同社の先進的な小売課題への対応に対する主張は、精査に値します:

  • カニバリゼーションと代替: 理論上、これらは小売において非常に重要な要素です(例: 新製品が旧製品に取って代わる、または近隣配置された商品同士で売上が奪い合われる場合など)。RELEXのアーキテクチャは、実際にはこれらのモデリングを阻害する可能性があります。観察者は、RELEXのインメモリ/OLAP設計が「ネットワーク全体の最適化や、代替・カニバリゼーションといった小売需要のパターンと相反している」と指摘しています 16. システムが高速なクエリ実行のために構築されているため、ある商品の需要減少を別の商品への利益としてシミュレーションするための洗練された最適化レイヤーが不足している可能性があります。RELEXがカニバリゼーション問題を、一般的なAIに関する記述以外で明示的に解決しているという証拠は見当たりません。その複雑さを考えると、RELEXはカニバリゼーションの影響をモデル化する明確かつ実証済みの能力を持っていない(少なくともプランナーが手動で調整する範囲を超えるものはないと考えられます)。したがって、同社のAIがそのような相互作用を処理できるという広範な主張は根拠がないと見なさざるを得ず、証明されるまでは偽りと扱うべきです.

  • 「需要センシング」: RELEXは、最新のPOSデータ、天候などを取り込むことで短期的な需要センシングのモジュールを提供しています。しかし、「需要センシング」というバズワードは、科学的根拠の乏しい過大評価された警戒信号として知られています 17. RELEXは、従来の予測手法よりも優れた成果をもたらすという、査読付きの証拠を公開していません。明確なデータなしにこの用語を推し進めるベンダーには懐疑的です。もしRELEXが、需要の急増や変動をより速く捉えることでその機械学習モデルが予測誤差を定量的に改善する方法を示さない限り、「需要センシング」に関する主張は単なるマーケティング用語にすぎないと考えます.

  • AI/ML: RELEXは自社を現代的なAI搭載ソリューションとして位置づけていますが、内部はどうなっているのでしょうか? 主張の曖昧さは懸念材料です。RELEXが予測や計画最適化といった用途に機械学習を使用していることは確かですが、これまでの例は基本的なもの(例えば、日次売上予測のためのML回帰を使用する程度で、革新的ではありません)。RELEXのアプローチにおいて、**「確率的最適化」**や確率変数の代数に関する兆候は見られません。それがないと、「AI駆動型」と呼ぶのはやや誤解を招く表現となります。また、RELEXが宣伝する在庫確保率99%+の結果は誇張されているようで、小売業界における棚上げ在庫の可用性に関する調査はそのような高い数値を否定している 18 ため、マーケティングと現実との間に乖離があることを示唆しています.

良い点として、RELEXには具体的な能力が実際に備わっていることが分かります:

  • RELEXは、補充計画の一環として、トラック積載量および注文のバッチ処理(例: コンテナの充填率)を最適化することができます 15 19.
  • また、サプライヤーの割引を活用するために、**「インテリジェント前方購入」**機能を搭載しており 8、今すぐに余分な在庫を購入するか後に購入するかのシナリオを計算してコスト削減を最大化することを示唆しています。これにより、ある程度、価格差分の制約に対処しています.
  • RELEXは生鮮食品および劣化抑制に強く注力しています。RELEXは明示的に*「手元在庫の有効期限を考慮して、期限が近づいている在庫を特定し、必要な強制処分や値下げを実施する」*と主張しています 20. さらに、RELEXは、有効期限管理のために在庫をバッチ/ロット単位で追跡し、生鮮品に対しては製品変換(例: 熟成肉のカットなど)をサポートしています 21. これらは単なるバズワードではなく具体的な機能であり、RELEXが劣化品管理に積極的に投資していることを示しており、他社が見落としがちな領域です。したがって、RELEXは華麗な確率論的数学を持たなくとも、ヒューリスティクスやビジネスルールを通じて現実の小売課題(例: 有効期限や劣化)に対処しているのです。我々はその実用的な能力を評価します.

アーキテクチャとパフォーマンス: RELEXのインメモリアーキテクチャ(しばしばクラウドカラム型データベースを活用)により高速な処理が可能となっていますが、代償として高額なハードウェアコストがかかります 22. さらに、このようなアーキテクチャは問題の複雑性が増すと苦戦することが多いのです。例えば、本質的に大規模なOLAPキューブであるシステムにおいて、すべての拠点や製品を同時に最適化するグローバル最適化に拡張するのは難しいです。RELEXは、店舗間の在庫再調整のための貪欲法など、迅速な意思決定のために比較的単純なアルゴリズムに依存している可能性があります。これは応答性という点では問題ありませんが、より遅い確率的アプローチが見つけ出すかもしれない最適解を求められない可能性があります。さらに、不確実性を適切にモデル化していなければリアルタイム更新も意味が薄く―需要変動に即座に反応できたとしても、初めから不確実性を定量化していなければ、結局は最新のデータポイントを追いかけるだけになってしまいます(いわゆる「予測追従」の落とし穴)。

自動化: RELEXは業務において自動化を強調しています。RELEXは*「複雑な在庫最適化プロセスの自動化と効率化」* 23 を宣伝し、「在庫再調整の自動化」 15 や、需要変動に対して自動発注により*「リアルタイムに対応」するなどの機能を披露しています。実際、RELEXは、店舗の補充発注、店舗間転送、期限切れ在庫の交換発注を、最小限の人的介入で自動生成することが可能です。多くのRELEXユーザーは、例外的な場合にのみプランナーが介入する日次の自動補充を実施しています。しかし、RELEXはその自動化ロジックについて深く説明していません。たとえば、期限切れ商品の「強制処分」をどのように決定しているのでしょうか? 値下げコストと廃棄ロスのバランスを取る最適化モデルが存在するのか、それとも単なるルールの閾値(例: 有効期限が2日以内なら販売)なのか、詳細は公開されていません。したがって、RELEXは日常的なタスクを自動化できる*と信じつつも、透明性の欠如は評価を下げる要因となります。おそらく多くはルールベースの自動化であり、動作はするものの、最適化されたポリシーほど洗練されていないのでしょう。それでも、重度の手動プランニングを必要とする従来のエンタープライズシステムと比べれば、RELEXは自動化において大きな前進を遂げています。ただし、「自律的」というラベルは誇張されている可能性がある ― そのルールのパラメータ設定など、プランナーによるチューニングが自動化を効果的に維持するために必要です.

制約処理: RELEXは、特に小売特有のニーズに対して、いくつかの複雑な制約において高い評価を受けています:

  • 有効期限および生鮮品: 前述の通り、RELEXはここで強力な機能(ロット単位の追跡、劣化予測、期限が近い商品の自動値下げ計画)を備えています 20. これは、RELEXが短い賞味期限の製品を自動的に管理できることを示しており、食料品店にとっては極めて重要です.
  • バッチ処理 / トラック積載量: RELEXは、トラックの充填を最適化し、注文の最小値や丸めを考慮しています 15 19. 特に、トラックを最適に充填することで配送時の「無駄なスペース」を防ぐと明示しており、輸送コストの制約に配慮していることが分かります.
  • 価格差分 / プロモーション: 前方購入機能 8 は、RELEXが価格上昇前やまとめ買い割引を得るために先行購入を推奨し、在庫保持コストとバランスを取ることを示唆しています。これは、多くのシステムが無視する洗練された制約です.
  • カニバリゼーション/代替: こちらは弱点です ― 先に述べたように、RELEXのエンジンが明示的に解決している可能性は低いです.
  • 返品: 小売(特にeコマース)では、返品が大きな割合を占める可能性があります(例: ファッション小売など)。RELEXは、劣化を考慮する*「予測在庫」*モジュールを持っており、返品も考慮できる可能性があります 24 が、詳細は不明です。返品処理は、RELEXの需要計画ではなくERPで扱われると考えるのが安全です.
  • 擬似季節性: RELEXは季節需要を予測することができ(例えば、各製品/店舗ごとの週次季節プロファイルを扱います)、不規則な需要パターンに対しては、機械学習が一部を捉えるかもしれませんが、明示的な文書がなければ確認できません。おそらく、プロモーションを特別なイベントとして扱い(別途のリフト予測を行う)でしょう ― これは小売ソリューションにおいては標準的な対応です.
  • 収納能力: RELEXはプラノグラム統合の一環として、店舗棚面積をある程度モデル化し(棚スペースを超えた注文をしないなど)、管理しています。流通センターの容量については不明ですが、おそらくアラートに基づくアプローチを採用している可能性があります.
  • 多段階: RELEXは店舗―流通センター―サプライヤー間の多段階計画を行います。しかし、リアルタイム設計は、本当に最適な多段階在庫最適化と矛盾する可能性がある 16. システムは、各段階を全体を通した確率的モデルではなく、ヒューリスティクスで最適化している可能性があり、これは微妙な問題です。実際、多段階計画は行っているものの(実際、多くのクライアントは従来の多段階ツールの代替として使用しています)が、数学的に厳密な最適化とは言えず、より連続的な最適化(店舗での予測 → 流通センターからの供給 → 各段階でバッファを持つサプライヤーからの流通センター供給)のような形になっている可能性があります.

結論: RELEXは、特に小売業者生鮮食品企業において、トップクラスの競争者として評価されます。その強みは、実用的な機能(劣化品管理、迅速な分析、サプライチェーンの可視化、プロモーション対応)とモダンなUXにあり、これが従来の計画ソフトウェアとの差別化要因となっています。しかし、真実を追求する視点から見ると、RELEXは実証されていないAI主張と確率的深度の欠如により減点されます。付随する方法論(公開されたアルゴリズムや性能検証がない)なしに多くのバズワードが連発されているため、その「AI」ブランディングは懐疑的に扱わざるを得ません 25. さらに、リードタイム予測を無視し、古い予測モデルに依存することで理論上の最適解を提供できない可能性があり、実用的には良い解決策を提供するものの、最も科学的に進んだ手法とは言えません。RELEXを評価する企業は、不確実性や複雑な相互作用にどのように対処しているか、具体的な説明を求めるべきであり、さもなければその知能の多くは魔法のAIではなく、ビジネスルールやユーザー設定に依存していると考えるべきです。要約すると、RELEXは使いやすさに関していくつかの真の革新を有する信頼できるプレーヤーではあるものの、そのマーケティングは依然として部分的に「ブラックボックス」であり、過大評価されている可能性があると評価されます。我々はRELEXを高く評価しますが、真の確率的で詳細に基づくアプローチには及ばないと位置づけます.

4. ToolsGroup旧来の「確率的」プレーヤー ― 一貫性のない主張

概要: ToolsGroupは、1993年創業以来、主力製品であるSO99+(Service Optimizer 99+)を通じて在庫最適化の分野で数十年にわたり実績を積んできました。ToolsGroupは、確率的予測とサービスレベルに基づく在庫計画を前面に出して自社をマーケティングしています。実際、ToolsGroupは2000年代初頭に、需要分布を用いて在庫レベルを決定するというアイデアを先駆けたと言えるでしょう。また、需要計画、「需要センシング」、多段階最適化、さらには価格設定(Price.ioなどのアドオンを含む)といった機能も宣伝しています。しかし、近年のToolsGroupのメッセージには重大な疑問が生じています。同社はAI/MLなどのバズワードを多用し、自動化を誇示していますが、公開されている資料はしばしば矛盾しているか、技術的実質を欠いているのが実情です。我々は、在庫管理におけるSO99+のコアとなる数学(古典的なオペレーションズリサーチに基づく)の堅牢な機能性と、支持が得られないマーケティング的な誇大表現が混在している点を確認しました(例: MAPE誤差を引用しながら確率的予測を論じるなど、概念上の誤りがある) 26.

確率論的需要とリードタイム: 表面的には、ToolsGroup は確率論的予測に特化していると 主張 している。例えば、彼らのパンフレットでは、ToolsGroup が 「確率予測」 を供給パラメータ(リードタイム等)とともに用いて在庫水準を最適化すると記載されている 27。実際、SO99+ は 「在庫からサービスへのカーブ」 を生成できる – これは基本的に、リードタイムにわたる需要の分布と、ある在庫投資に対して達成されるサービスレベルを示している 27。これは、ToolsGroup がある程度需要の不確実性をモデル化していることを示している。しかし、しかしながら問題がある: ToolsGroup の確率論的予測アプローチは 不完全で時代遅れ に見える。特に、2018年以来、マーケティングで「確率論的予測」を謳いながら、同時に MAPE(平均絶対百分率誤差)の改善についても言及している 26。これは矛盾している – MAPE は一点予測の精度を示す指標であり、「確率論的予測には適用されない」 26。この明らかな混乱は、ToolsGroup の確率論的取り組みが実体よりも話題性に終始している可能性を示唆している。あたかも、彼らは確率論的な出力を追加したものの、依然として古い指標で評価することで、その全体の信頼性を損ねているかのようである。

リードタイム予測について言えば: ToolsGroup の資料ではリードタイムを ランダム変数として予測する とは記載されておらず、リードタイムは過去のサプライヤーの実績から予測されるものではなく、入力パラメータ(場合によっては変動性の仮定を伴いながら)として扱われる。彼らのデータシートでは、リードタイムがモデルに投入される「供給パラメータ」の一つであると示されている 27。したがって、ユーザーが期待リードタイムおよびおそらく標準偏差を提供すると、SO99+ はそれを安全在庫計算に考慮する – しかし ToolsGroup は独自にリードタイムの動的な確率分布を生成しているようには見えない。これは重大な違いである。真に確率論的なシステムなら、例えば、特定のサプライヤーのリードタイムが20%の確率で倍になる(おそらく通関遅延などにより)ことを認識し、最適な在庫水準に組み込むはずである。私たちは、ToolsGroup がそのレベルの分析を行っているという証拠を見いだせない。したがって、厳密な評価基準に照らせば、ToolsGroup は完全な確率論的テストに失敗しているリードタイムは予測される不確実性としてではなく、静的な入力としてのみ言及されている。この明示的なリードタイムのモデル化の欠如は、ToolsGroup の「確率論的」というレッテルがいささか表面的であることを示している。これは重大な欠点である:確率論的と称しながら主要な不確実性を無視するベンダーは、実際にその言葉通りに行動していない。

高度な機能の主張: 残念ながら、ToolsGroup はこの分野で複数の赤信号を発している:

  • 会社はソフトウェアにおける 「AI」 に関して大まかな主張をしているが、これらは 疑わしい 28。ToolsGroup が実際にどの AI 技術(もし存在すれば)を採用しているのかについての公開情報はほとんどなく、旧来のアルゴリズムは AI ブーム以前のもので、統計学/OR に根ざしている。どうやら「AI」のレッテルはマーケティング上の後付けのようであり、例えば ToolsGroup が AI スタートアップを買収した(おそらくイメージ向上のために)ものの、コア製品が突然ディープラーニングベースになるわけではない。具体的な技術的説明がない(ToolsGroup が公開していないため)、我々はその AI 主張を 裏付けのないもの と見なす。
  • デマンドセンシング: ToolsGroup は「デマンドセンシング」(下流データを用いた短期予測の調整)モジュールを提供している。しかし、独立した分析では 「ToolsGroup による『デマンドセンシング』の主張は、科学文献によって支持されていない」 とされている 17。言い換えれば、ToolsGroup は AI によって需要変化を察知できると主張するが、従来の統計手法や人間のプランナーが果たし得る以上の効果を示す証拠はない。『デマンドセンシング』は、いわゆる バズワード として曖昧に使われるため、この主張には大いに疑問が持たれる。もし、例えばピアレビュー済みのケーススタディで、そのデマンドセンシングアルゴリズムが在庫充足率を向上させると示されない限り、我々はこれを 空論 と見なす。これは、証拠が示されない機能に対して各ベンダーが「空論」と評する専門家のレビューとも一致している 29.
  • カニバリゼーション、プロモーション、ML: ToolsGroup はカニバリゼーションや製品間効果の高度なモデリングを顕著に宣伝しておらず、おそらくそこが得意ではないためである。もし問われれば、「我々の機械学習は複雑なパターンを捉えられる」と主張するかもしれないが、詳細は示されていない。例として、製品需要間の関連付けのための代替行列や付属率モデルを文書化した証拠は見当たらない。したがって、相互作用する製品間での最適化が行われているとの示唆は、証明がなければ 信頼性がない。同様に、彼らは 「自己適応モデル」 や機械学習の使用について言及するが、示唆される手法(例:ある種のパターン認識)はかなり標準的であり、おそらく 時代遅れ である。実際、公開資料では ToolsGroup が2000年以前の予測モデル(たとえば、断続需要に対する Croston 法や他のものに対する ARIMA)を依然として使用していることが示唆されている 30。それ自体は問題ではないが、派手な AI の物語を裏切る結果となっている。

要するに、ToolsGroup が 現代のバズワードと旧式の手法を混在させる習慣は懸念に値する。これは、本来の研究開発に裏打ちされないマーケティング主導の刷新を示している。例えば、ToolsGroup のウェブサイトでは「課題を克服するための自動化」 31 といった表現があるが、よく検証すると、基本的にはこれまで常に行ってきた(多段階在庫最適化)のことに単に AI というレッテルを貼ったに過ぎない。 自動化: ToolsGroup は常にそのソリューションを高度に自動化され「例外ベース」であると位置付けてきた。彼らは SO99+ は非常に自動化されており、一度設定すれば最小限のユーザー入力で済むと強調する。パンフレットに記された IDC のコメントには、「その力にもかかわらず… ToolsGroup MEIO は非常に自動化されており、非常に低い所有コストである」 と述べている 32。実際、多くの ToolsGroup 導入例では、日次または週次で自動的に補充提案が生成され、その後プランナーがレビューするという運用がなされている。 しかし、我々は自律的な意思決定がどのように行われるかという点での明確性の欠如を批判する。ToolsGroup は「自律的意思決定エンジン」について、単にモデルが調整され推奨事項を生成する、としか説明していない。主要な自動化の課題—たとえば、トレンド変化時に注文方針を動的に調整する方法や、変動性に追随しないための方法—についての詳細は示されていない。ToolsGroup の自動化は主に予測および在庫水準計算(システムが予測を更新し、最小/最大レベルや注文提案を手作業なしに再計算する)に限定される。これは価値はあるが、この種のソフトウェアにとっては 標準的な 機能である。より詳細な技術的説明がなければ、ToolsGroup に追加評価を与えることはできない。彼らは在庫最適化ソフトウェアとして期待される自動化の基本は満たしている(長年そうしてきた)が、完全なエンドツーエンドの自律計画であると示すには不十分である。特に、ToolsGroup では各品目のサービスレベル目標やセグメンテーションルールなど、大量の設定が必要であり、これらは多くの場合プランナーやコンサルタントによって手動設定される。もしこれらが誤っていれば、自動化は不十分な結果を生む可能性がある。ToolsGroup は、最適なサービスレベルを自動選択したり、独自に方針を調整する AI については何も述べておらず—そのようなタスクは依然として人間に依存している。したがって、ToolsGroup は 良好な自動計算 を提供しているが、現代的な意味での完全な自律計画には至っていない。

制約の取り扱い: ToolsGroup の SO99+ は、歴史的には核となる在庫数学に強みを持っていたが、周辺的な制約に関しては弱点があった:

  • 多段階: はい、これは多段階在庫最適化のために設計されており、不確実性(主に「ターゲットサービスレベル」方式を通じて)を考慮してネットワーク全体の在庫バッファを最適化できる。これは、DC や店舗などのネットワークにおいて適切な在庫を適切な段階に配置し、サービス目標を達成する点で大きな利点である。
  • リードタイムの変動性: 安全在庫計算においてリードタイムの分散パラメータが考慮されるが、前述の通り、リードタイムそのものの予測やシナリオプランは行われない。
  • バッチサイズ、MOQ: ToolsGroup は、ロットサイズの倍数や最小注文数量などの標準的な供給制約に対応しており、これらを入力すればそれを考慮した注文を推奨する。
  • 有効期限: ToolsGroup は 生鮮在庫の最適化 で知られているわけではなく、恐らく棚寿命に対する専門的なロジックは持っておらず、言及もされていない。ユーザーは、期限切れ商品の管理を手動あるいは有効期限ごとに別のSKUとして扱う必要がある(これは扱いにくい)。これは、食品や化学品などの業界にとっての制約となる。対照的に、RELEX は明示的に劣化問題に取り組んでいる。
  • シリアル/ロット追跡: これは計画の範疇を超えており、実行や ERP の領域に属する。ToolsGroup はシリアルレベルでの最適化は行っていない。
  • カニバリゼーション & 代替: ToolsGroup の基本的なアプローチはほぼ 一変量 の需要予測であり、各SKUの需要を個別に予測する(場合により回帰入力を伴う)ものの、例えば製品Aが在庫切れの場合に一部の需要が製品Bへ流れるといったモデルは標準では実装されていない。洗練されたユーザーが外部的にこれを調整することは可能だが、ツール自体には明示的な機能がないため、高度な制約に対しては不十分である。
  • 返品: ToolsGroup は主に新たな需要と供給の扱いに注力しており、小売での返品やリマニュファクチャリングによる収率の予測はネイティブには行わない。必要であれば、平均的な返品率を正味需要に組み込む必要がある。
  • 準季節性: 需要パターンが不規則な場合、ToolsGroup の旧来のモデルは苦戦する可能性がある。現代的な機械学習がなければ、複雑な需要要因を捉えられず、プランナーが手動で介入しなければ、欠品や過剰在庫を招く恐れがある。
  • 保管/容量: これは重点としていない。ToolsGroup はサービスとコストのトレードオフを最適化するが、推奨された在庫を保管するためのスペースが既に存在することを前提としている。限られたスペースや予算といったナップザック問題は、手動でシナリオをシミュレーションしない限り解決されない。

全体として、ToolsGroup は 基本的かつ最も一般的な在庫制約(多段階、MOQ、およびある程度の需要不確実性を含む)に関してはよく対応しているが、新たなまたは特殊な課題には対応しきれていない。特に、ToolsGroup には現代的な「財務最適化」視点が欠如している – すなわち、直接的に利益の最大化や総コストの最小化を図るのではなく、通常はサービスレベル目標に基づいて動作している。このアプローチは、例えば二つの製品の利益率が大きく異なる場合に最適な配分を実現できない可能性がある。確率論的な最適化では期待利益を最大化する在庫配分が行われるのに対し、ToolsGroup は共通のサービス目標を共有する製品を同等に扱うかもしれない。この微妙な違いが、当時は堅実であったToolsGroup の技術が、今では その年季の入った様相 を露呈している理由の一部である。

評決: ToolsGroup は興味深い位置づけにある。長年にわたって安定し有能な製品を提供しており、決定論的な計画を超える最初期の取り組みのひとつであった。しかし、事実に基づく比較において、ToolsGroup は 賛否が混在する評価 を受ける。我々は、確率論的在庫というコンセプトを口にする点を評価するが、実際にそれを実現できていないという事実を 「暴露」 せざるを得ない。マーケティング上の矛盾(確率論的予測と MAPE 26)および真の確率論的最適化の証拠(例えば、技術スタック内に発表された「確率変数の代数」が存在しない)不足は、ToolsGroup の確率論的主張が 不確かな基盤 に立っていることを意味する。実際、彼らは安全在庫を確率分布を用いて計算するにとどまっており、決定的な革新とは言えない。さらに、AI やデマンドセンシングといったバズワードに根拠なく依存している点は信頼性を大きく損ねている 33。それでも、多くの企業が ToolsGroup のソフトウェアを用いて在庫を削減しサービスを向上させていることから、これは決してインチキな製品ではなく、基本的には数学的に堅実な(ただし旧式な)エンジンと広範な機能(予測+在庫+補充)が備わっていると評価できる。将来のユーザーは、ToolsGroup に対してそのいわゆる AI/確率論的機能を実際のデータで 実証 させるべきであり、そうでなければ、それらは単なる派手なレッテルに過ぎないと考えるべきである。

5. GAINS Systemsベテランソリューション、ハイプによって薄められたドメイン専門知識

概要: GAINSystems は1971年創業という古参のプレイヤーで、包括的なサプライチェーン計画スイートを提供しており、在庫最適化とサプライチェーン分析に特化している。彼らのソフトウェア(GAINS)は、従来、サービスパーツや MRO(メンテナンス、修理、運用)在庫の強力なサポートで名を馳せ、断続的な需要を持つ分野で実績を上げてきた。GAINSystems は、ToolsGroup と同様に、需要予測、在庫最適化(多段階を含む)、S&OP などのモジュールを提供している。近年、GAINSystems はイメージの近代化を図り、「サービスとしての最適化」や機械学習の導入に言及している。しかし、ToolsGroup と同様に、GAINSystems も マーケティングの誇張 に陥っており、現在では「AI/ML」や「デマンドセンシング」を十分な証拠なく謳っている一方で、コア技術は伝統的な、2000年以前の予測モデルに依拠している 34.

確率的需要とリードタイム: GAINSは確率的予測を公に強調していない。おそらく、間欠的需要にはクロストン法、リードタイム需要にはブートストラッピングなど、従来の統計モデルを使用していると思われる。リードタイムの不確実性を予測するという明確な記述は見受けられなかった-これはGAINSもその点で不足している可能性を示唆する。GAINSの焦点は、しばしば最低コストで目標の充填率またはサービスレベルを達成することにあり、これは安全在庫を設定する方法に類似した、ある程度の確率的考慮を含むものだ。しかし、実装の詳細は乏しい。GAINSは、どのように計算しているかという点よりも、結果(「サービス改善、在庫削減」)を強調する傾向がある。明確な確率的表現が欠けていることから、GAINSは大部分において決定論的または半解析的手法に依存していると考えられる。例えば、需要の分散やリードタイムの分散を仮定し、それらを数式に組み込むことで完全な分布を出力するのではない。我々の基準では、GAINSは確率的予測のリーダーとしての特徴を示しておらず、古典的な安全在庫計算やおそらくはシミュレーションを使用するツールの一つであり、リードタイムを予測可能な確率変数として扱わない。結果として、GAINSは確率的厳密性において**「本腰が入っていない」**と評価される-その機能を広告しておらず、実際に備わっているかも疑わしい。

先進的な機能の主張: GAINSは2020年代向けのブランド改変の一環としてバズワードを投げかけ始めた。彼らのメッセージングには、独自アルゴリズムによる**「優れた精度」の主張や、マッチングおよびクラスタリングのための機械学習**の言及が含まれている 35。詳しく見てみよう:

  • 「優れた精度」の予測: GAINSは、自社の予測が競合他社よりも正確であると報告している。しかし、ある分析ではこれを「疑わしい」*と評し、GAINSの独自アルゴリズムが主要な予測コンペティションでトップに立った例が見られないことを指摘している 36。実際、GAINSのアルゴリズム「Procast」が他を凌駕すると主張されたが、M5予測コンペティションのような主要なコンペティションの上位には見受けられない* 36。もしGAINSが世界最高水準の予測技術を持っているなら、客観的なベンチマークで際立つはずだが、そうではない。したがって、我々はGAINSの精度に対する誇示を立証されていないものとして却下する。実際、Dr. Rob HyndmanのRパッケージなど、オープンソースの手法の方が優れている可能性がある 37
  • 需要感知とML: GAINSは「需要感知」を市場に打診し、MLクラスタリングのような用語を使用している。独立したレビューでは率直に、「‘需要感知’のような技術は実体のない vapoware であり、科学文献に裏付けられていない。[さらに] マッチングやクラスタリングのように提示されたMLの要素も2000年前の技術である。」 29 と述べている。これは、GAINSが標準的な統計的手法を新規なAIであるかのように装っている可能性を示す。例えば、類似アイテムをクラスタリングして予測や分類する手法は数十年前から存在するものであり、最先端の機械学習ではない。これを強調しているという事実は、GAINSの「ML」が初歩的であり、決してディープラーニングや先進的な確率プログラミングのようなものではないことを示している。したがって、我々はバズワードに迎合しているとしてGAINSを減点する:マーケティング上で(AI、MLなど)のチェックボックスは押しているが、それを裏付ける詳細や革新性は示していない。この行動は、実体のない流行語を使用する業界全体のパターンと一致している。
  • サービスとしての最適化: GAINSはクラウドサービスモデルへの移行について言及しており、データを投入すると最適化結果が得られることをほのめかしている。これは現代的な展開戦略ではあるが、それ自体が最適化手法の先進性を意味するわけではない。我々は、GAINSの基礎となるソルバー手法は変わらず、提供モデル(クラウド/SaaS)のみが変化していると疑っている。それ自体に問題はないが、能力の差別化要因とはならない(多くのベンダーがすでにクラウドソリューションを提供している)。

良い点として、GAINS Systemsは特定の業界において深いドメイン知識で知られている:

  • 彼らはスペアパーツの計画を綿密に理解している(例:動きの遅い部品のモデリング、サービスレベル契約、修理ループの歩留まりなど)。彼らのソフトウェアは、修理可能ユニットの返却予測や廃棄率の考慮といったシナリオに対応できる可能性があり、一般的な在庫管理ツールではカバーされないかもしれない。これは多少推測を含むが、その分野での長い実績を考えれば十分に期待できる。
  • GAINSは強固な顧客サポートとプランナーとの密接な連携で定評がある-しかしそれは、解決策が完全自動化された魔法というよりも、コンサルティングによって補強されていることを意味することが多い。

自動化: GAINSは在庫管理の自動化を提唱しており、ウェブサイトでは「GAINSで在庫管理システムを自動化しよう」とさえ謳っている 38。このツールは確かに、予測や在庫ポリシーの生成を自動化できる。GAINSは継続的な計画をサポートしており、新たなデータが入るたびに推奨事項を更新する。しかし、どの程度自律的であるかの詳細は欠けている。我々は、他のシステムと同様に、数値計算を自動化する一方で、最終的な決定はプランナーの承認を必要としていると疑っている。GAINSは、継続的な最適化をもたらす可能性のあるイニシアチブ(「P3」メソッドなど)を導入しているが、明確な証拠がないため、中立の立場を取る。つまり、GAINSは企業向けツールとしては典型的な自動化レベルを提供しており、悪くはないが同業他社より目立つほど優れているわけではない。なお、GAINSは小規模な企業であり、小規模ベンダーはクライアントのニーズに合わせたカスタマイズを行うため、実務的な自動化が向上する可能性がある。しかし、エンジニアリングの観点からは、GAINSは賞賛に値する独自の自動化ロジックを公表していない。

制約の扱い: GAINSは多くの従来型の制約といくつかの特殊な制約をカバーしている:

  • マルチエシェロン: そう、GAINSはマルチエシェロン在庫最適化を実施している(航空宇宙/防衛用スペア部品での実績は、多層在庫配置を意味する)。
  • リードタイムの変動: おそらくサービスレベルの計算に考慮されている。
  • バッチサイズ/MOQ: 他の本格的なツールと同様に、しっかりとサポートされている。
  • 間欠的需要: GAINSの歴史的な強みの一つ。おそらく、サービス部品に一般的な動きの遅いアイテムに対して、クロストン法または類似の手法を用い、間欠的なSKUの在庫不足を避けている。
  • 返品/修理: MROにおいてはおそらく対応しており、GAINSはスペアパーツの計算において、修理のターンアラウンドタイムや(廃棄対修理の)歩留まりを考慮しているだろう。これはすべてのベンダーが対応しているわけではなく、GAINSにはここで優位性があるかもしれない。
  • 有効期限: GAINSの主要な焦点ではなく、彼らの業界は産業系であり腐敗しやすいものではないため、おそらく賞味期限に対するサポートは最小限である。
  • カニバリゼーション: 明確に対応している形跡はなく、他と同様、GAINSは各アイテムを独立して予測する可能性が高い。
  • 保管制約: 不明確であり、GAINSは最適化を用いて例えば倉庫スペースの制約を解決することを宣伝していない。
  • コスト最適化: GAINSは一部のメッセージングで利益とコストを強調しているが、具体的な手法は不明である。おそらく、Lokadのようにアイテムのマージンや保管コストを最適化目的に組み込む能力を持っている可能性がある(これは好ましい)。あるいは、ToolsGroupのようにサービスレベルを通じてそれを行っているのかもしれない。

結論: GAINSystemsは、特にスペアパーツや産業系などのニッチな分野で在庫課題に対する深い理解を有する尊敬されるベテランである。しかし、この真実追求のランキングにおいて、GAINSは平均的な位置から抜け出せない。その理由は明白である:予測モデルが時代遅れであり、最近のマーケティング試み(需要感知、MLクラスタリング)は、実際の革新性を伴わない流行に乗った試み29として映る。GAINSは本質的には、時代遅れの1990年代/2000年代のソリューションであり、時流に乗ろうとしているに過ぎない。ドメイン知識と実践的な成果(在庫削減やサービス改善が顧客から報告されている点)については評価するが、透明性の欠如と誇張された主張により減点する。主要なベンダーが技術コンテンツや研究成果を公開する時代において、GAINSは比較的不透明であり、得られた情報(例えば独自アルゴリズムの自慢)は説得力に欠けた。非常に特殊なニーズ(例えばスペアパーツ計画)を持つ企業にとっては、カスタマイズされた機能により依然として最良の選択肢となり得るが、最先端の科学的根拠に基づく最適化を求める企業には、重大な技術刷新が行われない限り失望を招くだろう。我々のランキングでは、GAINSは実体のない純粋な宣伝だけのベンダーより上に位置するが、正直さと革新性を兼ね備えた者よりは下位となる。時代遅れの技術と不必要なバズワードに包まれた有能なソリューションとして、控えめながら評価される。

6. SAP (IBP for Inventory / Former SmartOps)複雑なツールの集合体、革新より統合を重視

概要: SAPは、その膨大なサプライチェーンアプリケーションのポートフォリオにより、この市場に当然存在しているエンタープライズソフトウェアの巨人である。長年にわたり、SAPは在庫最適化のための複数の専門技術-SmartOps(2013年買収)、SAF AG(2009年、需要予測)、さらには予測モデリングのための分析会社KXEN(2013年) 39-を買収してきた。これらは、APO(Advanced Planner & Optimizer)や後のSAP IBP(Integrated Business Planning)といった、SAP社内の計画システムを強化するためのものであった。今日、SAPは主にSAP IBP for Inventory(おそらくSmartOpsのマルチエシェロンアルゴリズムを組み込んでいるIBPモジュール)や、S/4HANAのアドオンを通じて在庫最適化機能を提供している。しかし、SAPのストーリーは断片化と複雑性のものと言える。あるレビューで「SAPの傘の下には、雑然とした製品群が存在する」と述べられたのも、これらの買収によるものである 40。その結果、SAPの在庫最適化はシームレスに統合された最先端のオプティマイザというよりは、価値を引き出すために大規模な統合と専門サービスを必要とする付加的な機能群のように感じられる。

確率的需要およびリードタイム: SAPの従来のソリューション(APOなど)は主に決定論的で、ポイント予測やシンプルな統計モデルに基づく安全在庫に依存していた。SAPが買収したSmartOpsは、確率的マルチエシェロンモデリングで知られており、不確実性下で目標のサービスレベルを達成するために、在庫分布や推奨在庫レベルを計算していた。従って、理論的には、SAP IBP for InventoryにはSmartOpsのおかげで、何らかの確率的エンジンが内蔵されている。SmartOpsは需要変動と一部の供給変動の双方を考慮していた。しかし、SAP自身はマーケティングにおいて「確率的予測」を強調しておらず、それは市場向けメッセージの一部ではない。したがって、多くのSAP顧客は高度な在庫最適化モジュールを十分に活用していない可能性がある。リードタイム予測もSAPが宣伝するものではない。顧客が可変リードタイムを可能にするSmartOpsの機能を明示的に使用しない限り、SAPのデフォルト計画は固定リードタイム(おそらく安全時間のバッファ付き)を前提としている。我々の基準では、SAPは確率的予測へのコミットメントを示しておらず、その能力がソフトウェアの深部に存在したとしても、明確に露出または強調されなければ欠落と見なす。また、複数の買収技術が混在することで一貫性の欠如が生じる可能性があり、例えば、需要予測はあるエンジン(決定論的)から、在庫最適化は別のエンジン(確率的)から行われ、完全には整合しないかもしれない。実際、ある批評では*「エンタープライズソフトウェアはM&Aによって一体化しない」*と指摘されており、SAPが買収した部品がシームレスに混ざり合っていないことを示している 41

先進的な機能と主張: SAPはサプライチェーンにおいてAIを過剰に誇大宣伝することは通常なく(少なくとも他社ほど露骨ではない)、しかし最近ではIBPのマーケティングにおいてML/AIの表現を用いている。それでも、SAPは一般に、機能は豊富だがアルゴリズム的には先進的でないと見なされている。SmartOpsのコンポーネントは、SAPにまともなマルチエシェロン最適化装置をもたらした。しかし、SAPがその技術を最新の状態に保っているか、新しいモデルよりも優れているかは疑わしい 42。実際、SmartOps(および類似技術)は標準的なOR手法を用いており、この文脈では2000年以降のML手法は「2000年前のモデルを上回らない」 42といった印象を与える-これは、KXENのようなML技術を所有しているにもかかわらず、ARIMAやクロストン法などと比べて優れた予測を提供していないことを意味する。SAPのマーケティングは、競合他社を凌駕する予測を主張するのではなく、統合(エンドツーエンドのプラットフォーム、ERPにおける「一つの真実」など)に重きを置く傾向がある。この正直さは両刃の剣であり、SAPはAIの魔法について露骨に嘘をついてはいないが、革新の先陣を切っているわけでもない。

SAPの強みは、すべてのデータと取引の詳細を有しているため、より広範なサプライチェーンの文脈内で複雑な制約を扱える点にある:

  • モジュールを連携させれば、IBPにおいて生産能力や生産制約を考慮できる(在庫計画は供給計画と連動可能)。
  • ERPからのサプライヤーのパフォーマンスに関するデータを利用し、リードタイム変動に対する安全時間や安全在庫を手動で調整することも可能である(ただし自動的な「予測」は行われない)。
  • SAPのソリューションは実行システムにおける有効期限を管理できる(SAP EWMやERPはバッチの有効期限を管理し、APOは有効期限内に需要を満たすための棚卸計画を備えていた)が、有効期限を伴う在庫の最適化(例えば、劣化を考慮してどれだけ過剰在庫を抱えるかの決定)は主要な機能ではなく、SAPは主に期限切れロットのアラートを発する。

SAPは需要予測におけるAI/MLの利用について言及している(SAP Analytics Cloudは予測機能を持ち、IBPにはいくつかのML予測機能がある)が、画期的なものは認められていない。また、SAPの大きな売りは、単一のアルゴリズムの卓越性ではなく、統合プラットフォームである点にある。欠点として、各部品は平均的かもしれないが、全体としては複雑である。

注目すべきは、SAPの在庫最適化には大規模な導入努力が必要である点だ-「最高のインテグレーターと、加えて数年が必要になるだろう」 43。これは、たとえSAPが高度な機能を持っていたとしても、それを効果的に活用するのが難しいことを示唆している。多くのSAP IBPプロジェクトは最適化の完全自動化に苦戦しており、データや統合上の課題から、より単純な計画モードに頼る傾向がある。

自動化: SAPのパラダイムはブラックボックスの自動化ではなく、計画プロセスに重きを置いています。SAP環境では、在庫最適化はより大きなS&OPまたは供給計画サイクルの一部に過ぎません。SAP IBPは特定の計算(例:毎晩オプティマイザを実行するなど)を自動化できますが、通常、SAPにおける人間のプランナーが大いに関与しており、システムの設定、シナリオの入力、結果の確認を行います。SAPは「自律的な計画」を主張しているわけではなく、熟練ユーザーやコンサルタントが組み立てる必要のある予測および最適化ツールを提供しています。したがって、他と比較すると、SAPは自動化度が低い―もしくは、どんな自動化も実装者によってカスタム構築されていると感じられます。この点で我々はSAPにペナルティを科します。なぜなら、彼らのアプローチは放置して運用できる状態を容易に実現しないからです。多くのSAP利用企業は、最適化モジュールを所有しているにもかかわらず、SAPのブラックボックスを信頼できるものにするためのプロジェクトが必要になり、結果として半手動の計画運用に陥ります。ブラックボックスは存在しますが、重いコンサルティングなしに各ビジネス向けに容易に調整できるものではありません。

制約処理: SAPがうまく対応している分野のひとつは、その包括的なスイートのおかげで制約の幅広い種類をカバーしている点です:

  • マルチエシェロン: はい(IBPインベントリのSmartOpsを利用)。
  • バッチサイズ/最小発注量(MOQ): はい、SAPの計画ツールはオプティマイザ内でこれらを考慮できます。
  • 能力制約: SAPのサプライオプティマイザ(IBPまたはAPO CTMの一部)を使用すれば、生産や保管の能力制約を組み込むことが可能ですが、これは在庫最適化そのものよりも供給計画の側面に近いです。
  • 有効期限: 実行レベルでの管理は優れており(SAPはバッチの有効期限やFEFO割り当てを追跡可能)、計画レベルでは、APOには在庫が賞味期限を超えないようにするためのいくつかの機能(例えば、賞味期限が近い在庫を遠隔地に送らないなど)がありました。IBPがこれらを引き継いでいるかは明らかではありません。
  • カニバリゼーション/代替: SAP IBPは新製品導入用のモジュールを備え、類似プロファイルモデリングを利用することで、後継・前任製品の予測を相互にリンクするいくらかの能力を有していますが、専門の小売ツールに比べると進んでいるとは言いがたいです。
  • 返品: SAPは、返品がモデル化されれば、需要計画に返品予測を確実に組み込むことができます(特に小売の場合、正味需要から返品を差し引いた値を予測することもあり得ます)。これも設定が必要な項目です。
  • 在庫保管コストの複雑さ: SAPのオプティマイザは保管コストを考慮し、保管コストが急上昇した場合に在庫を間接的に制限することが可能ですが、これは慎重な設定が必要で、標準状態ではありません。

本質的に、SAPの在庫ソリューションは多くの事柄に対応可能ですが、努力が必要なツールキットのようなもので、熟練者が適切に設定すれば多くの先進的な動作を模倣できますが、SAP自体がワンプッシュで動作する先進的な解決策を提供しているわけではありません。

結論: SAPは「万能だがどれも得意ではない」という問題を体現しているため、我々の調査で低い評価を受けています。買収で継承された一部の確率的最適化の要素など断片的な能力はありますが、特に在庫最適化においては明確で一貫した最先端の提供物がありません。SAPの傘下にあるツール群の複雑さと「寄せ集め」感により、相当な時間とコストをかけなければ価値を引き出すのが困難です 40。この複雑さと、統合が革新を凌駕した点に対し、我々はSAPに厳しいペナルティを科します―買収技術はSAP傘下に入るとほぼ停滞し、その利点さえ失われるか十分に活用されません。SAPの主張は通常控えめで(AIについて露骨な虚偽はなく、むしろマーケティングでAIの流行語が散見される程度です)、根本的な問題は、SAPの在庫最適化は単なるマーケティングの見せかけであって、実際には埋もれ扱いで扱いにくい点にあります。

既にSAPエコシステムに深く組み込まれている企業にとっては、SAP内蔵のツールの使用は魅力的かもしれません(データ統合が容易で責任の所在が明確になるなど)が、純粋なパフォーマンスの観点からは、SAP IBPが専門ベンダーを上回ると主張する企業はほとんどありません。率直に言えば、我々はSAPを信頼できるが最先端ではなく、包括的であるものの過度に複雑と見なしています。SAPで最適化されたサプライチェーンを実現する容易さが低いのは、機能不足ではなく、これらの機能を統合する難しさと、努力に対して疑わしい成果しか得られないためです。要するに、SAPは機能面では十分なチェックをクリアしていますが、巨額の投資なしに実際に最適な在庫を実現できるかは疑問です。それが、我々のランキングでトップ専門業者よりも大きく下位に位置する理由です。

7. o9 Solutions大きな野心、大きな誇大広告、未検証の深さ

概要: o9 Solutionsは、2009年創業の新参企業で、「次世代」の計画プラットフォームとして急速に話題を集めました。サプライチェーン向けの**「デジタルブレイン」または「Enterprise Knowledge Graph (EKG)」と評されることが多く、o9は洗練されたユーザーインターフェース、グラフベースのデータモデル、そして多数のAI/アナリティクスの約束を備えた現代的なクラウドネイティブプラットフォームを誇示しています。彼らは、自らを需要予測から供給計画、収益管理に至るまでをサポートするための、豊富な計算能力、メモリ、そして統一データモデルを持つ「ビッグテック」方式のサプライチェーンソリューションとして位置付けています。在庫最適化に関しては、o9はエンドツーエンド計画の一部としてこれを実行すると主張しています。しかし、技術コミュニティにおけるo9の評判は誇大広告が強く、実際の手法についての透明性が乏しいのが現状です。彼らは、多数の機能や魅力的なデモといった高い「技術量」で見込み客を魅了しますが、詳細に目を向けると、その真の差別化要因は不明瞭です。ある分析では、「o9の技術量は尋常ではなく…インメモリ設計により高コストのハードウェアが必要とされる。グラフデータベース(EKG)の多くの予測主張は疑わしく、科学的文献に裏付けられていない。大量のAI誇大広告が存在するが、Githubで見つかる要素は平凡な手法を示唆している。」 44 と述べられています。これが我々の調査結果を要約しており、o9は「証明されるまでのAIお世辞」派**であると言えるでしょう。

確率的需要予測とリードタイム: o9が需要やリードタイムに対してネイティブに確率予測を行っているという証拠はありません。Enterprise Knowledge Graphの話は、さまざまなデータを連携させることを示唆しており(リードタイムの変動要因の特定などに役立つ可能性があります)が、o9の公開ケーススタディや資料には、統計分布や確率的最適化への言及は明示されていません。彼らはむしろシナリオプランニングやリアルタイム再計画に重きを置いています。我々は、o9が典型的な予測手法(時系列MLあるいは市販ライブラリ等)を用いて単一数値の予測を生成している可能性が高く、場合によってはいくつかの幅を持たせていると推測します。明記されていないため、リードタイムは入力値として扱われている(場合によってはバッファルールが適用される)と考え、ランダム変数として予測していないと見なします。したがって、我々の基準では、o9は確率的テストに合格していません。実際、ビッグデータ統合を強調していることから、o9は他の多くの手法よりも決定論的である可能性が高く、膨大な信号を取り込むことにより(十分なデータがあれば全てを予測できると仮定している)不確実性を受け入れるのとは正反対のアプローチといえます。o9が確率モデルについて何か公表するまでは、そのアプローチは洗練されたデータ統合を伴う決定論的戦略と見なします。これにより、彼らは不確実性のモデル化において真剣ではないと判断せざるを得ません。

高度な機能の主張: o9のマーケティングは、高度に響く主張に満ちています:

  • ナレッジグラフ (EKG): 彼らは、グラフデータベースがサプライチェーン全体の関係をモデル化し、予測の精度(例えば、販売プロモーションが関連商品の需要に与える影響など)を向上させると主張しています。グラフデータモデルは柔軟ですが、これがより正確な予測やより良い在庫判断をもたらすという科学的証拠はありません。主にデータソースの統合に資するものです。この手法が「AI予測」の革新であるという主張は、**疑わしい 45**です。具体的なアルゴリズムがグラフを用いて、例えば確率的予測を行っているのが確認できなければ、これは単なる現代的なアーキテクチャに過ぎず、優れた分析手法とはいえません。
  • AI/ML: o9はナレッジグラフ、ビッグデータ、AI/ML、さらには強化学習のような用語を次々と盛り込みますが、具体的な内容は示していません。外部の分析も厳しく、「多くの需要予測の主張は疑わしく、AIの誇大広告が大量にあるが、Githubで見つかる要素は平凡な手法を示唆している。」 45と言われています。実際、o9が公開しているツール(時系列特徴抽出用のtsfreshvikosなど)は、標準的なPythonライブラリや基本的な予測手法(ARIMA等)であるとされ 46、これはo9の開発チームが表向きの主張とは裏腹に、背後では比較的標準的な予測モデルを使用している可能性を示唆しています。我々はここでo9を暴露します:何かをAI駆動のプラットフォームと呼んだからといって、それが本当にそうであるとは限らず、初見では彼らの「AI」はしばしば単なる線形回帰やARIMAに過ぎない 46と推測されます。もしこれが事実であれば、これは大いに誇大広告に他なりません。
  • リアルタイムシナリオプランニング: o9はオンザフライでのシナリオ作成(インメモリ計算のおかげ)を可能にする点で優れています。しかし、シナリオプランニングは最適化ではありません。リードタイムの延長や需要急増時に何が起こるかを迅速にシミュレーションでき、プランナーが問題を可視化するのには役立ちますが、自動的に最適解を提供するわけではなく、ユーザー自身が解釈し調整する必要があります。したがって、o9が混乱の対処を支援すると主張していても、実際は確率的最適化などと比べ、人間の意思決定に大きく依存している可能性があります。

別の見解として、「些細なことはインタラクティブであるため『AI』とはみなされない」 47 という指摘があります。これは、おそらくo9がインタラクティブなダッシュボードや単純なルールベースの応答を「AI」と呼んでいることに対するものです。我々はこれに対して強くペナルティを課します。もしo9が「当社システムは自動的に例外を検出し、注文を提案する―AI駆動!」と市場に打って出ているものの、実際には単純なif-thenルールや統計的なコントロールタワーであるならば、基本機能をAIと誤って表現していることになります。

自動化: o9は自らを「デジタルオペレーティングモデル」を実現するものとして位置付け、高度な自動化を示唆しています。確かに、o9は予測の自動生成や例外の自動検出といった特定の計画タスクを自動化できます。しかし、詳細が不足しているため、o9の価値の大部分が洗練されたUIを介して行われる人間の意思決定に依存しているのではないかと懸念されます。市場ではo9のようなツールにおいて*「自律計画」の話題もありますが、実際にo9が無人運用されているという具体的証拠はありません。大手クライアントのアナリストが深く関与していることからも、o9は完全自動のオプティマイザではなく、意思決定支援システムであることが示唆されます。我々はこの期待と現実の乖離*に対してペナルティを科します。o9が「グラフAI」によって自律的に在庫を最適化する方法を明示的に実証できない限り、その自動化主張は誇大であると見なします。

制約処理: 柔軟なプラットフォームであるため、o9は理論上多くの制約に対応が可能です:

  • 有効期限、バッチ属性等を組み込むデータモデルを有しており、ロット単位での在庫追跡や、期限切れを回避するためのロジックも含められます。しかし、生鮮在庫向けの既製アルゴリズムが備わっているかは不明で、おそらくユーザー自身がルールをスクリプトするか、手動でローテーションを管理する必要があるでしょう。
  • マルチエシェロン: o9は多層の計画を実施しており、ネットワークをモデル化し、マルチエシェロンの在庫最適化を行えます(おそらくSmartOpsに類似するもの、あるいは各層の安全在庫計算などが含まれる)。
  • 能力制約: o9はS&OP全体をカバーしているため、計画実行時に生産および保管の制約を組み込むことができます。
  • カニバリゼーションと代替: 理論上、ナレッジグラフは代替品として製品をリンクするなどの関係性をモデル化できるはずですが、実際にその情報を用いて最適化しているかは示されていません。シミュレーションで「製品Aがなくなった場合、製品Bの販売が上昇する」などを検証できるかもしれませんが、それには消費者の選択をモデル化する必要があり、容易ではなく、o9がそのモデルを構築したという証拠はありません。したがって、手動のプランナーの仮定を除けば、対応されていない可能性が高いです。
  • 疑似季節性: o9のMLが適切であれば、十分なデータが与えられれば通常と異なる季節パターンを検出できるかもしれません。しかし、一般的なML予測を超える特定の機能はありません。
  • 財務最適化: o9は収益管理やIBPについて言及しているため、設定次第ではサービスレベルだけでなく、利益の最適化も可能かもしれません。ただし、彼らのオプティマイザへの信頼性は不確かです。

懸念すべき点として、o9のインメモリアプローチ(RELEXのような)は、制約の多い最適化問題を解く際に非常にリソース集約的となる可能性があります。彼らはスケーラビリティを謳っていますが、もし実際に全てのSKU、ロケーション、制約をモデル化すれば、計算量が爆発し、巨大なハードウェアが必要となるでしょう。したがって、実際には問題を簡略化するか、ヒューリスティックな手法に依存する可能性があります。

結論: o9 Solutionsは、その派手な魅力にもかかわらず、未検証の主張と流行語に大きく依存しているため、下位層にランク付けされています。o9には現代的なインターフェースと統一データアプローチがあり、協力体制と可視性の向上に寄与することは認めます。しかし、在庫最適化の核心科学に関しては、誇大広告を正当化するような具体的革新は見受けられません。そのマーケティングは警告信号が多い―流行語が技術的裏付けなく登場するため、その莫大な評価の実態に疑問が生じます。我々はこのギャップに対してo9に厳しいペナルティを科します。たとえば、彼らのAIがどのようにして需要をより正確に予測するのか、またはグラフが如何に最適な在庫判断を導くのかが明確に示されない限り、その約束は**「せいぜい疑わしい」45**と見なさざるを得ません。

率直に言えば、o9は各種機能を統合する計画プラットフォームとしては優れているかもしれませんが、特に在庫最適化エンジンとしては、古いツールにない新たな価値を提供しているようには見えません―洗練されたUI以外の点で。確かに、不確実性や複雑な制約に対してより良い対処をしていることは証明されておらず、むしろビッグデータによる決定論を優先して不確実性を無視する、欠陥のあるアプローチと考えられます。したがって、真実に基づくランキングでは、o9は真剣なベンダーの中で最下位近くに位置づけられます。基本的には「大口先行、平凡な実行」という状況です。o9を検討する企業は、そのマーケティングピッチに警戒し、実際のアルゴリズムと結果の提示を求めるべきです。o9のAI主張が明確な技術的証拠で実証されるまでは、この分野において彼らを虚偽/根拠なしと分類せざるを得ません。

8. Blue Yonder (formerly JDA)「AI」として販売される遺産システムの寄せ集め

概要: Blue Yonder (BJDA) は、最も古く最大規模のサプライチェーンソフトウェア提供会社の一つです。以前はJDAとして知られ(2000年代にManugisticsやi2 Technologiesを買収)、Blue Yonderにリブランディングし、Panasonicに買収されました。Blue Yonderの在庫最適化機能は、一連の製品群、たとえば i2のサプライチェーン最適化ツールおよびJDAの在庫モジュール に由来します。時とともに、彼らはAI/MLの概念を取り入れた Luminateプラットフォーム を通じて近代化を試みました。しかし、Blue Yonderは我々が 「M&Aスパゲッティ」 と呼ぶ状態に苦しんでおり、それは 「長いM&A操作の連続の結果」 として、 「そのほとんどが時代遅れの製品が寄せ集められた状態」 48 となっています。本質的に、Blue Yonderの提供内容はレガシーソフトウェアを寄せ集めたものであり、現在ではコグニティブプランニング、Luminate AI などの用語を用いてAI志向であるというイメージを押し出していますが、我々の詳細な調査ではこれらの主張はほとんど 曖昧で実体のない ものであることが判明しています 25.

確率的需要とリードタイム: Blue Yonderは歴史的に、需要予測と在庫計画のためのツールを提供してきましたが、主に決定論的またはヒューリスティックな手法を用いていました。例えば、従来のJDA需要計画は一点予測を行い、在庫最適化は目標サービスのための安全在庫を算出していました。最近の資料では、Blue Yonderは自社の手法の概念として「確率的予測」や「ダイナミック安全在庫」に言及しています 49。ブログなどで確率的手法の価値を認め、業界用語を理解していることを示唆していますが、実際に実装しているかは疑問です。Blue Yonderのコアソリューションが完全な確率分布を出力したり、確率的手法で意思決定を最適化しているという証拠はほとんどありません。オープンソースでtsfreshやARIMAなどを引用していることから 46、彼らは先進的な確率プログラミングではなく、主に古典的な時系列予測を行っていると考えられます。リードタイム予測の兆候も見られず、おそらく固定リードタイムにバッファを加えた前提なのでしょう。したがって、Blue Yonderは我々の確率的基準を満たしていません:需要とリードタイムの不確実性を明示的にモデリングしていないのです。彼らは伝統的なサービスレベルモデルに固執しているため、「確率的」という言葉を散見するものの、包括的な不確実性に関して真剣ではないと評価されます.

先進機能の主張: Blue YonderはAI/MLの主張に関して寛大です。彼らのマーケティングでは「自律的計画」「コグニティブサプライチェーン」などのフレーズが使われていますが、ある分析は次のように指摘しています: 「BYはAIを前面に出していますが、主張はあいまいで実質が伴っていません。」 25。これを確認します:

  • Blue Yonderは数社のAIスタートアップを買収し、大学との提携を誇っていますが、具体的にはオープンソースプロジェクトのみが見受けられます。それらのプロジェクト(tsfresh, PyDSE, VikOS)は非常に標準的な予測手法(特徴抽出、ARMA/ARIMA、回帰)を示しており 46、Blue Yonder独自の新規なAIアルゴリズムを示すものはありません。つまり、Blue Yonderの**「最先端AI」は単に従来の分析手法のリブランディングに過ぎず、我々は彼らの一般的なAI主張を一律に未証明**と判断します.
  • 例えば、Blue Yonderは「我々はMLを用いて確率モデルを補強している」と述べるかもしれません 50が、詳細がないため、単なる機械学習モデルによる予測調整なのか、あるいはシンプルなモデルを上回らなかったニューラルネットワークなのか、判断できません。証拠がないため、これを単なる装飾と見なします.
  • Blue Yonderはエンドツーエンドのソリューション価格最適化、品揃えなどを含む)を有していると主張しています。確かに多くのモジュールはありますが、多くあるからといって各々が最良とは限りません。Blue Yonderの在庫計画は、依然として旧来のi2サービスレベル最適化を使用している可能性があり、2025年に自慢できるものではありません.

過去の特に問題のある主張として、Blue Yonderの「コグニティブインベントリ」に関する資料は、実質的に確率的在庫の考えを派手な用語で言い換えただけであり 51 49、技術的裏付けは一切ありません。これをレッドフラッグマーケティングと見なし、一見洞察に富んでいるようでアルゴリズムとしての「中身」がない点を指摘します.

自動化: Blue Yonderのソリューションは歴史的に大きな人手による監視を必要としており、例えばプランナーがJDAソフトウェアを用いて推奨を得た後に調整を行っていました。Luminateでは、Blue Yonderは**「自律型計画」について言及していますが、我々の知る限り、これは依然としてビジョンの域を出ていません。『AIアシスタント』や自動例外解決を導入した可能性はあるものの、公開された詳細はありません。Blue Yonderの顧客(大手小売業者や製造業者が多いことから)を考えると、ソフトウェアは依然として伝統的手法で使用され、予測と注文が生成された後にプランナーがレビューまたはワークフローを通じて実行していると思われます。我々はBlue Yonderが完全に自律した最適化**を実現しているという明確な証拠を見受けておらず、また、彼らのアーキテクチャが複数の部品から構成されているため、シームレスな自動化の達成は困難です。この点についての不明瞭さから、Blue Yonderに対して厳しい評価を与えます。システムが数ヶ月間自動運用される実例が提示されない限り、彼らの自動化主張は最小限と評価されます.

制約への対応: Blue Yonderは、長年の経験に裏付けられ、多くの制約にある程度対応しています:

  • マルチエシェロン: はい、JDAはマルチエシェロン在庫最適化を行っており(ToolsGroup/SmartOpsに類似した手法である可能性が高いです)。
  • バッチサイズ/最小発注数量(MOQs): 計画パラメータでサポートされています.
  • プロモーション: JDA/Blue Yonderはプロモーション予測モジュールを有していましたが、場合によっては別個に提供されていました.
  • カニバリゼーション: 小売向けカニバリゼーションを組み込める需要モデリングツールがあり(JDAにはカテゴリ管理予測のための何らかのツールがありました)が、これは在庫最適化に必ずしも連動していない専門モジュールです.
  • 賞味期限/消費期限: Blue Yonderの主要業界は小売(食料品を含む)および製造であり、カテゴリ管理ソフト内で生鮮品管理のためのソリューションを持っていましたが、RELEXのように生鮮品を重点的に扱っておらず、賞味期限に対する意識は限定的です.
  • 返品: 目立った機能ではなく、小売計画において予測を相殺する形で処理される可能性がありますが、特別な機能はありません.
  • 保管制約: 倉庫管理や生産計画を利用すれば対応されますが、在庫最適化自体は恐らく保管制約を考慮せず、他社同様、コスト最小化により暗黙のうちに在庫量が管理されます.
  • 準季節性: Blue Yonderの予測は季節パターンに対応可能ですが、特殊なパターンには人的調整または高度なモデルが求められるため、通常の範囲を超えた対策は疑問です.
  • 財務最適化: Blue Yonderは利益最適化モジュール(価格最適化など)を備えていますが、在庫最適化は通常、サービスレベルを最小コストで満たすことに焦点を当て、直接的な利益最大化は追求していません.

要するに、Blue Yonderの機能カバレッジは広範ですが、その一方で表面的な部分もあり、すべてを網羅しようとするために妥協が生じています。特に、多くの製品コンポーネントを取り扱っているため、顧客はしばしば導入と維持が複雑であると感じます.

評決: Blue Yonderは、時代遅れの技術に依存しながらバズワードで覆い隠す点と、寄せ集めプラットフォームの非効率性のため、我々の調査では下位にランクされています。Blue Yonderのオープンソースへの貢献が、*何十年も前の手法(ARIMA、回帰)*に依存していることを示しているのは注目に値し、同社がAIリーダーとして自社をマーケティングしているにもかかわらず、この不一致が信頼を損ねています。我々は、この透明性の欠如と曖昧なAI主張の多用 25 のために、Blue Yonderを厳しく評価します。市場シェアや幅広さにより一部のアナリストレポートで「リーダー」とされるものの、真実性と技術的価値に厳密に焦点を当てると、Blue Yonderは印象的ではありません.

とはいえ、Blue Yonderに全く価値がないわけではありません。広範な機能と豊富な業界知識を有しており、適切に設定すれば多くの実用的シナリオに対応可能です。しかし、これらは最低限の条件に過ぎず、我々が求めているのは真の最適化能力です。この点では、Blue YonderはLokadや、率直で信頼性の高いSlimstockと比べ大きく劣ります。クライアントが既にBlue Yonderのエコシステムに組み込まれているか、最高水準の分析以上にワンストップショップを求める場合でない限り、実証可能で計測可能な最適化品質が重視されるなら、Blue Yonderの在庫最適化は推奨できません。我々のランキングでは、Blue Yonderは実際に動作する製品(時代遅れであるものの)と大規模なユーザーベースを持つという点だけで最下位から一段階救われているに過ぎず、基本的な部分は解決しているというだけで、より小規模な業者の主張の空虚さと比べても評価は低いです.

9. Infor (Rhythm / Predictix)疑わしいAIを伴う衰退した競合企業

概要: Inforは、リテール予測の専門家であったPredictix(2016年買収)などの買収を通じ、この分野での競争に挑みました。InforのコアはERPでありましたが、Predictixの技術を用いてクラウドベースのリテールプランニングスイート(Infor Rhythm、Demand Management など)の構築を試みました。しかし、状況は順調とはいえず、Predictixは複雑な歴史(LogicBloxなどとの法的問題 52)を持ち、Infor合流後には勢いを失ったようです。InforはコアERPや大規模プロジェクトに注力するようになり、「予測部門はここ数年、二流の存在として後回しにされている」 53 状態となっています。要するに、Inforの在庫最適化・需要計画における存在感は薄れており、製品は依然としてあるものの市場のリーダーではなく、革新のパイプラインも乏しい状況です.

確率的および先進的機能: Predictixは、現代的なML手法を主張することで知られており(リテール予測におけるビッグデータの先駆けの一つです)が、専門家は*「Predictixは2000年以降のML技術をいくつか導入しようとしました…しかし、それらの手法が2000年以前のモデルを上回るかは疑わしい」と指摘しています 42。これは、Inforが買収した旗艦技術でさえ従来の手法より明確に優れていなかったことを示唆します。InforはPredictixから需要感知または機械学習を用いた予測機能を引き継いだ可能性がありますが、そのチームが解散したため、どの程度活用されているかは不明です。現在、InforはサプライチェーンにおけるAIについてほとんど言及せず、言及する際も高レベルな議論に留まっています。我々は、彼らの予測に関して「‘AI’の主張も疑わしい」*との記述を確認しました 42。これは他でも見られるように、Inforのツール(Rhythm、需要計画など)が特に正確または先進的であるという証拠を示しておらず、単にInforスタックの一部の機能として統合されているに過ぎません。また、確率的予測やリードタイムモデリングの兆候も見受けられず、存在しないと思われます。したがって、我々の評価では、Inforのソリューションは時代遅れであり、新しい手法で不確実性に真剣に取り組んでいるとは言えません.

自動化と制約: Inforの在庫・需要計画製品は広く議論されておらず、採用例も限定的であることが示唆されます。基本的な制約(マルチエシェロンなど)には対応している可能性がありますが、他社に劣らない特筆すべき点はありません。また、優先順位の低さから、これらを完全に自動化するための取り組みもあまりなされていないと思われます。おそらく、ユーザーが予測や推奨在庫レベルを生成し、InforのERPと統合して実行するという従来型の計画システムであり、Predictix由来の小売向け機能(例えば、ファッション向けのサイズ・カラー別プロファイル予測など)があるかもしれませんが、それも競合他社と比べ明確に優れているとは言えません.

評決: 我々はInforを下位に位置付けます。なぜなら、強力な現行製品も独自性を裏付ける信頼性のある主張も持っておらず、Predictixを通じた試みも勢いを失っており、買収時のAI/MLレトリックも現在では陳腐または未証明となっているためです 42。本質的に、Inforの在庫最適化は現在市場で主要な要素ではなく、企業は既にInfor ERPを多用している場合を除いて先進的な計画の候補に挙げることは少なく、確率的または自動化された最適化において目立った成果がないため、Inforの評価は厳しく、最先端の議論ではほとんど取るに足らない存在であり、過去のAIに関する主張は根拠がないと判断されます.

10. John Galt Solutions大言壮語な主張を伴う中堅市場向け予測会社

概要: John Galt Solutionsは、有名な『Atlas Shrugged』の登場人物にちなんで命名され、1990年代から予測および計画ツールを提供してきました。彼らのフラッグシップ製品であるAtlas Planningは、その名にふさわしく、中堅市場向けの需要計画、在庫管理およびS&OPを対象としています。また、基本的な予測のためのExcelアドインであるForecastXという簡易ツールも提供しています。John Galtの強みは使いやすさと迅速な導入にありましたが、独自アルゴリズム(「Procast」という名称のものなど)について大胆な主張を行っており、疑念を呼んでいます。規模として大手には及ばず、技術的アプローチも伝統的なものに見受けられ、独自の知的財産をほのめかすマーケティングにもかかわらず新規性に欠けています.

確率的および先進的機能: John Galtのソリューションは確率的予測を強調しておらず、一般的な手法(回帰、時系列、場合によってはヒューリスティック)を用いて予測と在庫目標を生成することに注力しています。Atlas Planningは「コンサルティングウェア」の強い印象を与え 54 ―すなわち、各クライアントに合わせるために多くのコンサルティングが必要で、あらかじめ組み込まれた先進的エンジンではないことを意味します。予測技術は時代遅れに見える 55 ため、広く知られている以上の新規予測モデルは導入されておらず、彼らは「Procast」という独自の予測アルゴリズムで競合他社よりも正確であると主張しますが、この主張は非常に疑わしいものです。もしProcastが真に優れているならば、予測コンペティション(例:Mコンペティション)で上位に現れるはずですが、上位には見受けられません 36。これは、Procastが標準的手法の再パッケージまたは些細な調整に過ぎず、画期的ではないことを示唆しています。実際、専門家はオープンソースツール(例えばHyndmanのRライブラリ)がJohn Galtの技術を凌駕する可能性が高いと指摘しています 56。John GaltはAIやMLを大々的には宣伝しておらず、これは余計なバズワードを避ける点で評価に値しますが、証拠もなく漠然と「より正確」と主張する点は受け入れがたいです。また、カニバリゼーションなどの複雑性や不確実性下での最適化への対応については言及せず、彼らのメッセージはむしろユーザーエクスペリエンス(洗練されたダッシュボード等)や協働的計画に焦点を当てており、先進的な最適化の欠如を示唆しています.

Automation: Atlas Planningは、プランナーや経営者を対象にシミュレーションと共同作業を行うためのツールです。自動化で有名というわけではなく、ユーザーが予測を行い、シナリオを実行するためのツールキットとして位置づけられています。完全自動化された在庫最適化からは程遠く、ソフトウェアの出力に基づいてユーザー自身が意思決定を下すことが求められるため、ジョン・ガルトによる無人自動化の推進とは見なされません。このため、現代の視点では半自動的なツールと評価され、ランキングが低くなる要因となっています。

Constraints: ジョン・ガルトの典型的な顧客は、よりシンプルなニーズを持つことが多いため、Atlas Planningは基本的な制約(多層分配、リードタイム、安全在庫など)に対応できます。しかし、マルチエシェロン最適化のような分野(多少の能力はあるにせよ)や、生鮮品、複雑な供給制約には特に定評があるわけではありません。これは、機能の幅は広いものの、どの分野においても深みが不足している中級のソリューションです。

Verdict: John Galt Solutionsは、主要ベンダーのランキングにおいて最下位に位置します。予測と計画のための正直で実用的なソフトウェアを提供しているものの、技術的な優位性や不確実性への真摯な対応を示すことに失敗しています。彼らのシークレットソース(Procast)に関する大それた主張は、36 裏付けがなく、省略によって否定されているように見えます。証拠の不在から、このような独自の主張を虚偽のマーケティングと位置付けています。同社は、他社ほどAIの誇大宣伝に乗っていない(おそらく異なるセグメントを対象としているため)ものの、特筆すべき点もなく、「コンサルティングウェア」として、コンサルタントが設定するだけのソリューションに甘んじている印象です。これは一部のクライアントには問題ありませんが、真実を追求する比較では、明確な革新性がないことを意味します。ジョン・ガルトの在庫最適化アプローチは、恐らく自動化された確率的計算ではなく、予測モデルや在庫方針を手動で設定するものであり、ほぼすべての評価基準において低いスコアとなっています:確率的リードタイムモデリングがなく、動作する注目すべきAI/MLもなく、高度な制約最適化の証拠もなく、自動化の範囲も限定されるのです。

ジョン・ガルトについてのまとめ: よりシンプルでユーザー主導のツールによって市場の一部のセグメントにサービスを提供しています。しかし、大規模なソリューションよりも正確または「スマート」であるという主張は、証拠に裏打ちされておらず、懐疑的に見るべきです。深刻な在庫課題(高い不確実性、複雑なネットワーク)を抱える企業にとって、ジョン・ガルトの技術は能力不足である可能性が高いです。


Conclusion & Key Takeaways

この重要な市場調査は、誇大な主張で溢れるものの、実証された革新的な能力が乏しいサプライチェーンソフトウェアの状況を明らかにしています。LokadSlimstockのようなベンダーは、本当に先進的な手法(Lokadの確率的エンジン 57)を推進するか、誠実な基本方針に固執することで例外的な存在となっています。一方、ToolsGroup、Blue Yonder、o9のような著名な企業も、裏付けのないバズワードに埋もれているのが現状です。

  • Probabilistic Forecasting: 驚くほど少数のベンダーしか真に採用していません。Lokadは需要とリードタイムの不確実性を明示的にモデリングする点で際立っており 1、他の多くのベンダーは、せいぜい需要の変動を簡易的に処理するに留まり、リードタイムの不確実性を無視しています。これは重大な失敗と考えられ、リードタイムにおいて*「不確実性を無視する」*ソリューションは本質的に限界があるといえます 3。ユーザーはベンダーに対して厳しく問いただすべきです:リードタイムは確率的に予測されていますか? もしそうでなければ、在庫目標が最適でない可能性が高くなります。

  • Misleading Buzzwords: 「demand sensing」という用語は、ToolsGroup、GAINSなどで繰り返し使われ、科学的根拠がほとんどありません 17 29。同様に、一般的な「AI/ML」主張も広く見受けられます。Blue Yonderやo9は流行語を並べながら、回帰分析と大差ないアルゴリズムを提供している例です 25 58警戒すべきサインは一貫しており、ベンダーが自社のAIが何をしているかを(例:「出荷履歴に対して勾配ブースティングを使用し、SKU店舗の需要を予測する」などと)具体的に説明できず、陳腐な言葉で済ませる場合、その主張の背後に*「実質がほとんどない、または全くない」と考えるべきです 25。本調査では、このようなケースすべてに対して大幅に減点しました。特に、**LLMs (ChatGPTのようなモデル)**は、最適な在庫ポリシーの計算において立証された役割がない*(数値最適化能力が欠如している)ため、LLMが在庫を最適化しているというほのめかしは全くのフィクションです。幸い、主要ベンダーの誰もそのような主張はしていませんが、一部ではユーザーの問い合わせに対しチャットボットを統合していることがあり、これは核心的な最適化とは異なります。

  • Stochastic Optimization: “最適化”エンジンの真価は、不確実性下で定義された目的(期待利益の最大化、サービス基準に基づくコストの最小化など)を真に解決できるかどうかにあります。ここで登場するほとんどのベンダーは、Lokad(およびおそらくSAP内のSmartOps部分)を除き、真の確率的最適化を実施していません。彼らはヒューリスティックに頼り、サービス目標の設定と安全在庫の算出という手法に留まっています。これは最適化ではなく、妥当な満足に過ぎません。例えばToolsGroupは依然として主にサービスレベルに依存しており、「ランダム変数の代数」といった表現は現実よりもマーケティングに過ぎません。我々はこの不整合をToolsGroupについて指摘しました 26。最適な意思決定を求めるユーザーは注意する必要があります。多くのツールは実際には財務上の目的を最適化しておらず、単にサービス目標を強制しているだけだからです。その違いは非常に大きいのです。もしベンダーが目的関数とその解法(例:「モンテカルロシミュレーションを用いて、期待フィルレートから保管コストを差し引くことを最大化しています」)を示せなければ、真の最適化を実施しているとは言えません

  • Automation: “自動運転のサプライチェーン”という約束は魅力的ですが、実際にそれを実現している企業はほとんどありません。我々の評価では、ほとんどのベンダーが大幅な人手の介入を必要としており、彼らの自動化はルールベースまたは単なる計算に留まっています。Lokadは意思決定ロジックの完全なスクリプト化を可能とし(繰り返し作業の手動処理を明示的に排除しています)6、RELEXは多くの小売業務を自動化していますが、内部的には単純なルールに依存している可能性が高いです。ToolsGroupやGAINSは計算の自動化を行いつつも、パラメーター管理にプランナーを必要とします。完全な自動化、すなわちシステムが新たな状況に自律的に適応する状態は極めて稀です。したがって、ベンダーが「自律」または「自動」と謳う場合は、詳細な説明を求めるべきです:具体的に何が自動化されているのか、例外はどのように処理されるのか、フィードバックループは存在するのか。回答が不明瞭であれば、その自動化の主張は懐疑的に扱うべきです。我々は、説明が最も少ないベンダー(o9、Blue Yonder)が大きな主張にもかかわらず、自動化が最も進んでいない可能性が高いと判断しました 58 25

  • Complex Constraints: 万能な解決策は存在しないことは明白です。一部のベンダーは特定の複雑性に対応しており(例:RELEXは生鮮食品の賞味期限管理 20、GAINSは修理可能部品向け)、他の多くのベンダーは主に一般的な制約に対応し、特殊なケースには回避策に頼っています。購入者自身が、自社の独自のニーズ(生鮮品、大量返品など)を明確にし、ベンダーにその対応方法を問いただす責任があります。もし回答が*「我々の業界のお客様がおられます」*といった曖昧なもので、詳細が伴わなければ、それは警告信号です。我々の調査では、Lokadのみがキャニバリゼーションやカスタム制約といった問題を、そのモデリングフレームワークを通じて支援する方法について公然と論じています 4。他のほとんどのベンダーは、これらの問題を無視するか、方法論もなく簡単に触れるに留まっています。

結論として、この市場調査は雑音の中から信号を見極めるものとなっています。上位のベンダーは、主張と現実を一致させ、堅実なエンジニアリングに注力することでその地位を築いています:

  • Lokad – 厳格な確率的アプローチと、その仕組みを詳細に説明する姿勢により 57
  • Slimstock – バズワードに頼ることなく信頼性のある結果を提供するため 59(高度な分析能力は欠如していますが、その点については正直です)。
  • RELEX – 小売業界(生鮮食品など)における実用的な革新を実現する一方、未実証のAI誇大宣伝については慎重な姿勢を保っています 16

中位のベンダーであるToolsGroupGAINSは機能面での深みを持っていますが、「マーケティングの不正行為」、すなわち誤解を招く用語の使用と技術進化の停滞により評価が下げられました 33 29

最後に、o9、Blue Yonder、SAP、Infor、John Galtといった著名なソリューションは、その市場での知名度が示唆するよりも低い評価に終わっています。その理由は単純明快で、企業の評判や売上高は技術的卓越性を意味しないからです。実際、これらの大規模スイートにはレガシーの負担や焦点の分散が伴い、真実を追求する評価を阻害しています。光沢のあるパンフレットやGartner Magic Quadrantでの評価は、しばしば収益や幅広さを反映しているに過ぎず、実際の最適化能力を示すものではありません。

Advice to practitioners: 余分な飾り付けを排除しましょう。実際のエラー分布、サービスレベルの成果、または不確実性下でのコスト削減を示すデモやケーススタディの提示を必ず要求してください。ベンダーに対してパイロットプロジェクトであなたのデータを用い、その出力が本当に不確実性(例:複数のシナリオとしての提示)を反映しているのか、あるいは単一の数値にとどまっているのかを確認させましょう。条件が変化した際に推奨事項が変わるか(適応性を示す)または本質的に固定されたルールなのかを確認してください。これらの点で問い詰められた場合、多くのベンダーは苦戦するでしょう。最終的に輝くのは、マーケティングの砂上の楼閣ではなく、確固たる分析基盤に基づいてソリューションを構築した企業です。

結局のところ、効果的な在庫最適化には優れた科学と実践的な実行の融合が不可欠です。本調査が示すように、両者において卓越しているベンダーはごくわずかです。卓越している企業は明確に際立ち、そうでない企業は引用や事実によって露呈されています。意思決定者には、この情報を活用してマーケティングの雑音を排除し、真実と証拠に基づいた選択を行うよう強く促します。

Footnotes


  1. リードタイム予測 - 講義 5.3 ↩︎ ↩︎ ↩︎ ↩︎

  2. 確率的予測 (サプライチェーン) ↩︎

  3. FAQ: 在庫最適化 ↩︎ ↩︎ ↩︎ ↩︎

  4. FAQ: 在庫最適化 ↩︎ ↩︎ ↩︎ ↩︎

  5. 確率的予測 (サプライチェーン) ↩︎

  6. FAQ: サポートサービス ↩︎ ↩︎ ↩︎

  7. 確率的予測 (サプライチェーン) ↩︎

  8. 在庫計画ソフトウェア | RELEX Solutions ↩︎ ↩︎ ↩︎

  9. FAQ: 在庫最適化 ↩︎

  10. 市場調査、サプライチェーン最適化ベンダー ↩︎

  11. 市場調査、サプライチェーン最適化ベンダー ↩︎

  12. 市場調査、サプライチェーン最適化ベンダー ↩︎

  13. 在庫計画ソフトウェア | RELEX Solutions ↩︎ ↩︎

  14. 市場調査、サプライチェーン最適化ベンダー ↩︎

  15. 在庫計画ソフトウェア | RELEX Solutions ↩︎ ↩︎ ↩︎ ↩︎

  16. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎ ↩︎

  17. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎ ↩︎

  18. 市場調査、サプライチェーン最適化ベンダー ↩︎

  19. 在庫計画ソフトウェア | RELEX Solutions ↩︎ ↩︎

  20. フレッシュ在庫ソフトウェア | RELEX Solutions ↩︎ ↩︎ ↩︎

  21. フレッシュ予測と補充: 廃棄の管理 - RELEX Solutions ↩︎

  22. 市場調査、サプライチェーン最適化ベンダー ↩︎

  23. 在庫計画ソフトウェア | RELEX Solutions ↩︎

  24. 予測在庫 | RELEX Solutions ↩︎

  25. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  26. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  27. データシートº ToolsGroup Service Optimizer ↩︎ ↩︎ ↩︎

  28. 市場調査、サプライチェーン最適化ベンダー ↩︎

  29. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  30. 市場調査、サプライチェーン最適化ベンダー ↩︎

  31. 需要計画と予測ソフトウェア - ToolsGroup ↩︎

  32. データシートº ToolsGroup サービスオプタイザー ↩︎

  33. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎

  34. 市場調査、サプライチェーン最適化ベンダー ↩︎

  35. 市場調査、サプライチェーン最適化ベンダー ↩︎

  36. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎ ↩︎ ↩︎

  37. 市場調査、サプライチェーン最適化ベンダー ↩︎

  38. 在庫最適化ソフトウェア | GAINS - GAINSystems ↩︎

  39. 市場調査、サプライチェーン最適化ベンダー ↩︎

  40. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎

  41. 市場調査、サプライチェーン最適化ベンダー ↩︎

  42. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  43. 市場調査、サプライチェーン最適化ベンダー ↩︎

  44. 市場調査、サプライチェーン最適化ベンダー ↩︎

  45. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎ ↩︎

  46. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎ ↩︎ ↩︎

  47. 市場調査、サプライチェーン最適化ベンダー ↩︎

  48. 市場調査、サプライチェーン最適化ベンダー ↩︎

  49. 在庫管理の最適化:2021年以降、必須 ↩︎ ↩︎

  50. 在庫最適化の5つのステップ:計画を注文管理に取り入れる時が来た… ↩︎

  51. 在庫最適化の5つのステップ:計画を注文管理に取り入れる時が来た… ↩︎

  52. 市場調査、サプライチェーン最適化ベンダー ↩︎

  53. 市場調査、サプライチェーン最適化ベンダー ↩︎

  54. 市場調査、サプライチェーン最適化ベンダー ↩︎

  55. 市場調査、サプライチェーン最適化ベンダー ↩︎

  56. 市場調査、サプライチェーン最適化ベンダー ↩︎

  57. FAQ: 在庫最適化 ↩︎ ↩︎

  58. 市場調査、サプライチェーン最適化ベンダー ↩︎ ↩︎

  59. 市場調査、サプライチェーン最適化ベンダー ↩︎