Pecan AI のレビュー、予測分析ソフトウェアベンダー

レオン・マルタン＝メナールによる
最終更新日: 2025年11月

市場調査に戻る

Pecan AI はテルアビブとニューヨークに拠点を置く予測分析ソフトウェア会社で、構造化データや時系列データの特徴量エンジニアリングとモデル学習を自動化するローコードプラットフォームを提供し、その上に大規模言語モデルを利用したチャット及びノートブック主導のユーザーエクスペリエンスを構築しています。同社は Dell Technologies Capital、S-Capital などからの初期投資に加え、2022年に Insight Partners 主導の Series C 輪で約6600万ドルを調達し、合計で約1億1600万ドルのベンチャーキャピタルを確保。これにより、従来のデータサイエンススタックに対する「ノーコード」または「ローコード」の代替手段として自社製品を位置付けています.1234 そのコアエンジンは、標準的な機械学習モデル（ツリーベースの手法、LSTM、ARIMA、Prophet）を自動化された特徴量エンジニアリングとベイズ型ハイパーパラメータ探索によって学習・選択し、さらに新たな「Predictive GenAI」機能は、生成AI を用いてビジネスおよびデータユーザーが予測に関する質問を定義し、SQL を用いて学習用データセットを組み立て、ガイド付きノートブックインターフェイスを通じてモデルを運用できるようにします.56789 2025年8月、Pecan はこのプラットフォーム上に構築された SaaS 製品 DemandForecast.ai を発表。これは中大規模のサプライチェーン組織向けに、迅速な展開、説明可能な需要予測、そして 2025年の Gartner 「Cool Vendor」バッジを強調するマーケティングを行っています.101112 現在 Pecan が実際に提供しているのは、アクセスしやすく比較的新しい AutoML 環境に LLM フロントエンドを組み合わせたものであり、根本的に新しい予測アルゴリズムや、需要側予測モデルを超えたエンドツーエンドのサプライチェーン最適化を主張するには十分な根拠がありません。

Pecan AI 概要

本質的に Pecan は業界に依存しない予測分析プラットフォームであり、過去の構造化データ（取引、顧客、イベント）を入力として、特徴量エンジニアリングを自動化し、複数の候補モデルを学習・選別、選定された指標に基づいて最適なモデルを選び、生成されたモデルを用いて将来のイベントのスコアリングを行います。同社はこれを、BIアナリストやその他「データに関連する」専門家が、Python を用いたコーディングや ML インフラの管理を必要とせずに、チャーンモデル、LTV予測、詐欺スコア、需要予測などを構築する方法として提供しています.1694

現在の製品スタックは3層になっています:

  1. コア AutoML およびデータサイエンスパイプライン – 生の構造化データを予測可能な特徴量に変換し、その特徴空間上でツリーベースのアンサンブル、時系列モデル、特定の深層学習アーキテクチャなどのモデルを学習するバックエンドです.9
  2. Predictive GenAI UX – LLM を活用した「Predictive Chat」及び「Predictive Notebook」によって、ユーザーが自然言語で予測目標を記述し、学習用データセットを定義する SQL を生成、さらにモデル学習前に編集が可能となります.6
  3. DemandForecast.ai のような垂直統合パッケージ – ドメイン固有のフロントエンドとメッセージングで構成され、ここではコードを書かずに需要予測とその説明を提供するサプライチェーンプランナーを対象としています.101112

公開ドキュメントやマーケティング資料は一貫して、Pecan の基盤モデルが新たな予測または最適化アルゴリズムではなく、自動化パイプラインにより統合された標準的な教師あり学習技術であることを示しています。主な革新点は自動化、パッケージング、ユーザーエクスペリエンスにあり、2025年に導入された DemandForecast.ai 製品は、このスタックを需要予測向けに再パッケージ化しています。Pecan は説明可能な予測、GenAI 主導のガイダンス、そして ERP/プランニングシステムとの統合を強調していますが、これらの予測に基づく処方的在庫管理や能力最適化の詳細な公開証拠は提供していません.101112

サプライチェーンの観点からすると、Pecan は専門のサプライチェーン最適化スイートよりも、**「多くのドメイン（サプライチェーンを含む）の予測層」**に近い位置付けにあります。この違いは、予測だけでなく補充、配分、生産の意思決定の最適化を核とするベンダーと比較する際に重要です。

Pecan AI 対 Lokad

Pecan と Lokad はどちらも「AI」と予測に価値提案の根幹を置いていますが、製品スタック内での位置と技術的選択に大きな違いがあります。

  • 範囲と焦点

    • Pecan はクロスバーティカルであり、同一プラットフォームでチャーン予測、LTV、リードスコアリング、詐欺検出、キャンペーン ROAS、需要予測をサポートします。DemandForecast.ai は、複数のユースケースのひとつとして需要予測をターゲットにした比較的新しいパッケージです.611
    • Lokad は定量的なサプライチェーン最適化に特化しており、確率的な需要分布を計算し、不確実性の下で期待される経済的成果を最大化するために、注文、配分、生産、価格設定の意思決定を最適化するよう設計されています。

  • ユーザーエクスペリエンスとプログラマビリティ

    • Pecan はノーコード/ローコードを強調し、チャットインターフェイスと自動生成された SQL ノートブックを活用して、アナリストが予測プロジェクトおよびデータ変換を設計できるよう支援し、その裏側で従来の ML モデルを学習しています.69 変更は設定および SQL を通じて行われます。
    • Lokad は、すべてのデータ変換、確率的予測、最適化ロジックをスクリプトとして記述するドメイン固有言語（Envision）を提供します。これにより、プラットフォームはプログラム可能な分析エンジンに近づき、学習曲線は高くなるものの、生成されるモデルは最小発注数量、リードタイム、互換部品、予算制約などの細かな制約や複雑な最適化目的を捉えることが可能です。

  • 予測と処方の深さ

    • Pecan は、時系列予測機能（LSTM、ARIMA、Prophet、ツリーベースのモデル）および構造化データ向けの自動特徴量エンジニアリングを明確に文書化しています.9 DemandForecast.ai は、正確で説明可能な予測の作成とそれをビジネスユーザーに提示することに注力しており、公開資料にはそれらの予測に基づく数学的在庫管理やネットワーク最適化については記載されていません.1011
    • Lokad の公開実績は、完全な需要分布に加え、確率的離散降下法などの専門的な確率的最適化アルゴリズムや、意思決定の質を直接学習するための微分可能なプログラミングに焦点を当てています。その成果物は、単なる予測ではなく、購入発注ライン、転送、保守タスクなどの意思決定の優先順位リスト（推定された財務的影響付き）です。

  • サプライチェーンの成熟度

    • Pecan のサプライチェーン向け提供は最近のものであり、DemandForecast.ai は2025年8月にローンチされました。これまでの主な証拠は、Product Hunt スタイルのマーケティングサイト、詳細なプレスリリース、そしてベンダーの記述を繰り返す数件の第三者記事です.1011121314 製品は、数週間での稼働、説明可能性、GenAI 主導の UX を強調していますが、サプライチェーン特有の ROI の豊富な公開事例や、予測がどのように発注数量や生産能力計画に変換されるかの詳細はまだ示されていません。
    • Lokad は、大手小売業者、自動車部品ディストリビューター、航空宇宙 MRO など、最適化と経済的要因が中核となる10年以上にわたるサプライチェーンの公開事例を持ち、技術ロードマップも分位点予測、リードタイムにおける確率的需要、カスタム最適化アルゴリズムなど、これらの課題に密接に連動しています。

要するに: Pecan は、強固なユーザビリティ層とサプライチェーン仕様の新たなフロントエンドを備えた汎用的な ML-as-a-service 環境であり、Lokad はプログラミングインターフェイスを持つ、サプライチェーン向けの専門的な確率的最適化エンジンです。 「予測といくつかの予測モデルが必要で、できれば多数のデータサイエンティストを採用せずに済ませたい」という企業にとって、Pecan は現代の AutoML プラットフォームの中で信頼できる候補となります。一方、「不確実性の中で補充、配分、生産能力の意思決定を最適化しなければならない」という組織にとっては、Lokad のアーキテクチャと意思決定中心の設計がより適していると言えます。

企業の歴史、資金調達、商業プロファイル

創業と拠点

Pecan AI は、CEO の Zohar Bronfman と CTO の Noam Brezis によりイスラエルで創業され、その後ニューヨークへ展開しました。2020年当時の初期報道では、Pecan は2016年創業の4年目の企業として、社内のデータサイエンスチームを持たずにアナリストが予測モデルを構築できるプラットフォームとして紹介されました.2 一方、Pecan 自身の Predictive GenAI 発売プレスリリースなどの最近の資料では、同社は2018年に創業されたと記されています.5

この創業年の相違（2016年対2018年）は、初期の研究開発・法人設立と現法人との違いを反映している可能性がありますが、公開情報では正確な法的タイムラインは明確にされていません。ただし、確実に言えるのは、Pecan が2019〜2020年頃に AutoML スタイルの予測分析プラットフォームとして公に登場し、それ以来テルアビブ（またはラマト・ガン）とニューヨークにオフィスを維持しているということです.24

資金調達ラウンドと投資家

Pecan は大規模なベンチャー支援を受けている企業であり、公開されている資金調達は以下の通りです:

  • シード / Series A（約1500万ドル、2020年）

    • 2020年、同社は Dell Technologies Capital と S-Capital 主導の 1100万ドルの Series A を発表し、以前のシード投資と合わせて総額1500万ドルに達しました.2 当時の報道は、社内データサイエンティストを持たない企業に予測分析を提供する Pecan の使命を強調し、Python でカスタムモデルを構築するよりも容易な代替手段として製品を位置付けました。

  • Series B（3500万ドル、2021年）

    • その後の報道や投資家向け資料では、2021年に GGV Capital らが共同で主導した3500万ドルの Series B ラウンドが言及されていますが、このラウンドについては情報源での記載は限定的です。Series C 後に引用される総資金調達額から逆算すると、この規模の B ラウンドがあったことが強く示唆されます.134

  • Series C（6600万ドル、2022年）

    • 2022年2月、BusinessWire は Insight Partners 主導、GV（Google のベンチャー部門）、Dell Technologies Capital、S-Capital、Vintage Investment Partners の参加を得た 6600万ドルの Series C ラウンドを報じました.1 Pecan 自身の声明や第三者の報道（例: The Jerusalem Post、Built In NYC）により、この数字は確認され、累計資金調達額は約1億1600万〜1億1700万ドルとされています.134

投資家シンジケート（Insight、GV、Dell など）は、成長段階にある中堅エンタープライズソフトウェア企業として標準的な構成です。Series C のプレス資料では、Pecan が業界を超えて「数十社の顧客」を有し、「毎日数千万の予測」を生成していると主張されていますが、これらの指標は自社報告であり、独立した監査は行われていません.13

従業員数と評価

正確な従業員数は変動し確認が難しいですが、Built In NYC の2022年の記事では、イスラエルと米国全体で約80〜90名とされ、後のプレス資料では、フィンテック、保険、小売、CPG、モバイルゲームなど各業界向けのチーム編成に言及されています.14

サプライチェーンの文脈では、2025年8月の DemandForecast.ai 発表プレスリリースにおいて、Pecan が Gartner の「クロスファンクショナル サプライチェーン技術における 2025 年 Cool Vendor」に選定されたことが強調され、Gartner はノーコードプラットフォーム、GenAI 主導のガイダンス、迅速かつ説明可能なモデル展開に注目しています.10 「Cool Vendor」ステータスは業界の関心を示すものの、採用の深さや技術的優位性そのものを示すものではなく、Gartner 自身の免責事項もこれらの指定がアナリストの意見であると強調しています.10

総合すると、Pecan は中堅・成長段階の SaaS ベンダーであり、十分な資金調達、信頼できる投資家リスト、一定のブランド認知を有していますが、少なくとも公開可能な証拠に基づく限り、どの単一ドメイン（サプライチェーンを含む）においても支配的な存在ではありません。

技術と製品アーキテクチャ

コアデータサイエンスパイプラインと AutoML エンジン

Pecan の内部構造に関する最も明確な技術的詳細は、自社のヘルプセンター記事「Pecan’s Data Science: A Peek Behind the Scenes」に記されており、そこでは特徴量エンジニアリング、モデル学習、モデル選択のための自動化パイプラインが説明されています.9 主なポイント:

  • 自動化された特徴量エンジニアリング

    • 連続数値変数 に対して、Pecan は過去の値から平均、標準偏差、最小／最大、最頻値、線形傾向の係数などの統計量を自動的に算出します.9
    • カテゴリカル変数 では、共通のカテゴリを特定し、データ分布に応じてワンホット、順序、ターゲットエンコーディングなどの手法を適用します.9
    • 日付 に対しては、曜日、月、季節パターン、日付間の距離といった特徴を抽出します.9
    • また、ノイズ除去オートエンコーダーやその他の教師なし手法（例: クラスタリング）を用いて、より高次の特徴（例: 「類似グループ」）を作成し、分散閾値、相関チェック、パーミュテーション重要度、SHAP 値などの特徴選択手法を適用します.9

  • モデル動物園と選択

    • Pecan は、以下の「ベストインクラス」のアルゴリズム、すなわち 時系列 LSTM、ARIMA、Prophet、および LightGBM や CatBoost などのツリーベースのモデル をサポートしていると明記しています.9
    • ハイパーパラメータ探索は ベイズ最適化 により行われ、通常は表形式の問題においてツリーベースのモデルが好まれ、学習データの約10%を検証用に分割します.9
    • タスクやデータ分布に応じ、ログロスや Tweedie などの異なる損失関数が評価されます.9

  • 最適化指標

    • ユーザーは、AutoML エンジンが最適化する指標（例: 精度、F1、業務固有の指標）を選択でき、これによりプラットフォームが単一分野に特化するのではなく汎用的であることが強調されます.9

このモデル動物園を超えた特注の予測アルゴリズムに関する公開議論はなく、スタックは本質的に主流の ML 手法を巧みに統合したものです。技術的観点からは、洗練された特徴量エンジニアリングと強力なツリーベースモデルは表形式問題の現行標準であるものの、新たなアルゴリズムという意味での最先端ではありません。

特筆すべきは、Pecanの公開資料は、サプライチェーン向けに完全な需要分布（例：リードタイムにわたる分位数グリッド）の意味で確率的予測を実装していると明示していない点です。損失関数や評価指標によってはいくつかの確率的出力（例：Tweedie、分位数回帰）が可能かもしれませんが、これがコアなサプライチェーン特有の機能として文書化されているわけではありません。

予測GenAI: チャットとノートブック

2024年1月、Pecanは「予測GenAI」を発表し、既存の予測プラットフォームに生成AIを取り入れるものとして位置付けました.56 ローンチブログおよびプレス報道では、以下の2つの主要コンポーネントが記述されています:

  1. 予測チャット – ユーザーが自然言語で予測目標（例：「どの顧客が解約リスクにあるか？」）を記述するチャットインターフェイスです。LLMはその後、追質問を行い、モデリングに適した「予測質問」を形成します.6
  2. 予測ノートブック – チャットに基づいて、システムがトレーニングデータセットを定義する自動生成SQLクエリを含むノートブックを生成します。ユーザーはモデル学習に進む前に、SQLを確認および編集することが可能です.6

サードパーティの記事（TDWI、FutureOfWorkNewsなど）は、基本的にこれを繰り返しており、予測GenAIは生成AIを活用して、ビジネス上の疑問から表形式のデータセットおよびモデルまでユーザーを導くとともに、LLMの会話機能とPecanの従来のAutoMLバックエンドを融合させています.78

技術的には、これは従来型MLエンジンの上に構築されたLLM駆動のUXレイヤーです：

  • LLMは自然言語の入力を解釈し、SQLや設定の下書きを作成します。
  • 基盤となるトレーニング、特徴量エンジニアリング、モデル選択、スコアリングは、Pecanのデータサイエンス記事で説明されているのと同じ教師あり学習手法を使用しています.9

Pecanの資料では予測GenAIを「最先端」として紹介していますが、その革新性は基礎となるMLアルゴリズム（依然として主流）ではなく、統合と製品化にあります。また、LLM生成SQLの評価、チャットの失敗モード（例：幻覚的なカラム）、およびガードレールについての公開説明もなく、これらの側面は推測する必要があります。

DemandForecast.ai: サプライチェーン専用パッケージング

2025年8月に開始されたDemandForecast.aiは、Pecanの予測GenAIプラットフォーム上に構築された垂直統合型ブランド製品で、「サプライチェーンリーダー」を対象としています.1011 プレスリリースおよびマイクロサイトでは、以下の点が説明されています:

  • 対象ユーザー： 特に小売業や消費財において、複雑なサプライチェーンを持つ中～大規模企業.1012

  • 主要な機能：

    • 「数ヶ月ではなく数週間で稼働」 – オンボーディングとモデル展開の加速.10
    • 「ビジネスユーザー第一の設計」 – コーディング不要で、プランナーに直接予測が提示される.1011
    • 「説明可能なAI」 – 生成AIによる予測に関する説明とガイダンス.1012
    • 「エンタープライズグレードの統合」 – ERPやプランニングシステムへのコネクタやAPI.10

サードパーティの解説記事（AI TechPark、TechIntelPro、その他）は、プレスリリースとほぼ同様の内容を伝えており、「兆ドル規模の予測ギャップ」、Gartnerのクールベンダー認定、および説明可能性と生成AI駆動のガイダンスに焦点を当てています.121314

重要な点として、公開資料は予測レイヤーで終わっています:

  • DemandForecast.aiが正確で説明可能な予測を生成し、生成AIガイド付きUIで表示することが詳細に説明されています。
  • しかし、これらの予測を発注数量、安全在庫、ネットワークフロー、生産計画、または価格提案といった数値に数学的に変換する方法については記述されていません。
  • リードタイムにわたる確率的予測、マルチエシェロン在庫最適化、またはサプライチェーン特有の最適化エンジンに典型的なコストベースの目的関数についての公開言及はありません。

入手可能な証拠からすると、DemandForecast.aiは、完全な処方的最適化スイートではなく、**「プランナー向けの予測とその説明」**と見なすべきです。

AIに関する主張とその証拠

Pecanのブランディングは「予測AI」と「予測GenAI」に大きく依存しています。これらの主張を評価すると：

  • 従来型ML： AutoMLパイプラインは十分に文書化されており、数値・カテゴリ・日付型の特徴量エンジニアリング、オートエンコーダーによる次元削減、SHAPに基づく特徴量重要度、LSTM、ARIMA、Prophet、および木構造ベースの手法を含むモデル群とベイズ最適化が、現行の業界標準に沿って実装されています.9 これは堅実で現代的ですが、特にユニークというわけではなく、多くのAutoMLフレームワークで同様の組み合わせが見られます。

  • 生成的AI： 予測GenAIの発表とその後のブログ記事では、生成AIがUXおよびオーケストレーション層で利用されていることが明確に示されており、予測モデルそのものとしては採用されていません.56 LLMはビジネス上の課題を予測形式で表現し、SQLノートブックを生成するのに役立ちます；予測の主要な処理は上述の従来型モデルに委ねられています。サードパーティの報道は、Pecanの主張を繰り返す以外に独立した証拠を提供していません.78

  • 規模と影響： Pecanのプレスリリースでは、フィンテック、保険、小売、消費財、モバイルゲームなどの業界において、プラットフォームが1日あたり「3000万件以上の予測」を実行していると主張しています.5 これらの数字はSaaS予測サービスとしては妥当ですが、自己申告によるものであり、例えば公開予測コンペティションと比較できる外部監査やベンチマークは存在しません。

全体として、Pecanは信頼性のある、エンジニアリング重視の主流教師あり学習の実装を確立しており、多くの特徴量エンジニアリングやモデル選択作業の自動化に疑いの余地はありません。しかし、既知の手法の統合を超える独自の最先端アルゴリズムの公開証拠はほとんどなく、「GenAI」の部分は主にユーザビリティの向上を目的としたものであり、新たな学習パラダイムとは言えません。

クライアント、ケーススタディ、および商用成熟度

Pecanの資料における顧客の言及には、Johnson & Johnson、Creative Artists Agency (CAA)、Ideal Image、SciPlayなどの企業が含まれており.15 これらは、Pecanのプラットフォームを様々な予測タスクに利用しているユーザーとして提示されていますが、詳細な情報は限られており、例えば、昇給曲線、ホールドアウト検証、または導入後のビジネスインパクトを厳密に示す技術的なケーススタディは公開されていません。

予測GenAIのプレスリリースには、Kenvueのエグゼクティブ（グローバル消費財サプライチェーン部門）からの推薦コメントが含まれており、先進的なデータサイエンスをより多くのビジネスチームに提供するPecanのアプローチが賞賛されています.5 これは、少なくともサプライチェーンに隣接するステークホルダーが関与していることを示していますが、その証拠は逸話的であり、マーケティング的な推薦として位置付けられています。

DemandForecast.aiに関して特に:

  • ローンチPRでは、世界的な予測誤差の大きさ（IHL GroupやHarvard Business Reviewによる、年間1.7兆ドル以上の品切れや過剰在庫損失の引用）を強調し、より良い予測を通じた解決策としてDemandForecast.aiを位置付けています.10
  • 本製品の具体的なサプライチェーンクライアントは示されておらず、その後の記事もGartnerのクールベンダー言及以外の具体的なケース例を追加していません.10121314

これらの点から、Pecanは一般的な予測分析ベンダーとしては商業的に信頼できる一方で、そのサプライチェーン特化の実績はまだ発展途上であり、公開情報では十分に文書化されていないという慎重な評価がなされます。

サプライチェーン利用に関する重要な評価

サプライチェーンの意思決定者の視点から、Pecanの強みと限界は以下のようにまとめられます:

強み

  • 表形式／時系列データ向けのモダンなAutoML： 文書化されたパイプライン（特徴量エンジニアリング、SHAPに基づく重要度評価、LSTM、ARIMA、Prophet、木構造アンサンブル、ベイズ最適化）は、十分なデータ品質があれば強力な点予測を生成できるはずです.9
  • アクセシビリティとUX： 予測GenAIのチャット＋ノートブックの流れは、データサイエンティストを雇用したりMLOpsインフラを構築せずに、回顧的レポートから予測モデルへ移行したいBIチームの敷居を大幅に下げる可能性があります.67
  • ユースケース全体での迅速な実験： プラットフォームが複数の業界にまたがって利用できるため、1社のベンダーで解約、LTV、需要など複数の予測問題にPecanを適用でき、既にデータが取り込まれていれば実験のスピードアップが期待できます。

限界 / 未解決の疑問点

  • 予測と意思決定の違い： 公開情報は予測の精度と説明可能性に焦点を当てており、エンドツーエンドの意思決定最適化（在庫ポリシー、マルチエシェロン在庫配置、キャパシティ割り当て、価格設定など）については触れていません。DemandForecast.aiは予測および説明層で終わっているようです.101112 どんな処方的な意思決定も、プランナーによる手動実装または追加ツールを通じて行う必要があります。
  • 確率モデルの深度： リードタイムにわたる完全な確率的需要分布、または不確実性下でのサービスレベルや期待コストの直接最適化をサポートする明示的な文書は存在しません。これらは先進的なサプライチェーン最適化の中核ですが、Tweedieなどの損失関数は一部の側面を近似するに留まり、分布を意識した最適化エンジンとは異なります。
  • 「最先端」に対する証拠： Pecanのパイプラインは現代的で網羅的ですが、機械学習コミュニティで広く使用される標準的なコンポーネントから構築されているため、公開情報ではサプライチェーン特有の新たな予測アルゴリズムや最適化手法は示されていません。この文脈での「最先端」とは、革新的なアルゴリズムの追求ではなく、現行の主流手法を生産グレードのAutoMLシステムで活用することを意味します。
  • GenAIの信頼性とガバナンス： Pecanは、予測GenAIがどのように誤ったSQL生成を防止し、スキーマの一貫性を確保し、LLM生成アーティファクトのバージョン管理を行っているかについて、技術的な詳細を公開していません。規制の厳しい、または安全性が重要なサプライチェーンにとって、この透明性の欠如は懸念材料となり得ます。

以上の点から、Pecanの現在の強み領域は、次のような組織であると考えられます：

  • 複数の事業領域で迅速に予測モデルを展開したい。
  • SQLに精通しているが、完全なMLパイプラインの構築には慣れていないBIまたは分析チームを有する。
  • 主に、サプライチェーンの意思決定の深く数学的に厳密な最適化ではなく、より良い予測と予測スコアを求めている。

主要なニーズが不確実性下の意思決定中心のサプライチェーン最適化である企業にとって、Pecanは予測コンポーネントまたは実験環境として機能する可能性がありますが、在庫やネットワーク最適化において最高水準の性能を達成するには、より専門的なツールで補完（または置き換え）される必要があるでしょう。

結論

Pecan AIは、アクセシビリティに重点を置いた信頼性のある現代的な予測分析プラットフォームを提供しており、自動化された特徴量エンジニアリング、厳選された標準MLモデル群、そしてビジネス上の疑問からSQLノートブックや学習済みモデルへとユーザーを導く生成AI駆動のインターフェイスを備えています。その資金調達歴史と投資家基盤から、Pecanは初期実験段階ではなく、確固たる中堅のSaaSベンダーであることが示され、複数の事業課題に対して限られたデータサイエンスリソースで予測モデルを適用したい組織にとって魅力的な存在となっています.1254

しかし、厳密に技術的かつサプライチェーン特有の視点から見ると、公開された証拠はPecanを最先端のサプライチェーン最適化システムと見なすことを支持していません。そのアルゴリズムは標準的な教師あり学習手法であり、革新的な確率的または最適化手法ではなく、GenAIの機能は主にUXを向上させるためのものであり、DemandForecast.aiは、明確に文書化された処方的意思決定ロジックなしに需要側の予測と説明に焦点を当てています.9101112 これは、特に予測分析の初期段階にある組織にとって、AutoML＋GenAI環境としてのプラットフォームの有用性を損なうものではありませんが、サプライチェーン組織が期待すべき現実的な枠組みを示しています。

Lokadと直接比較すると、Pecanはサプライチェーン予測分野に新規参入したジェネラリストの予測ツールである一方、Lokadはそのアーキテクチャ、アルゴリズム、事例がサプライチェーンの経済性と不確実性に密接に連動した専門的な意思決定最適化プラットフォームです。どちらを選ぶかは、「より容易に予測モデルを構築する必要があるか」（その場合、Pecanが有力）か、「経済的パフォーマンスのために複雑で不確実なサプライチェーンの意思決定を最適化しなければならないか」（その場合、Lokadのアプローチが構造的に適しているか）によって判断されるべきです。

出典

  1. Pecan AI Raises $66 Million Series C Round to Advance AI Automation in Predictive Analytics — BusinessWire, Feb 2, 2022 (accessed Nov 2025) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  2. Israeli Predictive Analytics Startup Pecan Raises $15M to Democratize Data Science — NoCamels, Jan 2020 (accessed Nov 2025) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  3. Predictive analytics platform Pecan raises $66m in series C funding — The Jerusalem Post, Feb 2022 (accessed Nov 2025) ↩︎ ↩︎ ↩︎ ↩︎

  4. Pecan AI が6,600万ドルのシリーズCを調達し、より多くの企業が予測分析を利用できるように — Built In NYC, 2022年2月 (参照：2025年11月) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  5. Pecan AI Introduces Predictive GenAI to Transform Enterprise AI Efforts — BusinessWire, Jan 17, 2024 (accessed Nov 2025) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  6. Announcing Predictive GenAI in Pecan — Pecan AI blog, Jan 17, 2024 (accessed Nov 2025) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  7. Pecan AI Introduces Predictive GenAI to Transform Enterprise AI Efforts — TDWI, 2024 (accessed Nov 2025) ↩︎ ↩︎ ↩︎ ↩︎

  8. Predictive GenAI Could Accelerate Business AI Adoption — FutureOfWorkNews, Jan 2024 (accessed Nov 2025) ↩︎ ↩︎ ↩︎

  9. Pecan’s Data Science: A Peek Behind the Scenes — Pecan Help Center (accessed Nov 2025) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  10. Pecan AI が DemandForecast.ai を開始し、GenAI搭載のサプライチェーンインサイトで1兆ドル規模の予測ギャップを解消 — PR Newswire, 2025年8月28日 (参照：2025年11月) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  11. DemandForecast.ai — GenAI搭載のサプライチェーンリーダー向け需要予測 — DemandForecast.ai 製品サイト (参照：2025年11月) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  12. Pecan AI が DemandForecast.ai を開始し、1兆ドル規模の予測ギャップを解消 — AI TechPark, 2025年8月 (参照：2025年11月) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  13. Pecan AI が DemandForecast.ai により1兆ドル規模の予測ギャップを解消 — Third-News, 2025年8月 (参照：2025年11月) ↩︎ ↩︎ ↩︎

  14. Pecan AI が DemandForecast.ai を開始し、サプライチェーン予測を革新 — TechIntelPro, 2025年8月 (参照：2025年11月) ↩︎ ↩︎ ↩︎