市場調査に戻る
Algonomyは、需要予測、補充、商品管理、サプライヤー連携、顧客データ、ECのパーソナライゼーションに対応する小売ソフトウェアを提供する。Order Rightは購買と移送の推奨を生成し、Vendor Linkは小売業者とサプライヤーをつなぐ。ADAは2026年7月にAlgonomyの買収を完了し、統合事業をADAブランドの下にまとめつつある。(1, 2)
サプライチェーン総合評価:3.9/10
| 評価軸 | 評点 |
|---|---|
| サプライチェーンの掘り下げ | 3.6/10 |
| 意思決定と最適化の実質 | 4.4/10 |
| 製品とアーキテクチャの一貫性 | 4.2/10 |
| 技術的透明性 | 4.2/10 |
| ベンダーの真剣さ | 3.2/10 |
Order Rightの処理は明確だ。商品需要を予測し、補充制約を適用し、発注推奨を返す。公開資料は小売の制約や業務システムとの連携を説明する一方、中心となる経済計算を説明していない。需要と供給の不確実性が重なる状況で、競合する発注をどう評価するのかは確認できない。多数の予測アルゴリズムを集めても、この不足は埋まらない。
発信内容は、この弱点をさらに重大なものにしている。ADAは、解釈に必要な定義を示さずに需要予測精度97%を宣伝する。Algonomyの歴史も、2017年に発表された人間のような分析アシスタントから現在のエージェント型の位置付けまで続くが、約束と削減された業務を結ぶ継続的な測定は乏しい。最も明確な生産性の証拠はサプライヤー事務に関するもので、補充の数値エンジンは依然として検証しにくい。(3, 5, 10, 15)
AlgonomyとLokadの比較
実務上の違いは、何を買い、移送し、値引きするかを決めるロジックを誰が書き、保守するかにある。Algonomyは、同社のエンジニアが設定し、データ、アプリケーション、モデリングの専門家が支援するパッケージ型の予測・補充モジュールを提供する。小売業者は運用方針を示し、推奨を修正できる。商品管理の製品群は、カテゴリー担当チーム向けに分析画面と対話インターフェースを加える。(2, 13)
Lokadの定量的サプライチェーンの手法は、不確実性の下で金銭的に評価された実行可能な意思決定を中心にサービスを組み立てる。サプライチェーンサイエンティストがデータを整え、意思決定ロジックを定式化し、監視を実装し、マネージドサービスの中で本番プロセスを保守する。経済的な優先順位と利用可能な行動は、その継続保守される計算の一部となる。
棚スペースとサプライヤーからの配送を共有する生鮮品を考える。発注頻度を高めると廃棄を減らせる一方、輸送費と荷受け費用は増えうる。ある商品を値引きすると、別の商品から需要を奪う可能性もある。工学的課題は、こうした相互に結び付いた行動と、その不確かな金銭的結果を比較することだ。Algonomyは予測入力、発注制約、商品管理機能を説明するが、これらのトレードオフを解決する共通計算は公開していない。
どちらのサービスも、事業の変化に応じて保守が必要になる。重要なのは、誤った意思決定ルールを直し、品揃え全体で試験し、修正を本番導入するための労力である。LokadのIntroduction to Supply Chainはこの経済的な見方を説明している。ただし、その実装も、意思決定の改善と継続業務の削減によってサービス費用を正当化しなければならない。
Order Rightが計算するもの
Order RightのFAQは、SKU・拠点単位の多変量予測を説明する。情報の少ない系列には階層的手法を使い、候補モデルから自動選択する。出力には店舗購買、倉庫購買、移送が含まれ、ExcelまたはERPの購買発注インターフェースを通じて渡される。(2)
2022年のデータシートは、意思決定段階をもう少し詳しく説明している。予測は独自の補充アルゴリズムに入り、期限切れ、保存期間、リードタイム、最低発注量、最低陳列量、発注頻度を考慮する。利用者はリスク水準を選び、予想される廃棄量をモデル選択に含めることもできる。これらは有用な制御項目だが、金銭的目的関数、リスク設定の背後にある確率モデル、商品間で希少資源を調整するアルゴリズムは示されていない。(3)
予測が妥当でも推奨が悪い場合、この違いは重要になる。ケース単位の数量が経済的に望ましい量を上回ることがある。わずかな販売可能性の低下を許容すると、失う粗利以上に廃棄費用を節約できる場合もある。共用トラックや予算制約があれば、個別には最良の発注が資源利用として劣ることもある。補充エンジンには、これらの意思決定を明示的に価値評価する仕組みが必要だ。予測を改善するだけでは得られない。
食品小売向けの製品ページは、販促による変動、気象予測変数、設定可能な配送カレンダー、商品別の期限アラートを説明する。予測ページは、類似商品間のカニバリゼーションも予測すると述べる。しかし、販促によって新たに生じた需要と、商品間で移動した売上を切り分ける公開実験はない。この区別によって、販促商品の在庫が利益を生むのか、同じ売上を移すだけなのかが決まる。(4, 5)
供給の不確実性は未解決
公開FAQは、契約上のリードタイムと予定到着日を入力として挙げる。東南アジアの食品小売事例は、アプリケーションが供給パラメーターを動的にモデル化し、複数階層にまたがる在庫を調整すると述べる。いずれも、実際の受入日の分布、相関する欠品、上流の不確実性が下流の購買をどう変えるかを説明していない。(2, 6)
サプライヤーからの納入遅延は複数店舗を同時に襲いうる。その間、販促は需要と代替購買の両方を変える。拠点ごとに需要を予測し、リードタイムのパラメーターを更新するだけでは、こうした複合リスクの経済的処理を示せない。不足しているのは、起こりうる結果を扱う校正済みモデルと、発注計算との接続を示す証拠である。
AlgonomyはDatabricksのコンサルティングで確率的需要モデルを宣伝する。この個別サービスは、分布や校正の詳細を公開せず、Order Right内部のモデルも特定していない。これらのモデルと本番の発注計算との関係は説明されていない。(9)
計画上の問題を隠す精度の主張
ADAの予測ページは、**需要予測精度97%**と掲げる。誤差式、予測期間、集約方法、重み付け、除外条件、サンプル外評価は示されない。別の事例も、店舗、商品、SKUの各水準で95%を超える精度を主張するが、やはり測定を定義していない。予測品質を売りにする製品としては重大な欠落である。(5, 23)
過去の小売予測コンペM5は、定義の欠落がなぜ重要かを示す。主催者が公開した上位50件の点予測提出について、最後の28日間で100 × (1 − WAPE)を再計算すると、**SKU・店舗・日単位では約22.1–25.1%**となる。一方、**商品と店舗を日ごとにまとめると95.8–98.2%となり、日付もまとめれば総合優勝者は約99.8%**に達する。これは公開予測を診断目的で再計算した結果であり、M5公式の評価指標ではない。(8)
集約すると、見栄えのする割合と、補充判断が行われる場所での大きな誤差が共存できる。物理的には相殺できない不足と余剰を、計算上相殺してしまうからだ。ある店の余ったヨーグルトは、別の店でパンを探す客を満足させない。Algonomyの97%がこの範囲のどこに当たるのかは分からず、したがってSKU単位で使える精度も経済効果も示していない。
東南アジアの事例は別の主張をする。SKUの90%で予測が改善したというものだ。これは改善した系列の割合であり、予測精度90%ではない。事例は欠品と在庫の削減も述べるが、予測の変化をそれらの結果に結び付ける再現可能な評価を示していない。(6)
有用な検証では、関連する発注期限より前に予測を固定し、行動の対象となる商品・拠点・期間で評価し、結果の発注を粗利、廃棄、販売可能性、荷扱い費用まで追跡する。この文脈を除いた高い精度率は、まさに誤った調達評価基準を促してしまう。
技術史:対話型知能からエージェントへ
2017:Mayaと、人間のような分析という約束
Manthanは2017年1月、業務分析用のAI対話エージェントとしてMayaを発表した。発表文は、企業分析と人間を相手にするように対話できること、役割に応じた回答、継続学習、Amazon Alexaとの連携を述べた。発表の場として小売業界のNRF展示会が予定されていた。(10)
開示された仕組みは、分析への対話型の入口だった。発表文は、信頼できるタスク範囲、失敗率、自律的な業務判断、測定された省力効果を記録していない。知能をうたう表現は、提示された証拠を大きく超えていた。現在のLLMの能力をもって、過去の主張を遡って裏付けることはできない。
2021–2022:統合プラットフォームと数千のアルゴリズム
2021年のRichRelevanceとManthanの合併発表は、小売の統合意思決定プラットフォームと、業務全体にわたる300超の既製アルゴリズムを宣伝した。具体例の中心は、パーソナライゼーション、顧客活性化、分析、商品業務だった。(11)
2022年1月、Algonomyは承認を条件としてLinear Squaredの予測事業を買収する意向を発表した。同年後半、Order Rightのデータシートは、予測に基づく自動補充を説明した。(12, 3) これによりサプライチェーン製品の提案は具体化したが、最適化の定式化や金銭的な意思決定ルールは公開されなかった。
現在のFAQは、2,000超の予測アルゴリズム候補と、従来手法に対する少なくとも20パーセントポイントの一般的優位を宣伝している。(2) アルゴリズムの数は、手法の多様性も未知データでの性能も示さない。候補を増やすと検証と保守の手間が増える可能性があり、多くの商品履歴に乏しい情報しかない場合は特に問題となる。
2026:エージェントの言葉、変わらない業務手順
ADAの現在の供給計画ページは、Mayaが業務上の質問に答え、行動を推奨すると説明する。補充ページは予測をGenAI駆動と呼ぶようになったが、データ統合、需要予測、発注生成、アラートへの対応という順序を引き続き説明している。生成モデルが数値的な需要予測に何を貢献するのかを特定する公開技術説明はない。(13, 25)
サプライヤー連携は、Vendor LinkとATLASを通じて別途宣伝される。導入登録、予測共有、購買発注交換、出荷検証、請求書照合、販促連携などだ。(14) これらは自動化可能だが、追加の生産性をエージェントに帰するには、既に提供されていた業務自動化との比較が必要になる。
歴史的な問題は、次々と現れる主張の成果責任が未解決なことだ。Mayaの対話型という前提は九年後も残るが、計画業務全体をどれだけ減らすのかは、なお示されていない。機械学習から生成型、エージェント型への名称の移行は、補充計算そのものの変化よりはるかに明確である。
生産性、設定の保守、総保有コスト
事務作業が削減された具体的証拠はある。Keellsの事例は、Algonomyのサプライヤープラットフォームを導入したKANEが、繰り返すデータ抽出、メール交換、手動照合を、共有データと電子ワークフローに置き換えたと説明する。サプライヤー登録は92%、商品登録は85%速くなったと報告している。(15)
数百のサプライヤーを調整する小売業者にとって、この改善は重要だ。対象は取引事務であり、現在のATLASの位置付けより前に記録されている。予測と購買ロジックの保守に必要な人的作業が減ったことを示すものではない。
Order Rightでは、利用者が発注頻度を定める。食品小売向け製品は、スケジュール規則、モデル選択基準、商品ごとのアラート閾値も公開している。(2, 4) それぞれが保守対象の仮定となる。サプライヤーカレンダーの変更は、在庫のカバー期間、期限切れリスク、アラート件数を変えうる。ある商品の設定改善が、別の場所の負担を増すこともある。
したがって費用には、データ変更を調べ、制約を見直し、推奨品質を確かめ、ERPとの対応付けを保守する人々が含まれる。ベンダーの専門家が一部を担っても、その継続的な労力は総保有コストに含める必要がある。公開資料は、残る計画担当者の時間や、変更一件当たりの技術作業量を定量化していない。
対話による回答は調査を速められる。より大きな生産性向上は、修正が試験済みの実行可能なロジックとなり、影響するすべての商品に適用されるときに得られる。Algonomyの公開計画資料は、方針変更の版管理、修正した意思決定の履歴再生、数値エンジンの制御されたロールバックを示していない。安価に継続改善できるという証拠は限定される。
ソフトウェアの部品構成
証拠からは、複数の異なる製品環境と提供環境が確認できる。
| 製品または業務 | 文書化された構成要素 | 時期と範囲 |
|---|---|---|
| Order Right | Microsoft Azure、顧客専用テナントの準備 | 現在の製品FAQ。(2) |
| 製品展開と分析データウェアハウス | SQL手続き、データベース調整、ETL。要求スキルにはT-SQL/PL-SQL、SSISも含む | 2026年11月に確認した雇用主のDatabase Programmer求人。モジュールは未特定。(16) |
| リアルタイムCDPの開発 | Java/Scalaサービス、DynamoDB、SQS、S3、Lambda、EC2を含むAWSサービス | rCDPチーム向けにAlgonomyの採用担当者が過去に掲載した投稿。(17) |
| データとAIのコンサルティング | Azure上のDatabricks、Delta Lake、Unity Catalog、Workflows、ベクトル検索 | 顧客データ基盤案件を含む現在のサービス構成。(9) |
| Active Contentの拡張 | JavaScript、外部HTTP API、内部Data Model Extensions | 現在のCodeFusion開発者文書。(19, 20) |
運用負担は、これらの環境の境界にある。小売取引が分析と補充へ移る際、商品識別、単位、販促日付、在庫の意味は整合していなければならない。コピーや変換を増やすたびに、監視、復旧、数値が食い違った場合の責任者が必要になる。
コンサルティングの技術構成は、別個のデータ基盤ライフサイクルを導入する。取り込み、保存、アクセス方針、計算のオーケストレーション、モデル配備である。その費用は、改善した意思決定によって正当化しなければならない。Databricksの基盤と能力はDatabricksのものであり、Algonomy自身の工学的貢献は、小売モデル、連携、測定された運用改善に現れる必要がある。
公開アーキテクチャ資料は、顧客データ製品とサプライチェーン製品をまたぐ、販促から発注までの完全な計算を追跡していない。ブランド共有とデータ交換だけでは、重要な問いが残る。需要創出、在庫、値下げの優先事項が衝突した際、どの構成要素が経済的な意思決定を担うのか。
セキュリティ:拡張コードには強制的な境界が必要
顧客プロファイルAPIは、リソースの範囲と有効期限を持つOAuthトークンを文書化している。これはデータアクセスに対する具体的な制御である。(18) Order Rightのテナント説明は配備の背景を示すが、サポートの特権アクセス、破壊的変更からの復旧、隔離の強制についての詳細は少ない。
Active Contentには、より具体的な懸念がある。CodeFusionエディターでは、利用者がJavaScriptを書き、内部データモデルにアクセスし、外部APIを呼べる。作成ガイドは顧客プロファイル取得の例を示し、テストガイドは結果を確認してから保存・公開するよう案内している。(19, 20, 21)
文書化されたネットワークとデータへのアクセスがある以上、封じ込めは不可欠だ。誤ったスクリプトや侵害された連携は、業務レコードを一切変更しなくても顧客情報を漏えいできる。公開ガイドは、強制的な接続先制限、秘密情報の分離、スクリプト単位のデータ権限、テナント間の実行隔離、リソース上限、本番への独立した承認を説明していない。
POST APIガイドは、遠隔システムの変更ではなく取得が目的だと述べる。しかし、その制限を接続先サービスに対してどう強制するのかは説明せず、要求と応答のログ機能を提供している。(22) 入ってきた要求の結果は遠隔サービスが決める。意図した用途の宣言は、アクセス境界の代わりにならない。
この懸念はActive Contentの拡張部分に当てはまる。文書はOrder Right利用者がJavaScriptを実行すると示してはいない。ただし、製品群全体のプログラム可能性に、テスト手順や利用者の注意以上のセキュリティ説明が必要な理由は明らかになる。
顧客成果と経済的責任
中東の食品小売事例は、試験導入と見出しの外挿を分けている点で特に有用だ。旗艦店一店舗の三部門で、在庫が21%、欠品発生が9%減ったと報告する。見出しの6,000万ドルは、300超の店舗へ展開した場合の見込みである。(7)
有益な試験導入である可能性はあるが、全店の数値は実現した収益ではない。対象部門は在庫の増加が特に大きかったため、展開を広げるには初期改善が一般化できる証拠が必要になる。説明には、観察期間、金銭的な基準値、導入費と運用費、ソフトウェアの効果を他の変更から切り分ける方法が公表されていない。
同じ事例は、データ統合から二週間後に稼働準備が整ったとする。これは導入の相当部分になりうる作業を、宣伝する期間から除いている。時間と費用の評価には、データ準備と継続保守を含めなければならない。
複数業態を持つ小売業者の事例は、定義のない95%の精度とともに、値下げと移送の改善を報告する。需要のある店舗へ在庫を移すことには意味があるが、移送在庫の価額は利益ではなく、回避できたと推定する売上損失も利益ではない。(23) 増分粗利の計算には、移送費、置き換えられた売上、値下げ、売れ残り在庫を含める必要がある。
Algonomyの公開事例は、純経済的な失敗条件、範囲の限定された顧客義務、期待外れの成果を修正する責任を定義していない。そのため経済的提案は反証しにくい。また、公開された成功例から、複数導入にわたる期待収益を信頼できる形で推定することもできない。
サプライチェーン評価
サプライチェーンの掘り下げ
| 評価項目 | 評点 |
|---|---|
| 経済的な問題設定 | 3/10 |
| 意思決定の最終到達点 | 6/10 |
| サプライチェーンに関する概念の明確さ | 4/10 |
| 時代遅れの中心的な考え方からの独立 | 4/10 |
| KPIによる見せかけへの耐性 | 1/10 |
平均:3.6/10
経済的な問題設定 — 3/10。 廃棄と在庫費用は提案に含まれるが、発注エンジンの金銭的目的関数は未公開だ。したがって、資金、棚、輸送の競合する使途には、検証可能な価値評価ルールがない。(3)
意思決定の最終到達点 — 6/10。 購買と移送の推奨にはERPへの実行経路がある。これは実用的な業務出力だが、導入全体で承認と例外処理がどれだけ残るかは公開証拠から分からない。(2)
サプライチェーンに関する概念の明確さ — 4/10。 保存期間、包装単位の制約、販促、代替は具体的に扱われる。しかし、入力や機能として扱うだけでは、システム全体の経済的相互作用は未解決のままだ。(3, 4)
時代遅れの中心的な考え方からの独立 — 4/10。 発注自動生成は表計算による計画への依存を減らす。中心設計はなお、予測してから設定済みの補充を行う方式であり、方針選択が経済判断の大部分を担う。(2, 25)
KPIによる見せかけへの耐性 — 1/10。 定義されない97%と95%の精度は、意味のある評価を妨げる。SKU・拠点の発注期間における精度も、経済的に優れた意思決定も裏付けられない。(5, 23)
意思決定と最適化の実質
| 評価項目 | 評点 |
|---|---|
| 確率的モデリングの深さ | 2/10 |
| 最適化または機械学習の独自の実質 | 4/10 |
| 現実の制約への対応 | 6/10 |
| 意思決定の自動化と労働生産性 | 6/10 |
| 現実の業務の複雑さに対する耐性 | 4/10 |
平均:4.4/10
確率的モデリングの深さ — 2/10。 コンサルティングの提案には確率的需要モデルへの言及がある。Order Rightの公開説明には、需要と供給の結合結果を校正し、発注の価値評価へ使うことを示すものがない。(9, 3)
最適化または機械学習の独自の実質 — 4/10。 階層的モデリングと自動モデル選択により、予測手法の輪郭は分かる。候補数と独自オプティマイザーだけでは、独自の数値的貢献を評価しにくい。(2)
現実の制約への対応 — 6/10。 補充文書は、小売の具体的な制限を複数扱う。未解決なのは、個別には実行可能な計画が競合した際に、緩和可能な制約をどう比較し、共通資源を配分するかである。(3)
意思決定の自動化と労働生産性 — 6/10。 発注生成とKeellsで記録されたサプライヤー業務は、反復作業を削減する。新しいアシスタントには、既存の自動化を超える追加の省力効果を示す測定がない。(2, 15)
現実の業務の複雑さに対する耐性 — 4/10。 製品ライフサイクル設定と変更可能な予測変数は、適応の手段になる。目的、データの意味、利用可能な行動の変更は依然としてベンダーの介入に依存し、再現可能な試験と導入についての公開説明はない。(2)
製品とアーキテクチャの一貫性
| 評価項目 | 評点 |
|---|---|
| アーキテクチャの整合性 | 4/10 |
| システム境界の明確さ | 5/10 |
| セキュリティへの真剣さ | 3/10 |
| ソフトウェアの簡素さと総保有コスト | 4/10 |
| プログラムおよびエージェント支援による運用への適合性 | 5/10 |
平均:4.2/10
アーキテクチャの整合性 — 4/10。 製品別文書は稼働する構成要素を特定する。異なるデータ環境と実行環境をまたぐ共通の経済的意思決定ロジックについては、公開説明がない。(16, 17)
システム境界の明確さ — 5/10。 発注の引き渡しとサプライヤー取引の役割は理解できる。モジュール間のデータ照合や、競合する商品判断への責任は、より不明確である。(2, 14)
セキュリティへの真剣さ — 3/10。 顧客データには範囲を限定した認証が文書化されている。実務者が書く拡張コードの封じ込め境界は説明が乏しく、計画製品に固有の復旧と特権アクセスの仕組みも不透明なままだ。(18, 19, 20, 21)
ソフトウェアの簡素さと総保有コスト — 4/10。 展開とサービスの説明は、多大なデータエンジニアリングと設定作業を示す。公開事例はその継続作業を定量化せず、意思決定の追加価値に対して費用を正当化していない。(2, 9)
プログラムおよびエージェント支援による運用への適合性 — 5/10。 API、エクスポート、スクリプトによる商取引連携は、自動化の接点を提供する。計画エンジンの目的や修正過程は、プログラムによる改善にははるかにアクセスしにくい。(18, 20, 24)
技術的透明性
| 評価項目 | 評点 |
|---|---|
| 公開技術文書 | 5/10 |
| ベンダーの仲介なしで検証できること | 4/10 |
| 移行可能性と依存関係の可視性 | 4/10 |
| 導入方法の透明性 | 5/10 |
| 技術的主張を支える証拠の密度 | 3/10 |
平均:4.2/10
公開技術文書 — 5/10。 顧客データとActive ContentのAPIには充実した文書がある。サプライチェーン手法に与えられているのは製品FAQとデータシートであり、同等の数値的文書ではない。(18, 2, 3)
ベンダーの仲介なしで検証できること — 4/10。 連携の動作は公開情報から調べられる。発注の価値評価、不確実性の校正、アルゴリズム変更は、公開資料から独立に再現できない。(2, 18)
移行可能性と依存関係の可視性 — 4/10。 発注エクスポートと文書化された顧客データ送信先は、レコードの移動を容易にする。学習済み補充ロジック、設定依存関係、完全な意思決定履歴のエクスポートについては、同等の説明がない。(24)
導入方法の透明性 — 5/10。 製品文書と顧客事例は、データ統合と業務変更を説明する。継続保守、受入試験、問題修正の責任についての可視性は低い。(2, 15)
技術的主張を支える証拠の密度 — 3/10。 業務事例は特定の機能を裏付ける。最も野心的な精度と知能の主張には、実験的な証拠が乏しい。(6, 7, 5)
ベンダーの真剣さ
| 評価項目 | 評点 |
|---|---|
| 公開発信の技術的真剣さ | 3/10 |
| 技術ロードマップの一貫性 | 3/10 |
| 概念の明確さ | 3/10 |
| 経済成果への責任 | 3/10 |
| エージェント型ソフトウェア時代の競争力の持続性 | 4/10 |
平均:3.2/10
公開発信の技術的真剣さ — 3/10。 有用な製品説明と、未定義の精度、アルゴリズム数、説明のない生成型予測の主張が共存する。これらの主張は、製品の中心的価値提案の慎重な評価を妨げる。(5, 11, 25)
技術ロードマップの一貫性 — 3/10。 日付のある記録から、補充製品とサプライヤー製品が提供されたことは確認できる。繰り返される対話型知能の約束には、能力と生産性がどう進んだかを測定した説明がない。(10, 13, 14, 15)
概念の明確さ — 3/10。 公開説明は、予測精度、次の行動の提案、経済的最適化を繰り返し同じものとして扱う。それぞれの要件の違いこそ、信頼できる購買エンジンにとって重要である。(13, 25)
経済成果への責任 — 3/10。 顧客事例は業務指標の変化を報告するが、純収益と失敗条件は未定義のままだ。試験導入の外挿や移送在庫の価額では、より広い経済的約束を果たしたことにならない。(7, 23)
エージェント型ソフトウェア時代の競争力の持続性 — 4/10。 導入済みの連携と業務固有のワークフローには価値が残る。対話インターフェースはますます再現しやすくなるため、持続的な差別化には、優れた意思決定と、それを生むロジックの安価な保守が必要だ。(14, 15)
出典
すべての出典を2026年11月4日に確認した。公開日が分かるものは記載している。日付のない文書は、今回確認した公開版を指す。
ADAによるAlgonomy買収。2026-07-30。買収完了とADAブランドへの統合。
Order RightのFAQ。日付なし、2026-11-04閲覧。予測、実行経路、設定、支援、配備。
Order Rightのデータシート。URLのディレクトリは2022-06。予測に基づく補充、制約、リスク選択、廃棄基準。
食品小売向けOrder Right。日付なし。食品小売のスケジュール、販促効果、アラート設定。
ハイパーローカルな精度の需要予測。日付なし。未定義の97%精度と予測ワークフロー。
東南アジアの食品小売業者。日付なし。予測改善の対象範囲と多階層補充の事例。
中東の食品小売業者が$60Mの在庫削減効果を予測。日付なし。単一店舗での試験導入、報告された改善、全店への外挿。
M5コンペの手法と提出物。固定されたリポジトリのコミット。集約比較に使用した主催者公開の予測提出物。
データとAIによる意思決定インテリジェンスサービス。日付なし。コンサルティング固有の確率的予測とDatabricks構成。
ManthanによるMaya発表。2017-01-16。当時のMaya発表とAlexaインターフェース。
Algonomyの発足。2021-01-19。合併完了、プラットフォーム範囲、アルゴリズムの主張。
Linear Squared事業の買収意向。2022-01-05。提案された買収と予測機能の拡張計画。
供給計画とMaya。日付なし。現在のMayaと商品管理ワークフロー。
サプライヤー連携とATLAS。日付なし。Vendor LinkとATLASの業務に関する主張。
Keellsのサプライヤー連携事例。URLのディレクトリは2024-06。実名の導入事例、サプライヤー事務、ワークフロー変更。
[16] AlgonomyのDatabase Programmer採用
AlgonomyのDatabase Programmer採用。日付なし、2026-11-04閲覧。分析データウェアハウスと製品展開に関する雇用主の要件。
AlgonomyのrCDP開発者採用。過去の採用担当者投稿。特定チームのクラウドとソフトウェアに関する過去の採用証拠。
顧客プロファイルAPIの概要。現行文書。顧客プロファイルの認可範囲とトークン動作。
CodeFusionスクリプトの作成。現行文書。利用者が書くJavaScriptと公開手順。
CodeFusionスクリプトの開発。現行文書。内部データへのアクセスと外部API機能。
CodeFusionスクリプトのテスト。現行文書。手動テスト、保存、公開の手順。
CodeFusionのPOST API。現行文書。取得専用という用途の宣言とログ動作。
複数業態の小売業者の商品計画。日付なし。精度、値下げ、在庫移送に関する主張。
Amazon S3の送信先設定。現行文書。データエクスポート先の設定。
現在の需要予測と補充。日付なし。現在の生成AIという表示と補充ワークフロー。