Lanner のレビュー：サプライチェーンソフトウェア・ベンダー

著：Léon Levinas-Ménard
最終更新: 2025年11月

市場調査 に戻る

Lanner Group Ltd（現在は Royal HaskoningDHV の Twinn ポートフォリオの一部）は、英国を拠点とするシミュレーションソフトウェア編集会社で、その中核製品である WITNESS は、工場、倉庫、サービス運用、ビジネスプロセスのデジタルツイン構築に用いられる長年の離散事象シミュレーション（DES）および「予測シミュレーション」環境です。Lanner のテクノロジースタックは、大規模データ中心の予測ではなくモデル中心のシミュレーションに焦点を当てており、ユーザーはプロセスモデルを構築し、到着パターン、サイクルタイム、リソースルールでパラメータ化した上で、様々なシナリオ下での性能を評価するために多数の確率的レプリケーションを実行します。時とともに、Lanner は WITNESS に Experimenter/Optimizer モジュール、2D/3D アニメーション、外部コード（C++, .NET, Python）への API を拡張し、ARIS や Sparx Enterprise Architect などの BPM/BPSim ツールに DES を組み込むための L-Sim シミュレーションエンジンを開発しました。2019 年の買収以降、Lanner のソフトウェアは Twinn ブランドの一部として、製造、医療、エネルギーなど他の垂直分野と並んで、サプライチェーン＆物流を含む広範な「デジタルツインと予測シミュレーションスイート」の一部として市場に投入されています。実際、Lanner のソリューションは、日常の在庫補充や価格決定のための常時稼働型・高頻度の最適化ツールではなく、ライン、配送センター、サービスシステムの設計または再構成といったプロジェクト形式・シナリオベースの分析に展開されます。技術的観点からは、WITNESS と L-Sim は成熟し、十分に文書化されたシミュレーションエンジンであり、学術利用や安定したデスクトップ中心の展開実績がありますが、その「AI」や最適化の主張は、最先端の機械学習や統合確率的意思決定最適化ではなく、古典的な DES、入力モデリング、実験、シナリオパラメータに対する探索を反映しているに過ぎません。

Lanner の概要

Lanner Group は、英国に本社を置く離散事象および予測シミュレーションソフトウェアの専門企業であり、旗艦製品は WITNESS、そして Java ベースのシミュレーションエンジン L-Sim は第三者の BPM および BPSim ツールに組み込まれています.12 同社の歴史は、1970年代後半の British Leyland のオペレーショナルリサーチグループ、及び AT&T Istel にまで遡り、そこで初期の対話型視覚シミュレーションツール（SEE WHY）が開発され、後に WITNESS へと進化しました.13 WITNESS は、製造、物流、医療、サービスシステムのモデリング向け汎用 DES プラットフォームとして位置付けられ、2D/3D アニメーションや、パラメータの組み合わせを網羅してシステム設計を改善するための Experimenter モジュールを備えています.456 2019 年に Lanner が Royal HaskoningDHV に買収された後、ソフトウェアは他のアナリティクスやデジタルツイン製品とともに、「Twinn」予測シミュレーション・デジタルツインスイート内で市場展開されています.78910 Twinn の公開資料では、物理的アセット、プロセス、リソースを単一のシミュレーションモデルに結合し、設計や方針の実施前に耐性を検証するデジタルツインが強調され、サプライチェーン＆物流、食品＆飲料といった垂直市場向けに、倉庫のスループット解析、生産スケジューリング、在庫戦略テストといったユースケースが紹介されています.71112 なお、WITNESS は主にモデル駆動型・デスクトップ中心のシミュレーション環境であり、歴史的・運用上のデータはユーザー定義モデル内のパラメータや分布として用いられるに留まっています。

Lanner 対 Lokad

Lanner (Twinn) と Lokad はいずれも「サプライチェーンおよびオペレーションの最適化」という広範な領域に位置付けられていますが、そのアプローチ、アーキテクチャ、典型的なユースケースは根本的に異なります。

モデル中心のシミュレーション vs. データ中心の最適化。 Lanner の WITNESS は離散事象シミュレーション環境であり、核心となる成果物は、アナリストが構築する明示的なプロセスモデルで、エンティティ、リソース、キュー、ルーティングロジック、到着や処理時間の統計分布を含みます.41314 ユーザーは、多数のレプリケーションやシナリオ検証（Experimenter/Optimizer を通じて）を実行し、レイアウト、スタッフレベル、運用ルールの違いによって、稼働率、スループット、待ち時間、サービスレベルなどのパフォーマンス指標を観察します.4615 これに対し、Lokad はクラウドネイティブなデータ中心プラットフォームで、大規模な履歴取引データ、在庫状況、基礎データを取り込み、ドメイン固有言語（Envision）と確率的最適化アルゴリズムを用いて、確率的な需要予測および最適な補充・生産・価格決定を生成します。Lokad は、不確実性を明示的なイベントレベルのプロセスフローを構築するのではなく、主に需要とリードタイムの予測分布としてモデル化します。

プロジェクト形式のシナリオ検討 vs. 日次の意思決定パイプライン。 WITNESS は通常、プロジェクトの文脈、すなわち新工場の設計、倉庫の再構成、S&OP キャパシティプランの検証、または提案された運用ルール変更のストレステストに使用されます。Twinn の事例では、Mars Chocolate North America のライン構成評価、パリ近郊の Carrefour 配送センターの新レイアウトと制御ロジックのテスト、イタリアの化粧品ブランド L’Erbolario のためのエコ倉庫設計などに WITNESS モデルが用いられています.16171819 これらの調査はオフラインで実施され、しばしば専任のシミュレーション専門家によって行われ、その結果は推奨設計や方針として報告されます。一方で、Lokad の導入は設計上、繰り返し行われるバッチパイプライン（通常は日次）として実施され、最新の運用データに基づいて予測および最適化結果を再計算し、ERP/WMS システムへプッシュ可能な優先順位付き意思決定リスト（発注、在庫移動、価格変更）を生成します。Lanner がシステムの構造や運用方法の「如何にあるべきか」を決定するのに対し、Lokad はその構造に基づいて「今日何を購入し、移動し、価格設定するか」を決定することを目指しています。

不確実性処理の粒度。 WITNESS では、不確実性は通常、到着、サービス時間、故障などの確率分布に基づく古典的な DES 入力モデリングを通じて表現され、これがプロセスのモンテカルロシミュレーションに利用されます.1420 システム全体のパフォーマンス指標（スループット、キュー、稼働率）に焦点が当てられるのに対し、Lokad は SKU × ロケーション × 時間の粒度での需要と供給の確率分布に重点を置き、保管費、欠品ペナルティ、陳腐化費用といった経済的要因を用いて各意思決定の期待される財務成果を計算します。Lanner の最適化は主にシステム設計とパラメータ調整（例：バッファサイズ、スタッフレベル）を目的とするのに対し、Lokad の最適化は不確実性下での日次在庫レベルと割り当てに注力しています。

技術とユーザーの役割。 WITNESS は、ドラッグ＆ドロップによるモデリング、内部スクリプティング、必要に応じて C++、C#、VB.NET、Python などの外部コードライブラリを呼び出すことが可能な Windows ベースのシミュレーション環境です.47 これは、フローやロジックのモデリングに慣れた産業エンジニア、プロセスアナリスト、シミュレーション専門家を対象としています。一方、Lokad はウェブアプリケーションを通じてアクセスされ、Envision DSL を用いて「サプライチェーン科学者」がデータ変換、需要予測モデル、最適化ロジックを表現し、プランナーは主にダッシュボードや意思決定リストを通して操作します。どちらも専門的なスキルを必要としますが、WITNESS は DES モデリングに、Lokad はデータエンジニアリングおよび定量的最適化に重きが置かれています。

サプライチェーンにおける範囲。 Twinn のサプライチェーン＆物流向けマーケティングは、倉庫、工場、物流フローの運用設計と改善、すなわちキャパシティプランニング、ボトルネック解析、労働計画、車両フローなどを強調しています.11 事例では、配送センターの運用、輸送ハブ、生産ラインの WITNESS モデルが示されるものの、エンドツーエンドの統合需要予測、多段階在庫最適化、または大規模 SKU レベルの補充が主要機能として記述されていません.16171820 一方、Lokad の範囲は、非常に大規模な品揃えにわたるエンドツーエンドのサプライチェーン意思決定最適化（需要予測、補充、生産計画、割当、価格設定）であり、確率的予測と期待経済価値による意思決定のランク付けに重点を置いています。WITNESS は、配送センターの設計や S&OP プランのテストなど、サプライチェーンプロジェクト内で利用されることもありますが、Lokad の意味する即時投入可能なサプライチェーン計画または在庫最適化システムの代替品とはなりません。

要するに、Lanner/Twinn と Lokad は代替可能というよりも補完的です。WITNESS はプロセスの設計とストレステストのための汎用 DES/デジタルツイン環境として最適であるのに対し、Lokad は繰り返し行われる細分化されたサプライチェーン意思決定に特化したデータ駆動型最適化プラットフォームです。

企業の歴史と所有構造

Lanner Group のルーツは、ウェスト・ミッドランズの自動車産業にあります。同社の歴史は、British Leyland の IT 部門であった BL Systems、次いで ISTEL、さらに AT&T Istel にまで遡り、1978～1980 年にこのグループは、初の商用視覚対話型シミュレーションツールの一つである SEE WHY を開発しました.1613 AT&T Istel からのマネジメント・バイアウトを経て、Lanner Group Ltd は 1996 年に設立され（1995 年には PINCO 741 や SEEWHY Solutions といった旧名称で法人登録されていました）、本社は Henley-in-Arden に置かれ、その後 Birmingham に移転しました.1210 WITNESS は SEE WHY の流れを汲み、1986 年に IBM PC 版が発売され、その後複数回の改訂が行われています.128

Lanner の製品は、WITNESS を基盤としながら、警察向けの PRISM や医療向けの PX-Sim といったニッチなパッケージ、さらには BPM ツールに DES を組み込むための Java ベースのシミュレーションエンジン L-Sim などに拡大しました.12513 1996 年から 2010 年にかけて、プライベート・エクイティ企業 3i が主要な投資家となり、2010 年には NVM Private Equity が 300 万ポンドを投資して 3i の持分を少数株式に切り替えました.12 2019 年1月、Lanner Group Ltd は国際的なエンジニアリング・コンサルティング企業である Royal HaskoningDHV に買収されました.910 M&A データベースでは、当時の Lanner は、物理的アセット、プロセス、リソースを単一のデジタルモデルに結合し、レジリエントな運用とサプライチェーンを実現するための予測シミュレーション専門企業として記述されています.39 買収後も、Lanner の製品は Royal HaskoningDHV の Twinn デジタルツインブランドに統合され、Lanner Group Ltd は英国を拠点とする法人として存続しています（Companies House の登録では、事業ソフトウェア開発および IT サービスの SIC コードの下で活動中とされています）。710

商業データベース（D&B、Tracxn、Mergr）によれば、Lanner は数十名から中規模のソフトウェア企業であり、数百名規模ではなく、長い実績とグローバルな流通ネットワークを持つ一方、ハイパースケールな SaaS プレイヤーではありません.2419 全体として、Lanner は成熟したニッチなシミュレーションベンダーとして特徴付けられ、現在はより大きなエンジニアリング・コンサルティング企業に組み込まれています。

製品ポートフォリオと展開モデル

WITNESS 予測シミュレーション＆デジタルツインプラットフォーム

WITNESS は Lanner の中核となる離散事象シミュレーション環境です。製品説明では、工場、倉庫、輸送システム、サービスプロセスの 2D/3D アニメーション化されたモデル構築能力が強調され、機械、バッファ、コンベア、車両、労働者、経路といった内蔵要素が備わっています.41314 本ツールは以下をサポートします：

  • 離散事象、連続、ハイブリッドシミュレーション：時間進行、ランダムサンプリング、統計収集など、DES エンジン特有のメカニズムを備える。
  • グラフィカルなモデル構築：ドラッグ＆ドロップ要素と、ロジック、ルーティング、制御ルール用の WITNESS コードの組み合わせによる。
  • 入力モデリングと統計：乱数生成器、分布フィッティング、データベースやスプレッドシートからのデータインポートを含む。
  • 出力解析：チャート、コストトラッキング、シナリオ管理、ドキュメンテーションツールによる解析。

Experimenter（旧 Optimizer）モジュールにより、ユーザーはバッファサイズ、スタッフレベル、スケジューリングルールなどのパラメータ値の組み合わせというシナリオセットを定義し、並列レプリケーションを実行してパフォーマンス指標を比較することが可能となります.61521 第三者文献では、WITNESS が実験計画法（DOE）、タグチメソッド、遺伝的アルゴリズムといったメタヒューリスティック手法とともに使用される例が示され、外部の遺伝的アルゴリズムエンジンを WITNESS モデルに連携させ、製造プロセスや組立ラインのバランス最適化を図る研究もあります.782221 これは、WITNESS がネイティブな大規模数学的プログラミングではなく、古典的なシミュレーションと探索のセットアップによる実験および最適化のメカニズムを提供していることを示しています。

WITNESS Horizon として市場展開される最近の WITNESS バージョンは、近代化されたユーザーインターフェース、改善された Experimenter、並列実行のサポート、ならびに外部コードライブラリ（C++, C#, VB.NET, Python）との連携を強調し、ユーザーがカスタムロジックを埋め込んだり、他システムと統合したりする柔軟性を提供します.4615 リリースノートや製品ニュースは使いやすさと段階的な性能向上を強調しており、WITNESS 自体がクラウドネイティブなマルチテナントSaaSや統合機械学習パイプラインへと急進的にシフトしているという証拠はありません.615

L-Sim：BPM/BPSim 向け組み込みシミュレーションエンジン

L-Sim は、WITNESS テクノロジーに由来する Java ベースのシミュレーションエンジンで、BPM および BPSim 準拠ツールにプロセスシミュレーションを組み込むために設計されています.1523 2006 年の Winter Simulation Conference での L-SIM に関する論文では、BPMN モデル向けに特化して作られた DES エンジンとして説明され、BPMN および BPSim 仕様で定義されたプロセスモデルの実行に焦点を当て、以下の機能を備えていると述べられています：

  • BPMN/BPSim モデルを読み取り、シミュレーションの意味論にマッピングする。
  • BPSim パラメータに従って、イベント、キュー、リソースを処理する。
  • 稼働率、サイクルタイム、ボトルネックの識別などのパフォーマンス指標を生成する.5

商業的な統合例：

  • IDS Scheer の ARIS Business Simulator：L-Sim が ARIS 内の BPMN モデルのシミュレーションエンジンとして機能する.51311
  • Sparx Systems の Enterprise Architect MDG BPSim Execution Engine：内部で L-Sim を使用して BPSim シナリオを実行する.2322
  • 他の BPM ツールは、BPSim 標準を通じて L-Sim を活用し、プロセスシミュレーションを行っています.7822

このアーキテクチャは、Lanner がエンジンプロバイダとしてのポジショニングを強化するものである。WITNESS はモデリング環境であり、L-Sim はサードパーティの BPM ツールが標準化された方法でプロセスをシミュレートするために使用できる組み込みエンジンである。

展開パターン

公開情報によると、WITNESS は主にライセンスとローカルインストールを伴うデスクトップまたはクライアントサーバー型の Windows アプリケーションとして展開されており、大規模な Experimenter キャンペーンを実行するためにサーバーサイドファームが補完される可能性があります.461514 Twinn のマーケティングはポートフォリオレベルでクラウドおよびデジタルツインのストーリーを強調していますが、最新のウェブネイティブ分析ツールに似た完全なマルチテナント SaaS プラットフォームとして WITNESS が動作しているという詳細かつ独立した証拠は提供されていません。一般的な展開モデルは次の通りです:

  • シミュレーション専門家は、モデルをローカルまたは内部サーバーで構築および実行します.
  • データは ERP/MES/WMS のエクスポートやデータベースからインポートされます.
  • 結果は、直接のトランザクション自動化ではなく、レポート、ダッシュボード、プレゼンテーションを通じて活用されます.

これは、WITNESS、AnyLogic などのツールが 24 時間365日の運用システムとしてではなく、エンジニアリングプロジェクトで一般的に使用されるより広範な DES エコシステムと一致しています.

サプライチェーンおよび物流における Lanner の活用

対処される典型的なサプライチェーンの問題

Twinn のサプライチェーンおよび物流製品ページでは、WITNESS を以下の問題に対処するツールとして位置付けています:

  • 倉庫および流通センターの設計、コンベヤシステム、ピッキング戦略、オートメーション投資を含む.
  • 工場全体における生産および在庫計画、キャパシティ、バッファサイズ、スケジューリングの決定に焦点を当てる.
  • 輸送および物流フロー、クロスドック作業やキャリア/リソースの割り当てなど.1112

学術および実務の文献は、WITNESS の使用が以下の分野で確認されていることを示しています:

  • 倉庫モデリング、研究者が保管、ピッキング、補充の WITNESS モデルを構築し、レイアウトと制御ポリシーを評価する.1724
  • 空港チェックイン、ガソリンスタンドの待機列、その他のサービス物流、リソース割り当てと待ち行列の動態を評価するために.1312
  • 自動車業界などにおける生産ラインのバランシングおよびレイアウト最適化.2215

これらのユースケースは古典的な DES 応用例であり、WITNESS はプロセスをモデリングし、パラメータ（到着率、サービス時間、スタッフレベル）を変動させ、パフォーマンス指標が観察されます.

具体的なケーススタディからの証拠

Lanner/Twinn は、サプライチェーンおよびオペレーションに関連するいくつかの具体的なクライアントケーススタディを提供しています:

  • Mars Chocolate North America (MCNA) – WITNESS は、S&OP 分析ツールの中核エンジンとして使用され、生産能力、バッファサイズ、および投資判断を評価しました。Twinn の資料や第三者の記事では、WITNESS が Mars の能力最大化、リスク低減、およびネットワーク全体の計画判断を支援する様子が記述されています.169 注目すべきは、日々の補充最適化ではなく、戦略的および戦術的な S&OP シナリオ分析に焦点が当てられている点です.

  • Carrefour – Carrefour のフランスの流通センター向けに、WITNESS ベースの「分析および運用ツール」が開発され、Excel フロントエンドと WITNESS モデルを統合して、コンベヤの速度、スタッフ配置、作業組織ルールなどの運用シナリオをテストしました.1719 これは、大手小売業者における倉庫運用に WITNESS が応用された具体的な例です.

  • L’Erbolario – イタリアの化粧品会社は、環境への影響を低減しながらサービスレベルを維持するために、代替レイアウト、オートメーション投資、運用ルールを評価する「エコ倉庫」の設計と検証に WITNESS を使用しました.18

  • Safran (航空宇宙) – Twinn のケース資料は、WITNESS が航空宇宙製造や MRO の文脈で使用され、例えば現場の流れやリソース配分の評価に貢献し、より堅牢な生産およびメンテナンスプロセスを実現する様子を強調しています.20

これらのケーススタディは、Lanner が小売、FMCG、および航空宇宙分野において検証可能な具体的なクライアントを有し、WITNESS が重大でハイリスクな運用設計プロジェクトに使用されていることを確認しています。しかし、これらはまた、ツールの役割がシナリオのシミュレーションおよび比較であり、運用上の補充決定を自動的に生成する、または ERP/WMS 内で組み込みの最適化エンジンとして動作するものではないことを示しています.

サプライチェーン特有の観点から、WITNESS は以下に適しています:

  • 新規施設の設計または既存施設の再設計.
  • S&OP およびキャパシティプランニングのシナリオテスト.
  • スループット、バッファ、およびサービスレベルに関する「もしも」シナリオの検討.

公開されている証拠に基づくと、以下として市場に出回ったり、展開されたりしていません:

  • SKU × ロケーションの粒度での需要予測エンジン.
  • 多階層在庫最適化ツール.
  • 組み込みのトランザクション統合を備えた、エンドツーエンドのサプライチェーン計画スイート.

テクノロジースタック、モデリングパラダイム、および拡張性

離散事象シミュレーションのコア

技術的には、WITNESS は現代の DES エンジンの標準コンポーネント（シミュレーションクロック、イベントリスト、ランダムサンプリング、統計の蓄積、アニメーション）を実装しています.131416 『Process Simulation Using WITNESS』の教科書は、WITNESS の内部世界（エンティティ、リソース、キュー、活動）とモデリング構成要素（機械、バッファ、コンベヤ、車両、労働など）に関する包括的な説明を提供しています.14 主な特徴:

  • イベント駆動型: エンジンはシミュレーションクロックを次のイベント（到着、完了、故障など）に進め、システムの状態と統計情報を更新します.
  • 乱数は RNG とフィッティングされた分布による: 入力モデリングツールは実測データを理論的分布（正規分布、指数分布、ワイブル分布など）に適合させ、シミュレーションに供給します.14
  • ハイブリッドの離散/連続 の機能により、特定のプロセス（例：流体タンクやコンベヤ）のためにフローと DES モデルを組み合わせることができます.1314

このアーキテクチャは、DES 分野では成熟しており標準的なもので、WITNESS の主要な差別化要因は、その長い産業実績と豊富なモデリングコンポーネントのライブラリであり、根本的に新しいシミュレーションアルゴリズムではありません.

実験および最適化機能

WITNESS の Experimenter および関連する最適化ツールは、以下の環境を提供します:

  • 設計変数 を定義する（例：オペレーター数、バッファ容量、シフトパターン）.
  • パフォーマンス指標 を指定する（例：スループット、仕掛品、待ち時間、運用コスト）.
  • シナリオスイープおよび DOE（全または部分の要因実験、田口メソッドなど）を実行する.
  • 組み込みのヒューリスティックおよびランキングを使用して、高性能な構成を特定する.61521

第三者の研究は、WITNESS が遺伝的アルゴリズムやメタヒューリスティックと連携して製造プロセスや組立ラインのレイアウトを最適化し、シミュレーションが候補解の評価関数として機能する様子を示しています.7822 これは強力なパターンですが、シミュレーションに基づく最適化では標準的な方法でもあり、主要な技術的課題は通常、コンピュート時間および探索戦略であって、新しい AI アルゴリズムではありません.

最先端の AI の観点から見ると、これらの機能は堅牢ではあるが古典的です:

  • WITNESS 内に統合された深層学習、勾配ベースの微分可能プログラミング、あるいはエンドツーエンドのポリシー学習が存在するという公開の証拠はありません.
  • 最適化は、大規模な数理計画または強化学習ではなく、シナリオスイープ、DOE、および外部または内部のヒューリスティックによって推進されているように見えます.

これは設計問題に対する WITNESS の実用的価値を損なうものではありませんが、Lanner/Twinn が「予測シミュレーション」や「デジタルツイン」といった用語を使用する際、基礎となるエンジンは依然として DES/DOE スタックであり、最新の ML 駆動の制御ではないことを意味しています.

組み込みエンジンと標準サポート (L-Sim, BPMN/BPSim)

L-Sim は、Lanner の技術スタックの異なる側面、すなわち標準に基づく組み込み可能なエンジンを示しています。WSC 2006 の論文とベンダーの資料では、L-Sim は次のように説明されています:

  • BPMN モデルに BPSim パラメータが注釈された、Java ベースのシミュレーションエンジン.
  • IDS Scheer の ARIS Business Simulator および Sparx Enterprise Architect の BPSim Execution Engine に統合されています.5231322
  • BPMN の構成要素（アクティビティ、ゲートウェイ、イベント）を DES の意味論にマッピングし、ビジネスプロセス改善のためのパフォーマンス指標を提供することに重点を置いています.

これは、堅実なエンジニアリングの深さと BPM 標準との相互運用性に重点を置いていることを示しており、技術的には信頼できますが、先端の AI/ML 自体ではありません.

AI、機械学習、および最適化の主張

Twinn のハイレベルなマーケティングは、「予測シミュレーション」、「デジタルツイン」、「データ駆動型意思決定」などの現代的な用語を使用し、より広範な Royal HaskoningDHV のポートフォリオ内でいくつかの AI への言及も行っています.7818 しかし、WITNESS と L-Sim の製品レベルの証拠を検討すると、状況はより控えめです:

  • 製品ページは離散事象シミュレーション、実験、および外部コードライブラリ（C++, C#, VB.NET, Python）との統合を強調していますが、WITNESS 内の組み込み機械学習モデルやエンドツーエンドの AI ワークフローについては詳細に述べられていません.4715
  • 学術論文や教科書では、WITNESS は堅牢な入力モデリングと出力分析を備えた DES ツールとして記述されており、ML プラットフォームとしては扱われていません.131416
  • 最適化は Experimenter、DOE、およびシナリオベースの探索を中心に位置付けられており、遺伝的アルゴリズムが使用される場合、それは通常、シミュレーターとしての WITNESS に連携された外部ツールです.782221

つまり:

  • 「予測的」 とは、主にシミュレーションの予測的性質、すなわち確率的仮定の下で時間を進めることを指し、ML の意味での予測モデリングを指すものではありません.
  • WITNESS の文脈での 「AI」 の言及はまばらでほとんどがマーケティングレベルであり、組み込みの深層学習、強化学習、または大規模最適化アルゴリズムについての詳細な技術文書はコア製品内に見当たりません.

利用可能な証拠から、Lanner の技術は 離散事象シミュレーションおよびデジタルツインの実践的な最先端 として、強固な学術的基盤と産業の信頼性を持っているものの、機械学習または AI 駆動の意思決定最適化における最先端技術ではない と評価するのが公平です。ML 重視の需要予測やアルゴリズムによる補充を求める組織は、WITNESS を専門の ML/最適化プラットフォームの代替ではなく、補完的な設計および分析ツールと見なすべきです.

商業的成熟度とクライアント基盤

Lanner は 1990 年代半ばから現在の形で運用されており、複数の業界に渡って大規模なクライアント基盤を構築しています。公開資料やデータベースは以下を示しています:

  • 米国、中国、フランス、ドイツにおける子会社または存在、および多くの国でのディストリビューターを伴うグローバルな展開.12
  • 自動車、航空宇宙、消費財、物流、医療、その他のセクターにおける使用.127
  • Mars Chocolate North America、Carrefour、L’Erbolario、Safran などの具体的なクライアントや、各種製造業およびサービス組織.16171820

Royal HaskoningDHV の一部として、Lanner のソフトウェアは現在、コンサルティング契約の中で提供されることが多く、親会社のエンジニアリングおよびアドバイザリーチームを活用しています.18910 商業インテリジェンスプラットフォームは、Lanner をシミュレーションおよびデジタルツイン分野における多くの競合他社を持つ、買収済みの成熟したニッチベンダー と分類しています.32319 これは初期段階のスタートアップではなく、その技術は確立され、大学で広く教えられており、第三者ツールに組み込まれています。同時に、ERP や APS の巨大ベンダーほどのスケールや幅は持っていません.

購入者の視点から、Lanner/Twinn は以下のように評価されるべきです:

  • 数十年の実績を持つ、技術的に堅実な専門シミュレーションベンダー.
  • 主に、モデル駆動型分析（産業工学、プロセス改善、デジタルツインの取り組み）を重視する組織に適しています.
  • 主なニーズが継続的な大規模サプライチェーン計画および最適化である企業に対しては、単独ソリューションとしては適していません.

結論

Lanner（現 Royal HaskoningDHV 内の Twinn）は、成熟した技術的に信頼できる離散事象シミュレーションおよびデジタルツインツール（主に WITNESS と L-Sim）のスイートを提供し、複雑な運用システムの設計、分析、および改善に使用されています。この提供物の核となる強みは明確で十分に裏付けられています:

  • 豊富なモデリング構成要素、入出力分析、Experimenter/Optimizer 機能、そして広範な学術および産業利用を誇る、長年にわたる DES プラットフォーム（WITNESS）.413142116
  • ARIS や Sparx Enterprise Architect などの BPM/BPSim ツールに統合された、組み込み可能なエンジン（L-Sim）は、プロセスモデリング標準との強固な相互運用性を示しています.52322
  • 高いプロファイルを持つサプライチェーン関連の文脈（Mars、Carrefour、L’Erbolario、Safran）において、シミュレーションモデルが主要な設計および政策決定を支援したことが実証されています.1617182019

同時に、証拠を厳密かつ懐疑的に読み解くことで、重要な制限事項と明確化点が浮かび上がります:

  • Lanner の技術は、モデル中心のシミュレーションであり、データ中心の確率的最適化ではありません。これはシナリオ分析と設計に優れており、SKU × 日単位の自動化された反復的意思決定には適していません.
  • 「予測的」および「デジタルツイン」のラベルは DES の意味で正当化されますが、現代の ML 駆動の予測または制御と混同されるべきではありません；WITNESS レベルでの AI の主張はまばらで、組み込みの ML アルゴリズムの詳細な技術文書によって裏付けられているわけではありません.
  • 最適化機能は、古典的な DES/DOE の意味で強力です—Experimenter、ヒューリスティック探索、外部のメタヒューリスティックによるものですが、大規模サプライチェーンの決定に対する最先端の統合された確率的最適化エンジンを構成するものではありません.

商業的には、Lanner は大手エンジニアリング企業に組み込まれた成熟した、安定した専門ベンダーです。サプライチェーンの文脈で WITNESS または L-Sim を使用することを計画している組織にとって、現実的な位置付けは以下の通りです:

  • WITNESS を用いて、倉庫、工場、S&OP プラン、および物流プロセスを設計およびストレステストし、構造的変更が不確実性下でどのようにパフォーマンスに影響を与えるかを検証する.
  • 日々の補充や価格決定を自動化することが目的であれば、これを個別のデータ駆動型予測および最適化ツールと組み合わせる.

Lokad のようなプラットフォームと比較すると、Lanner は異なる技術的ニッチに位置しています：シミュレーションによる デジタルツインおよびプロセス設計 に非常に優れている一方で、確率論的、機械学習駆動のサプライチェーン意思決定最適化 の直接的な代替にはなりません。購入者はマーケティングのバズワードに惑わされることなく、Lanner の技術が実際に最も得意とする、複雑なオペレーションのための堅牢な離散事象シミュレーションとシナリオ実験に基づいて評価すべきです。

出典

  1. Lanner Group Ltd — Wikipedia （企業概要、歴史、製品） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  2. Company:Lanner Group Ltd — HandWiki （シミュレーション重視、製品、学術プログラム） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  3. Lanner Group Ltd — Mergr （Royal HaskoningDHVによる買収、予測シミュレーションとしての位置付け） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎

  4. Witness Simulation Modelling Software | Haskoning （製品ページ：機能、Experimenter、外部コード統合） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  5. L-SIM: Simulating BPMN Diagrams with a Purpose Built Engine — Winter Simulation Conference 2006 （L-Simのアーキテクチャ、BPMN/BPSimに注目） — 2006 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  6. WITNESS 13 リリースノート — Addlink （Optimizer を置き換える Experimenter、シナリオと分析機能） — 約2013年 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  7. 離散事象シミュレーションとは何か、その仕組みは？ — Twinnブログ （DES の説明、WITNESS の位置付け） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  8. 予測シミュレーションソフトウェアとデジタルツインソリューション — Twinn （ポートフォリオ概要、デジタルツインの位置付け） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  9. 「WITNESS が Mars のキャパシティ最大化を支援」 — Supply Chain Digital ／ Mars–Lanner プロジェクトに関する業界報道 — 約2014年 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  10. Royal HaskoningDHV が予測シミュレーション能力を強化 — Lanner Group の買収 — Illuminaire ／ Royal HaskoningDHV ニュース — 2019 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  11. サプライチェーン＆ロジスティクス — Twinn （倉庫、流通センター、物流における WITNESS の活用を説明する縦型ページ） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎

  12. 食品・飲料および工場シミュレーション — Twinn （Mars や工場・倉庫のユースケースに言及する縦型ページとインサイト） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎

  13. WITNESSを用いたプロセスシミュレーション — Wiley （WITNESS の世界観とメカニズムを解説する教科書） — 2015 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  14. Lanner Group Ltd — EncycloReader（Wikipedia のミラー、歴史と製品の追加確認） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  15. WITNESS Horizon Experimenter 概要 — Lanner （Experimenter の最適化ワークフローを解説する YouTube 動画） — 約2021年 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  16. Mars Chocolate North America が WITNESS を活用して S&OP およびキャパシティ決定を支援 — Twinn ケーススタディ／関連報道 — 約2014年 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  17. Carrefour が WITNESS 分析・運用ツールを開発 — Lanner/Twinn 顧客事例（フランスの流通センター運用） — 約2013年 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  18. L’Erbolario Eco-Warehouse — WITNESS ケーススタディ（倉庫設計と環境性能） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  19. Lanner Group — ウェストミッドランズ ICT クラスタ ケーススタディ（企業歴史、自動車ルーツ、ビジネスプロセスシミュレーションでの評価） — 2009 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  20. Safran / 航空宇宙製造およびMRO — Twinn ケース資料（航空宇宙業務における WITNESS の利用） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  21. ARIZとシミュレーションの相補性に基づく革新的手法の研究 — WITNESS によるシミュレーションモデリング、Experimenter によるパレートフロントの探索 — 2019 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  22. CardanitにおけるBPSim実行 — Cardanitブログ （ビジネスプロセスシミュレーションのための Twinn の L-Sim エンジンの利用） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  23. MDG BPSim エグゼキューションエンジン — Powered by L-Sim — Sparx Systems （Enterprise Architect との統合） — 2025年11月28日参照 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  24. 倉庫管理におけるシミュレーションの応用 — IEOM 2022 （WITNESS 2021 で構築された倉庫のデジタルツイン） — 2022 ↩︎