市場調査に戻る
Optilonは、サプライチェーン計画ソフトウェアの選定、導入、統合と、継続的なコンサルティングを提供している。対象領域は予測、在庫、補充、生産計画、ネットワーク設計、S&OPに及ぶ。パートナー製品に、自社の統合、協業、分析アプリケーションを組み合わせる。(1, 2, 7, 11)
サプライチェーン総合評価:4.3/10。
| 評価軸 | 評点 |
|---|---|
| サプライチェーンへの理解の深さ | 4.6/10 |
| 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整合性 | 4.2/10 |
| 技術的透明性 | 4.4/10 |
| ベンダーの真剣さ | 4.0/10 |
Optilonについて最も確かな証拠があるのは、分断された業務の接続と、長年にわたる計画システムの保守である。実名の顧客は、在庫と計画業務の削減を報告している。技術解説も、需要と供給の変動を認め、粗いABC在庫分類を退けている。(3, 4, 8, 10)
限界は、その結果としてできる運用モデルにある。サービス目標、予測レビュー、シナリオの議論、例外処理が依然として中心である。公開情報は、組み合わせたアプリケーションに共通する経済的目的も、意思決定の生成と実行に必要な総労働量の持続的な削減も示していない。最近のAI用語はこの問いをほとんど明確にせず、成果の主張には定義不足や範囲の不整合が複数見られる。(3, 7, 11, 24)
OptilonとLokadの比較
Optilonへの依頼は、実務上の統合問題を解決し得る。事業部ごとに異なるERPにデータを保管し、互換性のない計画手順を使っているため、共通の業務像が必要になるという問題である。Orklaの事例は、そのような統合と、その後も続く共同改善を説明している。(10)
Lokadのアプローチは、購買、生産、配分などの反復的な意思決定を、不確実性の下での経済的帰結から評価する数値レシピを中心に据える。Introduction to Supply Chainの関連する視点は、計画システムは価値ある行動を生み、現実が誤りを露呈したらモデルを改善すべきだ、というものである。
Optilonによる予測、サービスレベル最適化、スケジューリング、協業の組み合わせは、連携を改善し得る。それが事業全体の最適化にもなるかどうかは、各アプリケーションが同じ希少資源と不確実な未来をどう価値評価するかにかかっている。共通画面やデータハブがあっても、在庫計算、生産スケジュール、ネットワーク設計シナリオが経済的に両立する選択をするとは限らない。(2, 3, 20)
どちらのアプローチにも保守が必要である。Optilonは統合とアプリケーションの専門家を、Lokadは顧客固有のロジックとサプライチェーンサイエンティストの作業を提供する。有用な比較は、悪い意思決定を調べ、定式化を変え、再テストし、修正を導入するために継続的に必要な労力であり、利用できる機能やパートナーの数ではない。
技術の歴史とロードマップの一貫性
| 時期 | 証拠 | 意味 |
|---|---|---|
| 2005–2015 | Optilonはコンサルティング事業として始まった。2014年のToolsGroup発表は実名顧客の成果を報告し、Absolutは一年間の概念実証後、2015年にSO99+を稼働させた。 | 計画システムの導入と統合が、確立された基盤である。 |
| 2018–2021 | Optilonは自社ソフトウェア開発の開始を2018–2020年とする。2019年にブロックチェーンの助言を公開し、2021年に予測型注文監視とデータ修正の成果を主張した。 | 対象がソフトウェアとAIに広がる一方、技術的裏付けにはばらつきがある。 |
| 2023–2025 | ToolsGroupは2023年に60社超の共同顧客を報告した。Optilonは2025年にCosmic Frogのネットワーク設計を追加し、シナリオ計画やブロックチェーン関連の可能性を引き続き宣伝している。 | 長期の導入関係と、繰り返される技術の宣伝が共存する。 |
| 2026 | CulinarがOptilon Collaborationの利用を説明し、現在の技術職採用はバックエンド、フロントエンド、AI統合を対象とする。新しい資料はデジタルツインと意思決定志向のS&OPを強調する。 | 自社製品開発は確認できるが、継続的な人間の調整が依然として大きい。 |
出典:(5, 6, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22)。
2019年10月のブロックチェーン記事は、誰が参加者を検証し、参加登録費用を払い、不適格な供給業者を除外するかを論じている。これらは実質のあるガバナンス上の問いである。しかし、Optilonのブロックチェーン導入事例も経済的成果も示さない。2025年2月には、Bitcoin決済についての推測的な議論でブロックチェーンが再登場する。公開記録が示すのは継続的な宣伝であり、より単純な取引・由来追跡システムに対して実現した優位性ではない。(18, 19)
2023年以前のAIの主張はより具体的だが、測定はなお弱い。一般的な自律計画システムではなく、以下で検討する識別可能な業務タスクに関するものだからである。それらが現在の製品説明にも残っていることは、新世代の測定済み成果を意味しない。(5, 6, 24)
歴史上の時点を確かめると、顧客成果の読み方も変わる。2025年9月のHöganäsページは、予測誤差と報告時間の半減を伝えている。ToolsGroupはすでに2014年11月、Höganäsの予測誤差と計画時間が50%減ったと発表していた。重なり合う数値は既存の導入実績を記録するものであり、後年の掲載日が最近のAIによる新たな改善時点を示すわけではない。(9, 16)
計画手法と経済的限界
サービス分類の最適化は、広範なAI提案より明確に定義されている
Optilonの2024年9月の説明は、ABC目標を事業側が定義するサービス分類に置き換える。各分類の中では、在庫とサービスの関係を示す曲線によって品目・拠点別にサービスレベルを差別化し、集約目標と下限を満たしながら在庫投資を最小化する。リードタイムの変動と上流・下流の関係も明示的に含む。これは、すべての品目に同じ安全在庫ルールを独立に割り当てる以上のものである。(4)
未解決の経済的問題は、目標そのものにある。高利益率商品という分類名だけでは、特定の販売機会を失う、注文を遅らせる、共有能力を消費する、陳腐化し得る在庫を持つといったコストは数値化されない。選んだサービス目標を満たしながら在庫を最小化することには用途があるが、その目標が利益を最大化するか、それとも価格、調達先、品揃え、生産の選択を変えるべきかは決まらない。
2020年6月の計画記事は、確率的な需要の帰結と、概略能力計画や季節向けの先行生産を含む制約付き補充提案を説明する。供給と需要の両方の変動を認めている。それでも、サプライチェーン全体についての説明は在庫目標、生産要件、シナリオ、協業による意思決定を行き来し、統一的な経済計算を示さない。(3)
同じ記事は短期シグナルをdemand sensingと呼び、その内容を主に確率的予測で説明する。このsensingという名称が何を追加するのかを示す、独立した技術手法や評価はない。入力情報がどれほど新しいかより、予測の起点と調達の時間軸のほうが重要である。補充を決めた後で得た情報は、その過去の意思決定を改善できない。(3)
遅延アラートは確率的な供給計画ではない
2021年3月に説明されたPredictive Order Monitoringは、入荷または出荷注文が遅れるかを予測し、Optilonのウェブ画面に状態と推奨行動を示す。匿名の製造業事例は約90%の適合率を主張する。現在のAIページはこれとは別に、卸売業で納期遅延の正解率90%を主張する。どちらも評価の定義が不十分である。(5, 24)
適合率、分類全体の正解率、需要予測精度は異なる量である。遅延の評価を有用にするには、遅延注文の発生率、再現率、誤警報、予測から事象までの時間、対応コストが必要になる。明白な遅延の狭い部分集合を特定する分類器は、高い適合率を出しながら、最も重要な事象を見落とし得る。
遅延か予定どおりかというフラグだけでは、どれだけ遅れるのか、ほかのどの入荷が影響を受けるのか、不確実な需要と遅延がどう相互作用するのかも抜け落ちる。特急輸送や在庫再配分を価値評価するには、その帰結の信頼できる予測が意思決定モデルに必要である。公開されたPOM事例は、このつながりを示さない。
データ修正は問題の意味を変え得る
Robotic Data Correctionは、受け入れられた修正提案と新しいデータから学習する。2021年3月の説明は、住所改善と出荷集約により国内輸送コストが3%減り、プロジェクト完了時間が95%短くなり、修正精度が最大90%になったとする。想定用途はリードタイム、コスト、状態コード、見かけ上の需要ピークにも及ぶ。(6)
住所の照合には明確な事業目的がある。需要ピークやリードタイムを自動修正することは、さらに重大である。異常値がデータ誤りではなく、費用の大きい業務上の失敗を表しているかもしれないからだ。重要な統制は、原本の保存、説明可能な変換、取り消せる判断、下流でのテストである。ユーザーが受け入れる修正を学習しても、その修正が経済的意思決定を改善する証明にはならない。
ここでホリミゼーションが重要になる。失敗は、データ、目的、制約、利用可能な行動を誤解していたことを明らかにし得る。修正では入力を単に整った形にするのではなく、その解釈を見直して検証しなければならない。
統合、ソフトウェア構成部品、セキュリティ
Optilonのパートナーには、計画のToolsGroup、ネットワーク設計のOptilogic、スケジューリングのPlannet、その他の分析・企業向けアプリケーションが含まれる。これらは異なる供給元の製品であり、問題の異なる部分を解く。2025年のCosmic Frog発表は戦略的設計と戦術・業務計画の統合を約束するが、境界をまたぐ共通の定式化も、具体的に計算した意思決定例も公開していない。(2, 20)
自社ソフトウェアは、実名の二つの事例で確認できる。SKFはデジタルツインの導入にOptilon Integration Platformを使う。CulinarはOptilon CollaborationのForecast Review、Demand Summary、Forecast Accuracyを使い、販促と市場情報を管理する。(7, 11)
将来の行動比較に使うデジタルツインは、高次元の予測でもある。その価値は、相互作用する在庫、能力、遅延、財務的帰結をどれだけ正しく予測するかに依存する。SKF事例と現在のAI概要は、これらの予測について較正結果や誤差を公開していない。データを最新に保つだけでは、シミュレーションした未来を検証できない。(7, 21)
技術構成の一覧は、公開されている製品アーキテクチャより具体的である。
| 構成要素 | 証拠と役割 | コスト・保守への影響 |
|---|---|---|
| PythonサービスとAPI | 2026年9月のバックエンド職務は、本番サービス、データ取り込み、変換、提供を明示的に含む。 | Optilonは計画業務の周辺に自社アプリケーションロジックを維持している。 |
| PostgreSQLとMicrosoft SQL Server | 同じ職務で、両方のリレーショナルデータベースを幅広く扱う。 | データアクセス、スキーマ変更、統合には継続的な開発が必要になる。求人は、両方が同一顧客環境にあるとは述べていない。 |
| .NET統合 | バックエンド職務には、必要に応じて.NET環境に貢献することが含まれる。 | 実行環境をまたぐインターフェースは、互換性とリリースの作業を増やす。 |
| Vue 3とTypeScript | フロントエンド職は、データ量の多い計画アプリケーション、シナリオ、分析画面を挙げる。 | ユーザー向け設定と業務ロジックは、保守を要するソフトウェア層を構成する。 |
| RAG、ベクトルデータベース、MCP | バックエンド職務には、AI対応システム向けのこれらの技術とパターンが含まれる。 | 統合作業の存在は確認できるが、特定のベクトルエンジンや経済的意思決定能力は示されていない。 |
主なアーキテクチャ上のリスクは、調整の積み重なりである。どれかの層が変わるたびに、パートナーのモデル、顧客ERPの意味体系、Optilonの変換、協業設定の整合を保たなければならない。注目すべきコストは、顧客の意思決定を維持するために必要な表現、インターフェース、リリース依存関係の実数である。
MCPをAIの進歩として売り出すなら、それは警戒材料になる。既存ツールにエージェントを接続することは、信頼できる経済的意思決定エンジンを作るより安価だからである。Optilonの採用情報はプロトコルへの関心を示す一方、現在の協業事例は依然として予測調整と人間のレビューを中心とする。この統合が意思決定保守の負担を取り除くと示す、公開された作業量測定はない。(11, 12)
修正データをERPや計画システムへ書き戻せる場合、セキュリティは特に重要になる。検討した製品説明には、その変換に関する書き込み範囲、テナント分離、原本保護、本番昇格、ロールバックの記述がない。技術職はセキュリティ、テスト、保守性に触れるが、検査できる強制機構は示さない。(6, 12, 13)
Pythonが確認できるのは、Optilon自身の開発者向けの職務である。具体的なセキュリティ上の問いは、誤った修正や侵害された依存部品が接続先へ波及し得る状況で、Optilonが統合・AIサービスの権限をどう閉じ込めるかである。
生産性と設定の保守
SKFページには未解決の食い違いがある。手作業を20%削減と報告しながら、結果をほぼ完全に自動化された計画と説明する。分母が異なる可能性はあるが、ページはそれを示さない。在庫14%減とサービス実績の維持も報告する。在庫の成果からは、計画担当者、拠点、意思決定サイクルごとにどれほど作業が残るかは分からない。(7)
その他の事例は、より限定された成果を裏付ける。Frankeは予測と需要計画の所要時間が50%減り、品目レベルのMAPEが八ポイント改善したとする。Höganäsは報告作業の削減を述べる一方、在庫10%減は目標として示す。Culinarは管理上のフォロー作業が減ったと説明するが、総時間は数値化しない。これらは全般的な自動化率にまとめず、別個の指標として扱うべきである。(8, 9, 11)
Culinarのアプリケーションは、運用モデルを特に明確に見せる。担当者は予測を確認し、販促仮定を入力し、市場変化を記録し、ほかの部門を巻き込む。これは情報の質を高め得る。同時に、関連する事象や意思決定が増えるほど増加する仕事も残す。協業の高速化は、定型判断を計算し、例外をロジックの持続的な変更につなげる現代的な代替案と比べて評価すべきである。(11)
Optilonは継続的関与を率直に説明している。OrklaとOptilonは毎月会合を持ち、進捗を確認し、優先順位を見直し、変更を計画する。事例では、当初約20%の在庫削減が長期にわたり維持されたと報告する。継続支援は実際の貢献だが、専門家の時間と顧客側の準備は総保有コストに含まれる。(10)
サービス分類、下限、販促仮定、データ対応関係、パートナー製品のアップグレードの保守も同様である。設定画面で行っていても、これは必要なソフトウェア保守である。購入側は、どの変更を自分で検査・テストでき、どれにOptilonが必要で、どれに上流のソフトウェア提供者が必要かを知る必要がある。公開事例は関係の存在を示すが、費用や変更速度はほとんど示さない。
経済的成果への責任と導入規律
Optilonの2024年4月の導入助言には、測定可能な目標、並行稼働、差異の比較、パイロットからのフィードバック、旧システムを予備として残すことなど、有用な安全策が含まれる。一方で、すでに多大な時間と費用を投じたことを理由に前進を勧め、進めないことを財務上の失策と述べる。(23)
これは不適切な投資基準である。すでに発生した支出が導入を価値あるものに変えることはない。判断は、期待される将来の利益、残る費用、可逆性、テストの証拠に基づくべきだ。価値の実現に責任を持つベンダーなら、経済性が成立しない場合、延期、再設計、中止を勧める意思が必要である。
同じ助言は顧客の主体性と懐疑派の説得を強調する。顧客の関与は必要だが、リターンが期待を下回ったときの代わりの説明にしてはならない。Optilonの公開資料は、経済的失敗の閾値、同社が負う修正義務、パートナー製品と統合ロジックが相互作用する場合の責任分担を定義していない。(23)
新しいS&OPシリーズは重要な失敗を認める。会議が適切に運営され、計画をすり合わせても、事業価値は乏しいままであり得る。そこで、選択肢を比較し、意思決定を財務に結び付けることを提案する。しかし公開概要の中心は依然としてガバナンス手順の改善であり、導入済みの代替案における数値的な経済計算や意思決定労働の削減は示されない。(22)
サプライチェーン評価
サプライチェーンへの理解の深さ
| 基準 | 評点 |
|---|---|
| 経済的な問題設定 | 5/10 |
| 意思決定の最終到達点 | 5/10 |
| サプライチェーン概念の明晰さ | 6/10 |
| 時代遅れの中核的教義からの脱却 | 4/10 |
| KPIの見せかけへの強さ | 3/10 |
平均:4.6/10。
経済的な問題設定 — 5/10。 在庫投資とサービスのトレードオフは明示的にモデル化されている。在庫、生産、調達、ネットワークの選択に共通する経済目的は確立されていない。(3, 4, 20)
意思決定の最終到達点 — 5/10。 提案には補充推奨と業務計画が含まれる。それらの出力を行動へ変えるうえでは、協業と例外処理が依然として中心である。(3, 11)
サプライチェーン概念の明晰さ — 6/10。 Optilonは多段階の相互作用、差別化されたサービス、供給変動を認める。欠けているのは、それらの不確実性の下で競合する行動の完全な価値評価である。(3, 4)
時代遅れの中核的教義からの脱却 — 4/10。 ABC分類への批判には実質があるが、サービス分割とS&OPレビューが依然として構成原理である。分類の割り当てを改善しても、その方針を経済的に正当化する必要はなくならない。(4, 22)
KPIの見せかけへの強さ — 3/10。 適合率と正解率の主張には不可欠な定義が欠け、自動化を語る表現は提示された作業量測定を超えている。顧客成果にも達成済み改善、目標、過去の成果が混在する。(5, 7, 9, 16, 24)
意思決定と最適化の実質
| 基準 | 評点 |
|---|---|
| 確率的モデリングの深さ | 5/10 |
| 独自の最適化・機械学習の実質 | 4/10 |
| 現実の制約への対応 | 5/10 |
| 意思決定の自動化と労働生産性 | 4/10 |
| 現実の業務複雑性に対する回復力 | 4/10 |
平均:4.4/10。
確率的モデリングの深さ — 5/10。 確率に基づく在庫計画と供給変動は文書化されている。公開された統合説明は、同時に生じる不確実性がアプリケーションをまたぐ意思決定評価にどう届くかを示さない。(3, 4)
独自の最適化・機械学習の実質 — 4/10。 製品群には実績あるパートナーのエンジンと具体的な分析タスクが含まれる。Optilon自身の数値的貢献と、それらの部品を超える性能は十分に公開されていない。(2, 5, 6)
現実の制約への対応 — 5/10。 計画導入には能力とサービスの制約が現れる。戦略的設計、在庫、詳細生産計画の間でそれらを整合させることは、プロジェクト固有の統合課題のままである。(3, 15, 20)
意思決定の自動化と労働生産性 — 4/10。 実名事例は時間短縮を裏付ける。しかし、残る総労力も、手作業の調整とレビューの待ち行列が増大しない運用モデルも確立していない。(7, 8, 11)
現実の業務複雑性に対する回復力 — 4/10。 パイロット比較と継続支援は問題を発見し得る。公開証拠は、本番で有害な推奨が出てから、再定式化、再実行、検証済みの恒久修正に至る過程を追っていない。(10, 23)
製品とアーキテクチャの整合性
| 基準 | 評点 |
|---|---|
| アーキテクチャの一貫性 | 5/10 |
| 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 |
| プログラム操作・エージェント支援運用との適合性 | 4/10 |
平均:4.2/10。
アーキテクチャの一貫性 — 5/10。 名称のある統合・協業アプリケーションが実際の業務をつないでいる。パートナー製品間の数値的意味の一貫性より、データ統合のほうがよく裏付けられている。(7, 11, 20)
システム境界の明確さ — 5/10。 パートナーの役割とOptilonの開発作業は区別できる。導入固有のインターフェース、モデル変更の責任、障害の波及は見えにくい。(2, 12, 13)
セキュリティへの真剣さ — 3/10。 データ修正と統合には影響の大きい書き込み経路がある。公開資料は、その権限を強制的に制限する仕組みや、誤変換からのテスト済み復旧を明らかにしていない。(6, 12)
ソフトウェアの簡素さと総保有コスト — 4/10。 複数の保守対象アプリケーション層と専門家の継続的関与が確認できる。顧客ごとの実際の構成の価値と継続費用は数値化されていない。(10, 12, 13)
プログラム操作・エージェント支援運用との適合性 — 4/10。 APIとAI統合の作業は技術的基盤を提供する。公開事例は依然として人間のレビューが主体であり、端から端までのエージェント型意思決定ワークフローを測定した例はない。(11, 12)
技術的透明性
| 基準 | 評点 |
|---|---|
| 公開技術文書 | 4/10 |
| ベンダーを介さずに検査できること | 3/10 |
| 可搬性とロックインの可視性 | 3/10 |
| 導入手法の透明性 | 7/10 |
| 技術的主張を支える証拠の密度 | 5/10 |
平均:4.4/10。
公開技術文書 — 4/10。 計画記事は有用な仕組みを説明し、求人は実装の一部を特定する。Optilon自身のプラットフォームとAIモデルの運用文書は乏しい。(4, 5, 12)
ベンダーを介さずに検査できること — 3/10。 読者は一般的な手法を理解できるが、公表資料からモデル性能を再現したり、統合の意思決定ロジックを検査したりはできない。(5, 6, 7)
可搬性とロックインの可視性 — 3/10。 パートナー製品を選べることは調達の選択肢になる。それは、顧客設定や変換ルールの可搬性、導入済みの組み合わせから低コストで退出できることを保証しない。(2, 10)
導入手法の透明性 — 7/10。 概念実証、パイロット、並行テスト、段階的導入、継続レビューは説明されている。作業と顧客の関与は、数値処理の内部よりはるかに見えやすい。(10, 15, 23)
技術的主張を支える証拠の密度 — 5/10。 実名事例は商用利用と業務改善を裏付ける。比較基準、測定期間、作業量の分母がないため、そこから導ける結論は限られる。(7, 8, 9, 11)
ベンダーの真剣さ
| 基準 | 評点 |
|---|---|
| 公開発信の技術的な真剣さ | 4/10 |
| 技術ロードマップの一貫性 | 4/10 |
| 概念の明晰さ | 5/10 |
| 経済的成果への責任 | 3/10 |
| エージェント型ソフトウェア時代の競争優位の持続性 | 4/10 |
平均:4.0/10。
公開発信の技術的な真剣さ — 4/10。 一部の記事は意味のある仕組みと限界を説明する。広範なデジタルツインの主張と一貫しない性能表現は、メッセージ全体の正確さを損なう。(4, 5, 7, 24)
技術ロードマップの一貫性 — 4/10。 長期にわたるパートナー製品の導入と現在の開発は具体的である。ブロックチェーンとAIの宣伝には、日付を伴う技術の実現と新たに測定された成果の公開記録がはるかに少ない。(12, 17, 18, 19, 21)
概念の明晰さ — 5/10。 Optilonは粗い分類と中身のない調整を問題として認識する。それでも提案する運用モデルは、方針目標、会議、人間によるシナリオ選択に大きく依存する。(4, 11, 22)
経済的成果への責任 — 3/10。 測定可能な目標と並行テストは適切である。導入を促す公開済みのサンクコスト論はその規律を弱め、公開の約束は経済的結果が悪い場合の救済を定義しない。(23)
エージェント型ソフトウェア時代の競争優位の持続性 — 4/10。 統合の専門性と顧客業務への知識には引き続き価値がある。将来の優位性は、既存の業務手順を操作しやすくすることではなく、設定とレビューの労働を減らせるかにかかっている。(10, 11, 12)
出典
以下の資料は2026年11月4日に参照した。顧客成果はOptilonまたはそのソフトウェアパートナーが公表している。掲載日は、顧客がその成果を得た時点を必ずしも示さない。
Optilonのサービス概要。公開日:日付なし。
技術パートナー。公開日:日付なし。
サプライチェーン計画手法。公開日:2020-06-04。
ABC分類とサービス分類の最適化。公開日:2024-09-03。
[5] Predictive Order Monitoring
Predictive Order Monitoring。公開日:2021-03-17。
Robotic Data Correction。公開日:2021-03-17。
SKFの統合・計画事例。公開日:2025-04-11。
Frankeの計画事例。公開日:2025-05-21。
Höganäsの予測事例。公開日:2025-09-22。
Orklaの統合と継続支援。公開日:2025-11-03。
[11] CulinarとOptilon Collaboration
CulinarとOptilon Collaboration。公開日:2026-04-21。
シニアバックエンド・Python開発者。公開日:2026-09-28。
シニアフロントエンド・Vue.js開発者。公開日:2026-09-28。
Optilonの企業史。公開:2025年の回顧。
[15] AbsolutによるToolsGroup SO99+の稼働開始
AbsolutによるToolsGroup SO99+の稼働開始。公開日:2015-05-21。
[16] OptilonとToolsGroupの北欧顧客の成果
OptilonとToolsGroupの北欧顧客の成果。公開日:2014-11-21。
ToolsGroupとの十五年のパートナーシップ。公開日:2023-07-18。
ブロックチェーンへの参加と退出。公開日:2019-10-31。
2025年のサプライチェーントレンド。公開日:2025-02-18。
[20] Optilogic Cosmic Frogとの提携
Optilogic Cosmic Frogとの提携。公開日:2025-03-24。
実用的なAIに関するホワイトペーパー概要。公開日:2026-08-25。
S&OPホワイトペーパーシリーズ概要。公開日:2026-09-30。
計画システムの本番移行指針。公開日:2024-04-24。
デジタル化とAIの提供内容。公開日:日付なし。