Вероятностное прогнозирование в цепочках поставок: Lokad против других поставщиков корпоративного программного обеспечения, июль 2025

От Léon Levinas-Ménard

Last modified: July 23rd, 2025

Исполнительное резюме

Уникальный вероятностный подход Lokad: Компания Lokad была первой, кто применил вероятностное прогнозирование в оптимизации цепочек поставок, перейдя от точечных оценок к моделированию полных распределений неопределенностей спроса и предложения. С 2012 года Lokad построила свою платформу вокруг этой концепции – оценивания полных распределений вероятностей (а не только отдельных прогнозов или нескольких квантилей) и использования их для оптимизации решений ¹ ². Это позволяет прогнозировать все источники неопределенности (например, изменчивость спроса и вариабельность сроков поставки) и вычислять оптимизированные планы запасов или производства, учитывающие эти неопределенности ². В итоге, подход, ориентированный на принятие решений, превращает прогнозы в оптимизированные действия при условиях неопределенности, а не рассматривает прогнозирование и планирование как отдельные этапы.

«Вероятностные» утверждения конкурентов против реальности: Вслед за лидерством Lokad, многие ведущие поставщики ПО для цепочек поставок приняли язык вероятностного прогнозирования – но во многом без той глубины, как у Lokad. Такие поставщики, как ToolsGroup, Blue Yonder, o9 Solutions, SAP IBP, RELEX и Kinaxis, теперь иногда используют термины «вероятностный» или «стохастический» в своих маркетинговых материалах. Однако при более внимательном рассмотрении обнаруживаются ключевые различия:

ToolsGroup (SO99+): Давно известный пионер в области «стохастического» моделирования, но современное использование вероятностного подхода является частичным. Они генерируют распределения спроса (квантильные прогнозы) для запасов, однако не прогнозируют сроки поставки как случайные величины, полагаясь на фиксированные значения сроков поставки ³. Примечательно, что с 2018 года ToolsGroup рекламировал «вероятностные прогнозы», при этом продолжая указывать на улучшения точности, измеряемые MAPE — противоречие, так как MAPE не применим к вероятностным прогнозам ⁴. Это свидетельствует о том, что их упор на вероятностный подход был скорее модным словечком, чем фундаментальным изменением.
Kinaxis (RapidResponse/Maestro): Исторически сосредоточенный на детерминированном планировании в оперативной памяти. Только недавно (2022–2023) Kinaxis принял вероятностные методы, объединившись с Wahupa (для вероятностной оптимизации запасов) и приобретя фирму по прогнозированию с использованием ИИ. Kinaxis даже подал патенты 2023 года на ML-основанное квантильное прогнозирование ⁵ ⁶, что свидетельствует о сдвиге в сторону вероятностных методов. Однако эти функции новые и непроверенные, по сути предоставляя квантильные прогнозы (интервалы предсказаний), а не полное моделирование распределений, как это делает Lokad. Инициатива Wahupa (вероятностный многоуровневый движок) до сих пор оказала ограниченное видимое влияние, что подчеркивает сложности внесения вероятностной логики в устоявшуюся платформу.
Blue Yonder (ранее JDA): Гигант в области ПО для цепочек поставок с устаревшими (детерминированными) планировочными модулями. Недавнее сообщение платформы Luminate от Blue Yonder упоминает «автономное» и «вероятностное» прогнозирование, но доказательств того, что их основные модули действительно выдают полные распределения вероятностей, мало ⁷. На практике BY, по-видимому, придерживается традиционных точечных прогнозов (методы временных рядов, такие как ARIMA) с формулами для расчёта страховых запасов, возможно, с добавлением корректировок на базе ИИ. Нет никаких признаков, что Blue Yonder моделирует неопределенность сроков поставки или производит тот вид сквозной вероятностной оптимизации, как в Lokad ⁸ ⁹. Термин «вероятностный» таким образом, кажется, носит в основном характер брендинга незначительных улучшений, наложенных на в основе детерминированного подхода.
SAP IBP (Integrated Business Planning): Планировочный пакет SAP унаследовал вероятностный движок благодаря приобретению SmartOps в 2013 году (которое осуществляло многоуровневую оптимизацию запасов с использованием моделей изменчивости спроса). Теоретически, IBP для запасов может учитывать изменчивость спроса и даже некоторую изменчивость предложения ¹⁰. На практике, внимание SAP сосредоточено на интеграции и процессах; вероятностное прогнозирование не является приоритетным в их сообщениях ¹¹. Большинство внедрений SAP IBP по-прежнему используют точечные прогнозы и заданные пользователями страховые запасы; сроки поставки обычно представляют собой фиксированные входные данные (с возможными буферами), а не вычисляемые системой неопределенности ¹¹. Таким образом, хотя эта возможность глубоко заложена в ПО, SAP не использует вероятностные методы как основное конкурентное преимущество, и многие пользователи могут не задействовать эти продвинутые функции.
o9 Solutions: Новая платформа, которая рекламирует «Цифровой мозг» для планирования цепочек поставок. o9 фокусируется на интегрированном планировании в реальном времени (спрос, предложение, финансы) с анализом сценариев и интеграцией больших данных. Его сильная сторона – объединение разрозненных данных и процессов планирования, но не в области специфически вероятностного прогнозирования, в котором специализируется Lokad ¹². Функции AI/ML в o9 в основном помогают предиктивной аналитике и симуляциям «что если», а не производят явные распределения вероятностей для каждой переменной. Короче говоря, o9 предоставляет широкий набор инструментов для планирования (с графовыми моделями данных и быстрыми пересчетами «what-if»), в то время как Lokad предлагает более глубокое моделирование неопределенности и оптимизацию. Компании, стремящиеся к полной вероятностной строгости в прогнозах, могут найти подход o9 более пошаговым (расширенные точечные прогнозы) по сравнению с всесторонней стохастической оптимизацией Lokad ¹².
RELEX Solutions: Быстрорастущий поставщик, ориентированный на розничную торговлю, известный высокочастотным прогнозированием и автоматическим пополнением запасов (популярен в сегментах продуктового ритейла и моды). RELEX рекламирует «ИИ-управляемое» прогнозирование спроса и аналитику в реальном времени, но не выдаёт полных распределений вероятностей для спроса, как это делает Lokad ¹³. Прогнозы улучшаются за счёт машинного обучения (и краткосрочного анализа спроса), но по своей сути остаются расширенными точечными прогнозами. Ключевое, что RELEX также не рассматривает сроки поставки как вероятностные ¹⁴ – пользователи вводят сроки поставки и, возможно, факторы ручной изменчивости. Таким образом, несмотря на современную облачную архитектуру и заявления об ИИ, RELEX полагается на традиционные методы (с элементами МЛ) за кулисами ¹⁵. Использование терминологии «вероятностный» минимально; акцент делается скорее на оперативной реагировании, чем на математическом моделировании каждой неопределенности.

Итог: Вероятностный подход Lokad остаётся выдающимся. Он отличается тем, что действительно интегрирует неопределенность от начала до конца – прогнозируя все соответствующие распределения и оптимизируя решения соответственно. Другие поставщики, в разной степени, заимствовали модное словечко или добавили отдельные элементы вероятностных технологий (чаще всего только квантильные прогнозы или страховые запасы), чтобы выглядеть современно. Однако, как подробно изложено в этом отчёте, ни один из них не может сравниться с глубиной подхода Lokad на практике. Большинство всё ещё опираются на детерминированные парадигмы планирования, с лишь поверхностными отсылками к неопределенности (например, использованием нескольких квантилей или логикой «страхового запаса» вместо настоящей стохастической оптимизации). Недавние разработки – такие как патенты Kinaxis и партнёрства или ребрендинг с применением ИИ от Blue Yonder – показывают, что индустрия признаёт, что вероятностные методы – это будущее. Однако, содержание отстаёт от маркетинга у этих игроков. Руководителям, оценивающим решения для цепочек поставок с «вероятностным» подходом, следует тщательно проверять, является ли предложение поставщика просто употреблением этого слова или же настоящим принятием вероятностной парадигмы, разработанной Lokad.

Введение

За последнее десятилетие вероятностное прогнозирование стало ключевой инновацией в планировании цепочек поставок. В отличие от традиционных детерминированных прогнозов, которые предоставляют одно ожидаемое значение, вероятностный прогноз даёт диапазон возможных результатов с соответствующими вероятностями ¹⁶. Это имеет решающее значение для оптимизации цепочек поставок: решения, такие как объём запасов или график производства, должны учитывать изменчивость спроса, сроки поставки поставщиков, задержки в транспорте и другие неопределенности. К 2012 году Lokad осознала, что классические прогнозы (даже «наилучшая догадка» или медианные прогнозы) оказались недостаточными для таких решений, поскольку они игнорируют риск слишком высоких или слишком низких результатов. Lokad начала создавать квантильные прогнозы в 2012 году – по сути, смещённые прогнозы, ориентированные на определённые уровни обслуживания или компромиссы по затратам – и к 2015 году перешла к прогнозированию полных распределений (с помощью «квантильных сеток») ¹⁷ ¹⁸. В 2016 году Lokad полностью приняла вероятностное прогнозирование, явно оценивая полные распределения спроса, а не отдельные точки ¹⁹ ²⁰. За этим последовало разработка стохастических методов оптимизации, которые используют эти распределения в качестве входных данных для вычисления оптимальных решений при неопределённости ²⁰ ²¹.

Сегодня подход Lokad (иногда именуемый «Прогнозирование и оптимизация» или «Квантитативная цепочка поставок») тесно интегрирует прогнозирование с оптимизацией решений ²² ²³. Используя свой отраслевой язык Envision, Lokad моделирует неопределённости (например, изменчивость спроса, надёжность поставщиков, распределение сроков поставки и т.д.) и бизнес-ограничения (затраты на запасы, цели обслуживания, лимиты мощности), а затем разрабатывает оптимизированный план (объёмы заказов, графики производства и т.д.), который максимизирует ожидаемую эффективность с учётом неопределённостей ²⁴ ². Главное — неопределённость не является послесловием – она интегрирована в вычисления. Это контрастирует с традиционными инструментами, которые часто генерируют один прогноз, а затем добавляют буферы (страховые запасы, временные запасы) эвристическим способом. Успех Lokad в конкурсе прогнозирования M5 в 2020 году (достижение первого места по точности на уровне SKU по всему миру) дополнительно продемонстрировал её лидерство в предиктивном моделировании ²⁵. Более того, Lokad утверждает, что одной точности недостаточно — необходимо принимать оптимальные решения на основе этих вероятностных прогнозов ²⁶ ²³.

По мере того как метод Lokad с вероятностным подходом набирает обороты, другие поставщики программного обеспечения для цепочек поставок обратили внимание. В середине 2010-х годов в брошюрах конкурентов начали появляться такие термины, как «стохастический», «вероятностное прогнозирование» и «планирование на основе ИИ». К концу 2010-х многие поставщики начали рекламировать ту или иную вероятностную возможность – хотя бы номинально. Задача руководителей цепочек поставок заключается в том, чтобы пробиться сквозь этот маркетинг: как эти поставщики определяют «вероятностный», и чем их решения отличаются от подхода Lokad? В этом отчёте рассматривается подход Lokad в сравнении с подходами нескольких ведущих поставщиков: ToolsGroup, Kinaxis, Blue Yonder (BY), SAP IBP, o9 Solutions и RELEX Solutions. Мы сосредотачиваем внимание на том, как каждый поставщик учитывает неопределённость в прогнозировании и планировании:

Производят ли они полные распределения вероятностей или только точечные прогнозы / прогнозы одним числом?
Если упоминаются распределения, то только для спроса или также для сроков поставки и других факторов?
Демонстрировали ли они своё мастерство прогнозирования (например, на конкурсах или через опубликованные показатели), или это в основном модные слова?
Как они учитывают неопределённость в принятии решений (например, настоящая стохастическая оптимизация против простых формул для страховых запасов)?
Подкреплены ли их заявления о «ИИ/МЛ» конкретными техническими данными, или они просто переоснащают старые методы новыми терминами?

Изучая эти вопросы, мы можем понять разрыв между Lokad и её конкурентами в области вероятностной оптимизации цепочек поставок. Ниже мы подробно рассматриваем позицию и возможности каждого поставщика, подчеркивая, как термин «вероятностный» интерпретируется на практике – и соответствует ли он обещаниям, которые демонстрирует Lokad.

Вероятностный подход Lokad: Полные распределения и оптимизация решений

Философия Lokad заключается в том, что лучшие решения вытекают из лучшего понимания неопределённости. Конкретно, это означает прогнозирование полного распределения вероятностей будущего спроса (и других неопределённостей) с последующим прямым вычислением решений, оптимизирующих такие показатели, как уровень обслуживания, затраты или прибыль, с использованием этих распределений в качестве входных параметров. Несколько элементов делают подход Lokad уникальным:

Раннее принятие и инновации: Lokad был почти на десятилетие впереди рынка в продвижении вероятностного прогнозирования. Уже в 2012 году Lokad публично выступила за прогнозирование, выходящее за рамки средних значений, – введя квантильные прогнозы, адаптированные к бизнес-целям ²⁷ ¹. К 2015–2016 годам Lokad перешла к полноценному вероятностному прогнозированию, что означает, что для каждого товара она создает полное распределение вероятностей спроса за период поставки (или за любой интересующий горизонт) ¹⁹ ²⁰. Это был радикальный сдвиг от отраслевой нормы, заключавшейся в генерации одного числа для каждой товарной позиции за период. Инвестиции Lokad в эту область сделали её «одним из немногих поставщиков, которые на практике действительно реализуют вероятностное прогнозирование (спроса и предложения) и настоящую стохастическую оптимизацию» ².
Моделирование всех источников неопределённости: В отличие от большинства инструментов, которые моделируют только неопределённость спроса (а сроки поставки или другие факторы принимают как фиксированные), Lokad явно моделирует каждый значимый стохастический фактор. Например, если сроки поставки поставщика варьируются, Lokad прогнозирует распределение сроков поставки (например, 10% вероятность того, что срок поставки увеличится до 8 недель вместо среднего в 6 недель). Если существует неопределённость выхода продукции или риск задержки транспортировки, их также можно моделировать как вероятностные входные данные. Документация Lokad подчеркивает необходимость прогнозирования как неопределённости спроса, так и предложения, с последующим использованием обоих в оптимизации ². Такой комплексный подход означает, что итоговые решения (например, сколько запасов поддерживать) защищают от всей основной изменчивости, а не только колебаний спроса. В отличие от этого, поставщик, игнорирующий изменчивость сроков поставки, может оказаться с недостаточным запасом, поскольку он ни разу не рассчитывал на задержку поставщика (или переполнится запасами «на всякий случай», не зная фактического распределения риска).
Вероятностные входные данные для оптимизации (не только прогнозы): Ключевым моментом является то, что Lokad не останавливается на прогнозировании распределений; они используются в математических оптимизационных моделях для выработки решений. Платформа Envision от Lokad позволяет создавать целевую функцию (например, максимизировать ожидаемую прибыль или минимизировать общие затраты), которая оценивается для полного диапазона вероятностных исходов ²⁶ ²³. Такие методы, как Стохастическое дискретное моделирование событий и Стохастическая оптимизация (Lokad представил методы, такие как Стохастический дискретный спуск в 2021 году, для решения этих задач ²⁰), вычисляют наилучшее решение, оценивая тысячи возможных будущих сценариев (взятых из распределения прогноза). Это приводит к рекомендациям, например, заказать X единиц сейчас (или установить пункт повторного заказа на Y), с известными вероятностями дефицита или избыточных запасов на основе прогноза. Это целостная система от прогноза к решению: данные → вероятностный прогноз → оптимизированное решение. В отличие от этого, многие поставщики либо предоставляют прогнозы и оставляют остальное планировщикам, либо используют упрощённые правила (например, «страховой запас = Z * σ спроса»), которые не являются настоящей оптимизацией.
Прозрачность и адаптация: Lokad приложил усилия, чтобы сделать свой подход открытым. Envision — это полностью программируемый движок, в котором компания может адаптировать модель к своим реалиям. Например, если проблема устаревания является актуальной, можно смоделировать вероятность того, что спрос упадёт до нуля после определённой даты; если существует риск отказа поставщика, можно включить этот сценарий. Такая гибкость гарантирует, что «вероятностная модель» не является чёрным ящиком — она понятна и поддаётся настройке, что контрастирует с универсальными чёрными ящиками некоторых других поставщиков ИИ. Более того, результаты и методы Lokad подробно задокументированы на их сайте и в лекциях на YouTube (цепочка поставок «Lokad TV»), что отражает уровень технической прозрачности, нехарактерный для корпоративного программного обеспечения ²⁸ ²⁶.
Доказанная эффективность: Надёжность Lokad в области вероятностного прогнозирования подтверждена внешними бенчмарками. Одним из часто приводимых примеров является выступление Lokad в соревновании M5 (глобальный конкурс по прогнозированию), где компания достигла наивысшей точности на уровне SKU/единицы товара ²⁵. Это имеет значение, поскольку является объективным доказательством того, что технология прогнозирования Lokad является передовой. Кроме того, будучи облачно-ориентированной и полностью автоматизированной, Lokad гарантирует, что эти передовые методы могут работать в масштабах без ручного вмешательства — ежедневная или еженедельная повторная оптимизация может происходить автоматически, что имеет решающее практическое значение. Короче говоря, Lokad объединяет передовую науку с автоматизацией, стремясь устранить традиционное противоречие между сложными моделями и простотой использования.

В заключение, вероятностный подход Lokad означает настоящий сквозной стохастический план: детализированные неопределённости прогнозируются, а затем напрямую преобразуются в решения, оптимизирующие результаты в условиях неопределённости. Это не просто модуль или функция, а ядро платформы Lokad. Остальная часть этого отчёта будет использовать стандарт Lokad как мерило для оценки того, как другие поставщики внедрили (или не внедрили) вероятностное прогнозирование.

Конкурирующие поставщики и их «вероятностные» подходы

По мере того как вероятностные методы привлекали внимание, другие поставщики программного обеспечения для цепочек поставок отреагировали по-разному. Некоторые имеют корни в стохастических методах, но в последнее время могли не развивать их; другие добавили новые возможности или просто переименовали аспекты своих существующих инструментов с использованием вероятностной терминологии. Ниже мы рассмотрим подходы каждого крупного поставщика:

ToolsGroup – Ранний новатор в области стохастики, но с упором на квантильные прогнозы и только спрос

Предыстория: ToolsGroup — ветеран планирования цепочек поставок (основана в 1993 году) и часто приписывают ей раннее использование стохастических моделей, особенно для прогнозирования запасных частей. В 1990-х годах ToolsGroup внедрила методы, которые бросали вызов чисто детерминированному планированию путём статистического моделирования изменчивости спроса (например, с использованием распределения Пуассона или других распределений для прерывистого спроса) ²⁹. Это наследие означает, что ToolsGroup уже давно говорит о вероятностном прогнозировании — действительно, их флагманская система Service Optimizer 99+ (SO99+) на протяжении многих лет вычисляла «статистические страховые запасы» на основе изменчивости. В современной маркетинговой стратегии ToolsGroup продолжает утверждать, что «вероятностное прогнозирование спроса (также известное как стохастическое прогнозирование) является краеугольным камнем эффективного планирования» ³⁰.

Вероятностный подход на практике: Несмотря на наследие, текущий подход ToolsGroup кажется ограниченным по охвату по сравнению с комплексной вероятностной структурой Lokad. В частности:

Распределения спроса, но статичные параметры поставок: ToolsGroup действительно генерирует распределения спроса вместо точечных прогнозов. Например, SO99+ может создавать график «запасов к уровню обслуживания», который, по сути, показывает вероятностное распределение спроса на протяжении срока выполнения заказа и уровень обслуживания, достигаемый при заданном уровне запасов ³¹. Это подразумевает, что движок ToolsGroup либо симулирует, либо аналитически выводит распределение спроса в период выполнения заказа — полезный вероятностный результат. Однако ToolsGroup не идёт до полной вероятностной модели, поскольку рассматривает срок выполнения заказа как входной параметр, а не как прогнозируемую неопределённость. В документации ToolsGroup сроки выполнения заказа перечислены среди «параметров поставок», которые пользователь предоставляет модели ³². Нет никаких указаний на то, что SO99+ будет анализировать историческую работу поставщика и выдавать вероятностное распределение сроков выполнения заказа. В лучшем случае пользователь может ввести среднее значение и стандартное отклонение для срока выполнения, и инструмент детерминированно учтёт это при расчёте страховых запасов ³³. Это означает, что ToolsGroup игнорирует основной источник неопределённости — если срок выполнения заказа у поставщика время от времени удваивается из-за сбоев, оптимизация ToolsGroup может не полностью учитывать этот риск, поскольку такая ситуация не прогнозируется непосредственно ³⁴. В отличие от этого, Lokad или «полный» вероятностный подход явно смоделировал бы, например, 10% вероятность удвоения срока выполнения и скорректировал бы рекомендации по запасам соответствующим образом. Отсутствие вероятностного прогнозирования сроков выполнения привело к выводу в одном анализе: «ToolsGroup не проходит полный вероятностный тест — сроки выполнения упоминаются только как статичные входы, а не как прогнозируемые неопределённости» ³².
Промо-акция 2018 года «вероятностного» характера и путаница с MAPE: ToolsGroup начала активно рекламировать «вероятностные прогнозы» около 2018 года, вероятно, в ответ на рыночные тенденции. Однако этот маркетинговый ход был подорван очевидной недостаточностью понимания (или прозрачности) того, как оценивать эффективность вероятностного прогноза. В частности, материалы ToolsGroup того времени сочетали утверждения о вероятностном прогнозировании с заявлениями о повышенном MAPE (средней абсолютной процентной ошибке) ⁴. MAPE является показателем точности точечного прогноза — он измеряет отклонение одного прогнозного значения от фактического спроса. Для вероятностного прогноза (который выдает распределение или несколько квантилей) MAPE неприменим ³⁵. Невозможно вычислить «MAPE для прогноза распределения», не сведя его сначала к точечной оценке (что нивелирует смысл вероятностного результата). Таким образом, хвастовство ToolsGroup лучшим показателем MAPE наряду с вероятностным прогнозированием либо означает, что они фактически использовали точечный прогноз (возможно, медиану) для измерения ошибки, либо это была маркетинговая оплошность. В любом случае это вызвало скептицизм: «Такая очевидная путаница указывает на то, что инициатива вероятностного подхода ToolsGroup может быть больше шумихой, чем реальностью» ⁴. Другими словами, ToolsGroup могла добавить вероятностные функции (например, вывод диапазона или некоторых квантилей), но продолжала оценивать и мыслить в детерминированных рамках.
Фокус на квантилях (уровень обслуживания): Согласно имеющейся информации, использование ToolsGroup вероятностных данных в основном направлено на достижение целевых уровней обслуживания. Планировщик, использующий ToolsGroup, обычно устанавливает желаемый уровень обслуживания (например, 95% или 99%), и система вычисляет необходимые уровни запасов для его достижения с учётом изменчивости спроса. Это осуществляется путём анализа верхних квантилей распределения спроса. Например, если целью является 95%-е обслуживание, ToolsGroup обеспечит, чтобы запасы покрывали 95-й процентиль спроса за время выполнения заказа. По сути, это прогнозирование квантилей: вычисление 95-го процентиля спроса. Хотя это полезно, это ограниченная форма вероятностного прогнозирования — система может вычислять один или два квантила (например, P50 и P95) для установления страховых запасов, вместо того чтобы использовать полную форму распределения для принятия решения, оптимизированного по затратам. В отличие от этого, Lokad мог бы учитывать всё распределение и затраты на избыточные запасы по сравнению с дефицитом для выбора оптимального квантиля динамически (возможно, это 87-й процентиль, который максимизирует ожидаемую прибыль), а не просто соответствовать фиксированной цели обслуживания.
Отсутствие прорывов в области ИИ/МЛ: ToolsGroup интегрирует машинное обучение в своё прогнозирование, но обзоры указывают на то, что это относительно стандартные методы (регрессия, модели временных рядов с, возможно, некоторой корректировкой посредством МЛ). Заявления ToolsGroup об «ИИ» встретили скептицизм ³⁶ ³⁷ — эксперты отмечают, что публичная информация о ToolsGroup демонстрирует использование «прогностических моделей до 2000 года» ³⁸ (например, метод Кростона для прерывистого спроса). Компания не продемонстрировала никаких новых вероятностных алгоритмов (например, нет доказательств вероятностного прогнозирования на основе глубокого обучения или участия в конкурсах). Таким образом, их вероятностное прогнозирование можно рассматривать как расширение их классических статистических моделей (с добавлением дополнительных выходных данных), а не как новую парадигму.

Вывод о ToolsGroup: ToolsGroup остаётся надёжным и проверенным решением для оптимизации запасов с долгой историей успеха. Он принял вероятностные концепции десятилетия назад, однако степень этого принятия сегодня кажется ограниченной. Он моделирует неопределённость спроса и соответственно вычисляет страховые запасы, что является ценным. Однако, игнорируя явное прогнозирование сроков выполнения заказа и смешивая вероятностные результаты с детерминированным мышлением (например, MAPE), «вероятностный» подход ToolsGroup лишён полноты и строгости, присущих Lokad ³². Как выразился один критический обзор, использование современных модных терминов ToolsGroup не всегда соответствует действительности — «смешивание современных модных терминов с устаревшими методами» ³⁸. Компании должны понимать, что ToolsGroup поможет определить целевые запасы для заданного уровня обслуживания при неопределённости спроса, но он не обязательно количественно оценит все риски или проведёт повторную оптимизацию решений для каждого стохастического сценария так, как это сделал бы полноценный вероятностный оптимизационный подход.

Kinaxis – детерминированное происхождение с новыми квантильными прогнозами и вероятностными дополнениями для запасов

Предыстория: Kinaxis известна своей платформой RapidResponse (недавно переименованной в «Kinaxis Maestro»), которая на протяжении многих лет была лидером в планировании цепочек поставок, особенно в области Sales & Operations Planning (S&OP) и анализа сценариев. Отличительной особенностью Kinaxis является быстрый вычислительный движок, работающий в оперативной памяти, который позволяет планировщикам запускать симуляции в реальном времени — например, «что если спрос вырастет на 10%» — и мгновенно видеть влияние на всю цепочку поставок. Исторически Kinaxis не фокусировалась на том, чтобы быть самим прогнозирующим механизмом; скорее, она потребляла прогнозы из других источников или использовала простые методы, делая акцент на интеграции и скорости при перепланировании поставок, мощностей и запасов. Её планирование в основном было детерминированным — сценарии представляли собой единственную версию правды, а страховые запасы или буферы устанавливались планировщиками или базовыми правилами.

Переход к вероятностным методам: За последние несколько лет Kinaxis явно признала отраслевую тенденцию (и спрос клиентов) на более продвинутое прогнозирование и управление неопределённостью. Несколько событий иллюстрируют этот переход:

Партнерство с Wahupa (2022): В мае 2022 года Kinaxis объявила о партнёрстве с Wahupa — небольшой компанией, специализирующейся на вероятностной многоуровневой оптимизации запасов (MEIO) ³⁹. Движок Wahupa предназначен для количественной оценки неопределённости (как в спросе, так и в поставках) и оптимизации буферов запасов в сложных сетях с использованием вероятностных моделей. Идея заключалась в том, чтобы встроить вероятностный MEIO от Wahupa в платформу Kinaxis (в качестве «расширения решения») ⁴⁰ ⁴¹. Это дало бы клиентам Kinaxis возможность рассчитывать целевые запасы на основе вероятностной логики, а не по традиционным детерминированным или правило-ориентированным методам. Kinaxis даже совместно с генеральным директором Wahupa опубликовала блог, обсуждая вероятностное против детерминированного планирования, что свидетельствует о пропаганде этого подхода ⁴² ⁴³. Однако интеграция с Wahupa, по-видимому, столкнулась с трудностями. К концу 2023/началу 2024 года отраслевые наблюдатели отметили, что это партнёрство мало прогрессировало — возможность вероятностного MEIO пока не получила широкого распространения в кейс-стади или историях пользователей Kinaxis. Неподтверждённые сообщения (а также тон исследований Lokad) подразумевают, что интеграция Wahupa не получила должного развития и, возможно, была тихо отложена или заморожена, фактически представляя собой «малый фиаско». Годовой отчёт Kinaxis за 2024 год по-прежнему включает Wahupa в число партнёров, но свидетельств успеха почти нет. Это подчёркивает, насколько сложно для устоявшейся платформы планирования встроить новый движок вероятностной оптимизации, который изначально не был заложен в её модель данных ⁴⁴ ⁴⁵.
Приобретение Rubikloud (2020): В 2020 году Kinaxis приобрела Rubikloud — компанию, занимающуюся машинным обучением, которая специализировалась на прогнозировании розничного спроса и ИИ. Технология Rubikloud, по всей видимости, включала современные методы МЛ-прогнозирования, способные генерировать не только точечные прогнозы, но и интервалы прогнозирования (базовый вероятностный результат). Это приобретение стало ранним сигналом того, что Kinaxis пытается усилить свои возможности в прогнозировании спроса с помощью ИИ. К 2023 году Kinaxis начала продвигать пакет под названием «Planning.AI», который интегрирует продвинутое МЛ-прогнозирование в платформу планирования ⁴⁶.
Патент на квантильное прогнозирование на основе ML (2023): В 2023 году Kinaxis подала заявку на патент в США на метод прогнозирования с использованием моделей машинного обучения и определения набора квантилей для неизвестного образца спроса ⁵ ⁴⁷. Патент описывает обучение моделей на основе деревьев по историческим данным с последующим генерацией синтетических значений для вычисления диапазона квантилей в качестве выходного прогноза ⁴⁸ ⁴⁹. Цель заключается в том, чтобы «оптимизировать запасы на основе набора квантилей» ⁵⁰. По сути, это формализация квантильного прогнозирования с использованием ML – результат может быть таким: для данного продукта модель может выдавать прогнозы спроса P50, P75, P90 (или любые заданные квантили), которые затем используются для определения уровней запасов. То, что Kinaxis подала заявку на патент, свидетельствует о том, что компания разрабатывает внутренние интеллектуальные разработки для вероятностного прогнозирования спроса (хотя, как правильно отмечено в запросе пользователя, квантильные прогнозы по-прежнему остаются подмножеством полнораспределенных прогнозов и сравнительно «слабой» формой вероятностного моделирования).
Осторожное позиционирование и развитие: В своих маркетинговых сообщениях, касающихся ИИ и вероятностного прогнозирования, Kinaxis проявляет определённую осторожность. В отличие от некоторых конкурентов, компания не окутывает свой бренд заявлениями о «волшебстве ИИ». Вместо этого акцент делается на сочетании человеческого и машинного интеллекта, а также на термине «одновременное планирование» (what-if в реальном времени). Однако с внедрением этих новых возможностей Kinaxis теперь открытее обсуждает вопросы неопределенности. Тот факт, что блог Kinaxis углубился в концепции теории вероятностей, является положительным знаком ⁴². Тем не менее, Kinaxis признает, что находится в процессе развития: «движемся к большей автоматизации принятия решений в условиях неопределенности, хотя и исходя из детерминированного наследия» ⁵¹. По состоянию на начало 2025 года, вероятностные возможности находятся на начальной стадии. Kinaxis, например, не участвовала в открытых конкурсах по прогнозированию и не публиковала технические статьи, демонстрирующие эффективность своих новых вероятностных механизмов. Таким образом, доказательств зрелости технологии немного ⁵².

Что сейчас предлагает Kinaxis: С учетом этих изменений, Kinaxis теперь предлагает (или скоро предложит) два основных элемента вероятностного подхода:

Вероятностный MEIO (через Wahupa): Оптимизация запасов, способная вычислять оптимальные буферы, учитывая изменчивость спроса на различных уровнях. Если будет успешно реализована, эта система будет аналогична функциональности ToolsGroup или SmartOps, но потенциально более продвинутой, если будет использовать метод Монте-Карло или подобные подходы. Она ответит на вопросы типа «Учитывая распределение спроса на каждом узле и неопределенность в поставках, какой запас безопасности следует поддерживать на каждом объекте для обеспечения уровня обслуживания X или минимизации затрат?».
Прогнозирование спроса на основе ML с квантилями: Модуль прогнозирования на базе ИИ (от Rubikloud/Planning.AI), который выдает не только прогноз, но и диапазон (например, верхнюю и нижнюю границу). Это может улучшить планирование, предоставляя представление о риске (например, существует 10% вероятность того, что спрос превысит прогноз P90). Затем планировщики или алгоритмы могут соответственно корректировать планы (например, увеличить производство для покрытия «хвоста», если риск стоит смягчения).

Однако следует отметить, что эти возможности могут на данный момент существовать отдельно и не быть глубоко интегрированными в платформу. Сильная сторона Kinaxis заключается в способности быстро пересчитывать планы при поступлении новых данных. Но если эти данные (прогнозы, параметры запаса безопасности) теперь представляют собой вероятностные значения, Kinaxis необходимо обеспечить, чтобы его пользовательский интерфейс и процессы могли это обрабатывать (например, предоставляя планировщикам не один план, а результаты в виде распределения). Это нетривиальная задача.

Вердикт по Kinaxis: Kinaxis догоняет тенденцию к внедрению вероятностного подхода. Компания сделала ощутимые шаги (партнерства, приобретения, НИОКР) для внедрения моделирования неопределенности. Однако в настоящее время подход Kinaxis можно охарактеризовать как добавление квантильного прогнозирования и стохастических дополнений к фундаментальному инструменту планирования, основанному на сценариях. Пока что это не та парадигма, где каждый расчет выполняется в виде распределения внутри системы. Компания сама признаёт переходный период – она всё еще подчеркивает, что планировщики используют этот инструмент для оценки сценариев, а автоматизация применяется в контролируемой форме ⁵³ ⁵⁴ (например, автоматическое выполнение определённых плановых решений в пределах установленных порогов, а не полностью автономно). Проще говоря, вероятностные возможности Kinaxis являются пошаговыми улучшениями, а не коренной перестройкой. Они предоставляют больше информации об уровне неопределенности, чем ранее, но основная логика планирования ещё предстоит доказать свою эффективность на уровне изощрённости подхода Lokad. Потенциальным пользователям следует наблюдать, насколько глубоко интегрируется Wahupa MEIO (если интегрируется вообще) и сможет ли Kinaxis продемонстрировать, что его квантильные прогнозы приводят к лучшим результатам в цепочке поставок. По состоянию на 2025 год можно сказать, что Kinaxis является вероятностным на бумаге, имеет патенты и партнерства, но субстанция всё ещё формируется.

Blue Yonder – гигант устаревшего планирования, использующий вероятностную терминологию без глубоких изменений

Предыстория: Blue Yonder (BY), ранее известная как JDA Software, является крупным игроком в сфере программного обеспечения для управления цепочками поставок, предоставляя решения для прогнозирования спроса, планирования поставок, мерчендайзинга и многого другого. У компании большая история: JDA приобрела Manugistics и i2 Technologies, двух крупных игроков начала 2000‑х, унаследовав их технологии. В 2020 году JDA сменила имя на Blue Yonder, а затем была приобретена Panasonic. Современная платформа Blue Yonder называется Luminate, цель которой — интегрировать ИИ и облачную архитектуру поверх этих устаревших модулей.

Использование терминов “вероятностный” и ИИ в маркетинге: В последние годы маркетинговая кампания Blue Yonder изобилует модными словами, такими как «автономное планирование», «когнитивная цепочка поставок» и ИИ/ML. Они явно упоминали «вероятностное прогнозирование» в некоторых контекстах – например, описание прогнозирования спроса Blue Yonder в Azure Marketplace содержит фразу «автономные и вероятностные прогнозы» ⁵⁵. Blue Yonder также публиковала статьи в блогах по таким темам, как оценка вероятностных прогнозов (калибровка, острота) ⁵⁶, что свидетельствует о том, что их команды специалистов по данным знакомы с этими концепциями. Однако ключевой вопрос заключается в том, насколько это теория, а насколько – реализованный продукт.

Реальное положение вещей в продуктах: Данные свидетельствуют о том, что основной подход Blue Yonder к прогнозированию и планированию в основном детерминирован, с некоторыми улучшениями:

Прогнозирующий движок: Система планирования спроса Blue Yonder (теперь часть Luminate Planning) традиционно использует алгоритмы для временных рядов (такие как экспоненциальное сглаживание, ARIMA), возможно, с поддержкой машинного обучения для обнаружения спроса. Blue Yonder опубликовала с открытым исходным кодом или ссылалась на определённые инструменты, такие как «tsfresh» (для извлечения признаков из временных рядов) и библиотеки «PyDSE» и «VikOS», связанные с ARIMA и оптимизацией ⁵⁷. Анализ открытых вкладов Blue Yonder показал, что они опираются на методы десятилетней давности (ARIMA, регрессия) несмотря на маркетинговые заявления об ИИ ⁵⁸ ⁵⁷. Это указывает на то, что внутри системы Blue Yonder не используются передовые вероятностные алгоритмы (например, регрессоры квантилей на основе глубокого обучения или вероятностные графовые модели); вместо этого, скорее всего, применяются проверенные методы прогнозирования, возможно, с наложением ML для корректировки или выбора моделей.
Вероятностные результаты: Производит ли Blue Yonder действительно вероятностные прогнозы (распределения)? Публичных доказательств того, что по умолчанию создаются полные распределения, немного. Они говорили о «динамическом запасе безопасности», что подразумевает пересчет уровней запаса на основе волатильности прогноза – это может быть воспринято как вероятностное прогнозирование. Один из возможных сценариев: Blue Yonder создаёт базовый прогноз и распределение ошибок (например, вычисляет дисперсию ошибки прогноза). Затем можно вычислить, скажем, спрос P90 за время выполнения заказа для установки запаса безопасности (аналогично подходу ToolsGroup). Это будет квантиль, но не полный отчет о распределении. Собственная литература Blue Yonder по теме «когнитивных запасов» по сути переосмыслила вероятностную оптимизацию запасов (определение уровней запасов на основе вероятностей), но не предоставила «никакой технической поддержки» относительно того, чем это отличается ⁵⁹. Вкратце, Blue Yonder подбирает правильные термины – они признают, что вместо статичных запасов следует динамически учитывать изменчивость спроса (вероятностным образом). Но фактическая реализация, вероятно, сводится к традиционным формулам запаса безопасности (которые предполагают, что изменчивость спроса имеет нормальное распределение, или используют простой поиск процентилей из нормального/пуассоновского распределения, используя среднее значение и дисперсию прогноза).
Неопределенность времени выполнения заказа: Мы не обнаружили упоминаний о том, что Blue Yonder прогнозирует сроки поставки или рассматривает время выполнения заказа как стохастическую величину в своих планировочных решениях. Можно смело предположить, что BY, как и большинство, рассматривает время выполнения заказа как фиксированный параметр (возможно, с дополнительным запасом, добавляемым планировщиками). Поэтому Blue Yonder также не удовлетворяет полным критериям вероятностного подхода, явно игнорируя неопределенность с точки зрения поставок ⁹. Основное внимание уделяется прогнозированию спроса (и даже там, в основном, используются точечные прогнозы).
Интеграция против инноваций: Blue Yonder по сути представляет собой набор множества модулей. Некоторые из этих модулей (например, ESP – Enterprise Supply Planning или IO – Inventory Optimization) относятся к алгоритмам эпохи Manugistics или i2. Они, вероятно, включают многослойную оптимизацию запасов, которая была на пике технологий в начале 2000‑х (где аналитически учитывалась дисперсия спроса). Однако проблема Blue Yonder заключается в том, что это не единый движок, а «случайная коллекция продуктов, большинство из которых устарели» ⁶⁰. Они пытались модернизироваться, добавив слой ИИ (Luminate) поверх существующих модулей, но часто это сводилось к созданию информационных панелей и незначительным улучшениям на основе ML, а не к переписыванию основных движков. Поэтому любые заявленные вероятностные возможности следует рассматривать с учётом этого набора разрозненных решений: одна часть BY может выдавать доверительный интервал прогноза; другая (оптимизация запасов) может использовать классическую формулу; еще одна часть может просто выполнять детерминированное планирование поставок. Последовательность сомнительна, и интеграция по-настоящему вероятностного процесса от начала до конца потребовала бы значительной переработки, чего пока не наблюдается.
Неясные заявления об ИИ: Аналитики отметили, что заявления Blue Yonder об ИИ неясны и не содержат конкретики. Например, BY упоминала о использовании ML для усиления вероятностных моделей ⁵⁷, но не предоставила деталей относительно того, какие алгоритмы используются и насколько они эффективны. Blue Yonder действительно приобрела несколько стартапов в области ИИ (например, Blue Yonder GmbH, немецкую компанию в области ИИ, откуда, иронично, появилось их новое имя, поскольку JDA приобрела эту компанию в 2018 году). Они также сотрудничают с несколькими университетскими исследовательскими группами. Но ни одно из этих предприятий не привело к ясным, опубликованным прорывам в вероятностном прогнозировании цепочек поставок. Маркетинг остаётся на уровне, выше технической реальности.

Вердикт по Blue Yonder: Blue Yonder – яркий пример того, как «модные слова опережают реальность». Они используют такие термины, как вероятностный, когнитивный, автономный, но при детальном рассмотрении их решения реализуют довольно стандартные методы прогнозирования и планирования ⁵⁷ ⁶¹. Если быть объективными, у Blue Yonder огромный опыт в отрасли и широкий набор решений – их сильная сторона заключается в возможности охватывать всё: от прогнозирования спроса до выполнения заказов, с множеством отраслевых особенностей (например, специализированными функциями планирования для ритейла). Однако в узком контексте вероятностного прогнозирования: Blue Yonder знает об этом и, вероятно, добавила некоторую логику определения запаса безопасности на основе квантилей и улучшения прогнозирования с помощью ML. Но она не продемонстрировала того вида вероятностной оптимизации, которой обладает Lokad (где каждое решение основывается на смоделированных сценариях). Внутренняя критика резюмировала всё следующим образом: использование термина «вероятностный» при описании когнитивных запасов по сути являлось ребрендингом, «пересказанным… с модными терминами», но без новых алгоритмов ⁵⁹. Компании, рассматривающие Blue Yonder, не должны предполагать, что они получат передовой движок для вероятностного прогнозирования; скорее, они получат надёжный, пусть и несколько устаревший, инструментарий для прогнозирования с современным интерфейсом, а любые вероятностные преимущества будут возникать за счёт пошаговых улучшений (например, более частых обновлений прогнозов, возможно, автоматизированного управления исключениями) вместо фундаментальной стохастической оптимизации.

SAP IBP – Мощный, но сложный пакет с вероятностными корнями (SmartOps), который в значительной степени не используется

Предыстория: Интегрированное бизнес-планирование (IBP) SAP является преемником системы APO (Advanced Planning & Optimization) и включает различные модули для прогнозирования спроса, планирования поставок и оптимизации запасов. Будучи гигантом ERP-систем, SAP часто конкурирует на основе обещания интегрированной платформы от начала до конца (от финансов и продаж до выполнения цепочки поставок). Исторически инструменты планирования SAP были в основном детерминированными: планирование спроса в APO предоставляло точечные прогнозы; планирование запасов в APO вычисляло уровни запаса безопасности с использованием простых формул или, в лучшем случае, одноэтапных расчетов. Признав существующий разрыв, SAP совершила стратегические приобретения: SmartOps в 2013 году (ведущая компания по многослойной оптимизации запасов, известная своими вероятностными моделями) и ранее SAF AG в 2009 году (фирма, занимающаяся прогнозированием спроса). В частности, SmartOps привнесла вероятностный движок, способный оптимизировать запасы на различных уровнях (локациях) для обеспечения заданных уровней обслуживания при минимальных затратах ¹⁰. По сути, SmartOps математически моделировала неопределённость спроса (а в некоторой степени и изменчивость времени выполнения заказа посредством ряда предположений) для рекомендации запаса безопасности. Это стало модулем IBP for Inventory SAP.

Текущее состояние вероятностных функций в SAP:

Прогнозирование спроса: Модуль спроса SAP IBP может использовать продвинутые статистические методы и даже машинное обучение (SAP обладает Analytics Cloud, который может использоваться для прогнозирования, включая такие техники, как градиентное усиление и пр.). Однако SAP обычно позиционирует это как повышение точности прогнозов (MAPE и т.д.), а не как предоставление полных вероятностных распределений. Типичный результат по-прежнему представляет собой единичный прогноз (возможно, с процессом консенсуса вокруг него). Понятие вероятностного прогнозирования спроса не является центральным; SAP редко, если вообще когда-либо, использует этот термин в маркетинговых материалах.
Оптимизация запасов (SmartOps): В принципе, SmartOps внутри IBP действительно использует вероятностные модели. SmartOps был известен расчетом распределений вероятностей запасов и поиском оптимальных уровней запасов. Он учитывал как изменчивость спроса, так и изменчивость поставок (последнее – в ограниченной мере, зачастую с применением «страхового времени» или коэффициента изменчивости времени выполнения заказа). Если IBP для запасов внедрён, компания может ввести распределения ошибок прогноза и изменчивость времени выполнения заказа и получить рекомендованные страховые запасы для каждого объекта, позволяющие достичь целевого уровня обслуживания при минимальных запасах. Это форма стохастической оптимизации, хотя и ориентированная на уровни обслуживания (аналогично подходу ToolsGroup, но на многоуровневой основе). Однако, немногие клиенты SAP действительно используют это в полной мере. Одна из причин – сложность: IBP является модульной системой, и не каждое внедрение включает модуль оптимизации запасов (некоторые могут заниматься только S&OP и планированием спроса). Другая причина – удобство использования: алгоритмы SmartOps могут работать как «черный ящик» и требовать большого объёма статистических данных, которые компаниям сложно собрать или поддерживать (например, вам нужно хорошее представление о распределении ошибок прогноза по каждому артикулу, чего не у всех есть под рукой).
Упор на вероятностный аспект (или его отсутствие): Как отмечалось, SAP не делает акцент на вероятностном прогнозировании в своих сообщениях. Они продают IBP, делая упор на интеграцию («единая версия правды»), сценарное планирование, облачную архитектуру и т.д., а не утверждая, что их алгоритмы прогнозирования лучшие. Фактически, репутация SAP связана скорее с широтой возможностей, чем с их глубиной: «богат функционалом, но не алгоритмически продвинут» ⁶². Это выглядит как признание того, что, хотя SAP обладает нужными компонентами (например, математикой SmartOps), они не довели их до совершенства. Одна критика отмечала, что даже после приобретений, таких как KXEN (компания по предиктивной аналитике, приобретённая SAP в 2013 году), прогнозы SAP не обязательно лучше, чем при использовании традиционных методов ⁶³. Исследовательская заметка указывала, что современные методы ML не явно превосходят старые статистические модели в этой области, что подразумевает: интеграция этих приобретений в SAP не дала драматических улучшений ⁶³.
Время выполнения заказа и другая неопределённость: Стандартное планирование SAP предполагает фиксированные времена выполнения заказа. Если использовать оптимизатор запасов, можно задать изменчивость времени выполнения заказа (или просто увеличить время до более высокого процентиля). Но SAP не обучается автоматически на распределении времени выполнения заказа на основе данных. Он ожидает, что пользователи предоставят «время обслуживания» (например, время выполнения заказа для определённого процентиля) в качестве параметра, если это необходимо. Таким образом, как и другие, SAP не генерирует внутренне вероятностные прогнозы для поставок; он полагается на конфигурацию.
Сложность и фрагментация: Одним из основных недостатков является то, что решение SAP фрагментировано из-за многочисленных приобретений. Прогноз спроса может поступать из одного модуля (с определёнными предположениями), а оптимизация запасов – из другого. Если они не идеально согласованы, можно передать точечный прогноз из IBP Demand в IBP Inventory, который затем внутренне предполагает нормальное распределение спроса с заданным стандартным отклонением. Если ошибка прогноза не соответствует этому предположению, результаты по запасам могут оказаться субоптимальными. В одном обзоре приводилась следующая цитата: «корпоративное ПО не смешивается благодаря слияниям и поглощениям» – компоненты SAP не объединялись плавно ⁶⁴. Поэтому, если внедрение настроено не идеально, вероятностный аспект может потеряться или дать несогласованные результаты. Во многих случаях компании, использующие SAP, упрощают процесс – например, применяют IBP для расчёта некоторого страхового запаса по приблизительной статистической модели и не используют SmartOps в полной мере, или даже отключают оптимизатор, поскольку ему трудно доверять/настраивать, и вместо этого устанавливают страховой запас по более простым правилам.

Вердикт по SAP IBP: Теоретически, SAP IBP обладает вероятностными возможностями оптимизации (через SmartOps), что ставит его ближе к подходу Lokad, чем некоторые другие решения. Но на практике, SAP не продвигает и не развивает эти возможности активно, и многие клиенты могут не осознавать или не использовать их ¹¹. Вероятностная часть фактически является дополнением для удовлетворения перечня функциональных требований (для тех, кому нужна многоуровневая оптимизация запасов). Основное торговое предложение SAP заключается в том, что это часть обширной экосистемы SAP – а не то, что это самый продвинутый аналитический движок. Таким образом, по сравнению с Lokad, использование вероятностных методов в SAP IBP является случайным и несколько застоявшимся. Компании, рассматривающие SAP IBP для вероятностного прогнозирования, должны удостовериться, что они внедряют именно модуль оптимизации запасов и располагают значительными экспертными услугами (или консультантами), необходимыми для его настройки. Действительно, говорится, что для успеха с продвинутыми планировочными функциями SAP нужны «лучшие интеграторы – плюс несколько лет» ⁶⁵. Это подчёркивает, что вероятностные технологии SAP, хотя и присутствуют, погрязли в сложности и не приносят ценности «из коробки».

o9 Solutions – Интегрированная платформа «Цифровой мозг» с ограниченным акцентом на распределения вероятностей

Предыстория: o9 Solutions – это молодой поставщик (основан в 2009 году бывшими руководителями i2), который быстро завоевал репутацию платформы планирования «следующего поколения». Основное направление o9 – создание единой модели бизнеса (Enterprise Knowledge Graph) и осуществление планирования в режиме реального времени в сферах спроса, поставок и финансов. Это решение очень дружественно к модным терминам: o9 продвигает такие концепции, как цифровой двойник организации, сценарное планирование в реальном времени, а недавно даже предлагает функции генеративного ИИ. Учитывая его происхождение, o9 отчасти является духовным наследником i2 Technologies, делая акцент на интегрированном планировании вместо разрозненных инструментов.

Подход к прогнозированию и неопределённости: o9, безусловно, использует передовую аналитику для прогнозирования, но, похоже, не акцентирует внимание на вероятностном прогнозировании как уникальном торговом предложении. Замечательные моменты:

Прогнозная аналитика с использованием ML: o9 предоставляет статистическое прогнозирование и машинное обучение для чувствительности к спросу. В их кейсах упоминается использование разнообразных данных (точек продаж, погоды, интернет-поиска и т.д.) для улучшения краткосрочных прогнозов ⁶⁶. Это подразумевает, что o9 решает задачу по точности прогнозирования – пытаясь получить более качественные точечные прогнозы за счёт включения большего количества сигналов (подход «сенсинга»). Также упоминается моделирование сценариев: функция o9 «Supply Sensing» отслеживает внешние факторы и может симулировать их влияние на цепочку поставок ⁶⁶. Хотя это и учитывает неопределённость (вы моделируете различные сценарии), всё же это делается детерминированным способом (каждый сценарий – это вариант «что если», а не распределение вероятностей множества возможных сценариев, которые автоматически учитываются).
Enterprise Knowledge Graph: Использование графовой модели в o9 (которая фиксирует взаимосвязи между продуктами, локациями, клиентами и т.д.) эффективно для сценарного анализа. Например, если задерживается определённая деталь, граф может быстро показать все затронутые продукты и позволить планировщикам пересчитать план. Но опять же, это не по своей природе вероятностный метод – это структурная модель данных, способствующая скорости и прояснению ситуации.
Отсутствие доказательств вероятностных выходных данных: Мы не видели доказательств того, что o9 выдаёт полноценные распределения вероятностей для прогнозов. Их публичные материалы (а также скептический обзор от Lokad) указывают, что o9 придерживается точечных прогнозов и детерминированной оптимизации, хотя и очень быстрой и интегрированной ¹². Они делают акцент на анализе «что если» – что подразумевает, что вы можете вручную варьировать входные данные, чтобы увидеть разные результаты, а не система автоматически определяет степень неопределённости. По сути, o9 может предоставить пользователю возможность исследовать различные варианты, но система не сообщает автоматически вероятность каждого сценария и не оптимизирует лучший ожидаемый результат. Частое использование терминов «Digital Twin» и «сценарное планирование в реальном времени» указывает на интерактивный подход к планированию: планировщики генерируют сценарии, система быстро рассчитывает результаты (например, если спрос увеличится на 10%, как изменятся запасы?). Это несколько отличается от подхода Lokad, где система сама просчитывает тысячи сценариев в фоновом режиме для выбора оптимального плана.
Сравнение с Lokad: Прямое сравнение показало, что o9 делает акцент на широте (объединяя многие функции планирования, включая данные IoT и т.д.), в то время как Lokad делает акцент на глубине количественной оптимизации ¹². Сильная сторона o9 – предоставление крупным предприятиям единой платформы, которая объединяет все данные и планы (по спросу, поставкам, финансам) и позволяет межфункциональное сотрудничество. Сильная сторона Lokad – решение конкретных числовых задач (например, оптимизация запасов или производства) с максимально возможной математической точностью (вероятностное моделирование, индивидуальные алгоритмы). Иными словами, o9 обеспечивает широкий взгляд на планирование – но, возможно, использует внутри обычное прогнозирование – в то время как Lokad предоставляет узкую, но более продвинутую аналитическую перспективу. Как выразился в обзоре Lokad, o9 направлен на “синтез различных функций планирования в единую структуру, в то время как Lokad генерирует точные, действенные рекомендации благодаря глубокой аналитической автоматизации” ¹².
Последние разработки: o9, безусловно, добавляет элементы ИИ (они упоминают использование генеративного ИИ для запросов к системе и т.д.), но неясно, внедряют ли они вероятностное прогнозирование. Возможно, в будущем o9 интегрирует какую-либо библиотеку для вероятностного прогнозирования или, по крайней мере, позволит интеграцию с Python/R, где можно будет проводить подобное моделирование. Но на данный момент их отличие заключается не в изобретении новых алгоритмов прогнозирования, а скорее в том, как они поставляют программное обеспечение (облачное, в реальном времени, с удобной аналитикой).

Вердикт по o9: o9 Solutions – мощный инструмент планирования для организаций, которые хотят иметь единую платформу для быстрого и совместного выполнения множества задач. Однако, когда речь идёт именно о вероятностном прогнозировании, o9, по-видимому, не является лидером или инноватором в этой области. Вероятно, он предоставляет «достаточно хорошие» прогнозы с применением ML и делает акцент на том, чтобы результаты сразу можно было использовать в планировании. Упоминание вероятностного прогнозирования почти отсутствует в их публичных материалах. Если при внедрении o9 требуется вероятностное прогнозирование, возможно, придётся генерировать их вне системы или с помощью собственного кода. В итоге, ценностное предложение o9 заключается в гибкости и интеграции, а не в продвинутой стохастической оптимизации. Компании, отдающие предпочтение строгому вероятностному подходу, могут дополнить o9 внешними проектами в области анализа данных или рассмотреть специализированное решение (например, Lokad), которое более подходит для их задач.

RELEX Solutions – Ритейл-специалист с заявлениями об ИИ, использующий детерминированное прогнозирование и быструю перестройку планов

Предыстория: RELEX Solutions – финская компания (основана в 2005 году), которая быстро росла, особенно в секторе розничной торговли и продуктовых магазинов. Платформа RELEX охватывает прогнозирование спроса, пополнение запасов, распределение и оптимизацию планограмм, с особым акцентом на работу с свежими продуктами (скоропортящимися товарами), акциями и планированием на уровне магазинов. RELEX часто побеждает среди ритейлеров благодаря своей способности выполнять очень детализированное и высокочастотное планирование (ежедневные прогнозы для магазинов/артикулов, внутридневное и т.д.) и удобной аналитике (интерактивные панели управления в реальном времени, отображающие уровни запасов и т.д.). Они позиционируют себя как высоко автоматизированное и «управляемое ИИ» решение.

Вероятностные аспекты (или их отсутствие): Подход RELEX к прогнозированию и управлению запасами по своей сути сфокусирован на скорости и частоте, а не на явном стохастическом моделировании:

Частое обновление прогнозов (чувствительность к спросу): RELEX подчеркивает свою способность ощущать изменения спроса и быстро обновлять прогнозы. Например, анализируя продажи за вчерашний день, изменения погоды, тенденции в социальных сетях и т.д., корректируются краткосрочные прогнозы (это часто называют чувствительностью к спросу, модным термином само по себе). Это может снизить ошибку прогноза в краткосрочной перспективе (например, лучше реагировать на внезапное падение или скачок продаж). Однако, это всё равно означает получение одного обновленного прогноза (просто с большей частотой или с большим объёмом данных), а не распределения прогнозов. Утверждение RELEX о «прогнозировании с помощью ИИ» обычно относится к использованию моделей машинного обучения (например, градиентного бустинга, нейронных сетей и т.д.) на основе недавних данных для повышения точности ¹³. Ни в одном месте они не заявляют, что выдают полные распределения вероятностей для спроса по каждому артикулу. Фактически, анализ RELEX обнаружил «нет доказательств формирования полных распределений вероятностей для спроса так, как это делает Lokad» ¹³. Кажется, что оценка успеха RELEX всё ещё проводится по традиционным метрикам точности (насколько прогноз близок к фактическим данным), что свидетельствует о детерминированном мышлении.
Метод оптимизации запасов: RELEX осуществляет многоуровневое пополнение и распределение (особенно push-распределение для акций и т.д.), но как он защищается от неопределённости? Вероятно, за кулисами используется традиционный расчет страховых запасов. Система знает время выполнения заказа и изменчивость спроса (например, через скользящее среднее ошибки прогноза или настройку уровня обслуживания) и соответственно вычисляет страховой запас для каждой позиции и местоположения (как это делают многие системы). В RELEX время выполнения заказа является входными данными, а не случайными переменными, которые система прогнозирует ¹⁴. Если пользователь знает, что определённый поставщик неустойчив, он может вручную отрегулировать время выполнения заказа или его страховую маржу. Документация RELEX не выделяет стохастическую оптимизацию или метод Монте-Карло, поэтому можно сделать вывод, что система действует так же, как и устаревшие инструменты: для каждого артикула определяется страховой запас с использованием предполагаемого распределения (возможно, нормального или пуассоновского) на основе ошибки прогноза для достижения целевого уровня обслуживания. Это детерминированный формульный подход, а не симуляция множества исходов. Фактически, сильная ориентация RELEX на обработку данных в памяти (в стиле OLAP) свидетельствует о приоритете быстрого запроса вместо глубоких вычислений ⁶⁷ ⁶⁸. Как отметил один комментарий, их архитектура, напоминающая куб OLAP, «противоречит оптимизации всей сети» для таких задач, как замены или сложные стохастические проблемы ⁶⁹. Дизайн, обеспечивающий сверхбыстрые панели управления, может быть не идеален для проведения крупных симуляций методом Монте-Карло по неопределённости – вместо этого он может опираться на аналитические (более простые) методы, работающие в памяти.
Заявления против доказательств: Маркетинг RELEX использует модные слова: «автономная цепочка поставок, управляемая ИИ, машинное обучение, цифровой двойник» и т.д. ⁷⁰. Но они редко уточняют, какие именно алгоритмы используются или приводят кейсы, количественно подтверждающие влияние их ИИ, за исключением отдельных случаев. Независимые анализы вызывают сомнения: например, отмечается, что технология прогнозирования RELEX «похоже относится к моделям до 2000 года» (то есть, вероятно, используются классические методы с некоторыми надстройками ML, а не принципиально новые подходы) ¹⁵. Вероятно, они также по-прежнему используют такие понятия, как MAPE или смещение, для измерения качества прогнозов внутри системы, что является признаком детерминированного мышления.
Управление неопределённостью в конкретных сценариях: RELEX действительно превосходит в некоторых областях, связанных с неопределённостью, но часто с использованием бизнес-правил или эвристических подходов, а не вероятностной математики. Например:
- Свежие продукты и срок годности: RELEX обладает функциями для управления сроками годности продуктов, обеспечивая принцип «сначала истекает — первым выдать», предлагая пополнение запасов для предотвращения потерь и т.д. ⁷¹. Хотя это касается неопределённости спроса до порчи, решение носит скорее эвристический характер (контроль дней поставок относительно срока годности), чем вероятностное прогнозирование риска порчи.
- Эффекты акций и каннибализация: RELEX может моделировать рост продаж от акций и, возможно, некоторую каннибализацию (когда один продукт «крадет» продажи другого), но анализ показывает, что OLAP-основа RELEX затрудняет проведение сложного моделирования этих взаимодействий ⁶⁹. Возможно, они позволяют планировщикам вручную корректировать или использовать простую регрессию для учета эффекта акции.
- «Интеллектуальное» формирование заказов: Они упоминают такие подходы, как оптимизация загрузки грузовиков или закупка авансом для получения скидок ⁷². Это ценные функции, оптимизирующие затраты с учетом имеющихся ограничений, но опять же, скорее исходят из предположения о фиксированном спросе (или по крайней мере его среднем значении), а не из явного страхования от неопределенности.
Отсутствие полной стохастической оптимизации: Важно отметить, что RELEX не рекламирует ничего, что могло бы сравниться со стохастической оптимизацией Lokad. Нет разговоров о решении задачи минимизации ожидаемых затрат в условиях неопределенности; основное внимание уделяется обеспечению высокой доступности (часто достигают ~98-99% наличия на складе). Фактически, некоторые их заявленные результаты (99%+ доступности) вызывают скептицизм в отрасли, поскольку средняя доступность на полке обычно ниже ⁷³. Это подразумевает, что, возможно, они достигли такого результата в контролируемых пилотных проектах, или же это оптимистичный сценарий, не обязательно воспроизводимый в масштабах всей системы. Опять же, это намекает на то, что их подход может не кардинально менять управление неопределенностью, а лишь улучшать выполнение и контроль для сокращения дефицита.

Вердикт по RELEX: RELEX — это быстрый, оперативный инструмент для управления цепочками поставок, особенно подходящий для ритейла, где ежедневная гибкость имеет значение. Он автоматизирует множество решений (например, пополнение запасов в магазинах) благодаря простоте использования. Однако его научная глубина в области вероятностного прогнозирования ограничена. Он использует машинное обучение для улучшения прогнозов, но не для получения распределений вероятностей, которые могли бы питать оптимизатор в стиле Lokad ¹³. В основном он опирается на ту же логику безопасности запасов и улучшения прогнозов, что и другие, хотя и реализован очень эффективно с точки зрения масштаба и частоты. Для ритейлера RELEX может обеспечить лучшую доступность товара на полках посредством более частого перепланирования с использованием актуальных данных (прагматичный подход), тогда как Lokad может добиться этого, фундаментально оптимизируя уровни запасов посредством вероятностных расчётов. Это разные философии: одна — «постоянно корректировать план по мере развития событий» (подход RELEX в режиме почти реального времени), а другая — «оптимально планировать с самого начала, учитывая возможные сценарии» (экс-анте оптимизация от Lokad). Обе могут сосуществовать, но если речь идет о самом вероятностном прогнозировании, то RELEX здесь не первопроходец. Он просто перенял модные термины AI и, возможно, неявно использует некоторые вероятностные концепции (например, дисперсию для расчета уровня безопасности запасов), однако не предлагает того явного вероятностного решения, которое предоставляет Lokad.

Заключение

На рынке программного обеспечения для цепочек поставок «вероятностный» стал своего рода модным словом, подобно терминам «AI» и «машинное обучение». Lokad выделяется как поставщик, который искренне построил своё решение на вероятностных принципах – рассматривая неопределенность как первостепенный фактор как в прогнозировании, так и в оптимизации. С момента, когда в 2012–2015 годах был внедрен этот подход, Lokad оказал влияние на нарратив отрасли. Конкуренты в той или иной степени заимствовали терминологию и признали важность неопределенности, но их решения демонстрируют значительный пробел в реализации.

Чтобы подытожить различия:

Lokad предоставляет полноценные вероятностные прогнозы (по спросу и предложению) и использует их в собственноручно разработанном оптимизационном модуле. Он явно количественно оценивает неопределенности и принимает решения, оптимизированные с учетом ожидаемых результатов ². Другими словами, он воплощает принципы вероятностного управления цепочками поставок.
Другие (ToolsGroup, Blue Yonder, SAP, RELEX, o9, Kinaxis) в основном предоставляют частичные или псевдо-вероятностные функции:
- ToolsGroup и SAP уже долгие годы используют компоненты вероятностного моделирования запасов, но сосредотачиваются на изменчивости спроса и по-прежнему рассматривают ключевые параметры (например, время выполнения заказа) как фиксированные или упрощенные, что ограничивает их вероятностную строгость ³ ¹¹.
- Blue Yonder и RELEX, несмотря на новый AI-брендинг, продолжают полагаться на традиционные методы прогнозирования и детерминированную логику планирования, при этом термин «вероятностный» используется преимущественно в маркетинге или для незначительных инструментальных расчетов (например, для динамического пересчета уровней безопасности запасов) ⁸ ¹³.
- Kinaxis и o9, как современные платформы, начали интегрировать вероятностные идеи (Kinaxis через партнеров/патенты, o9 через гибкость сценариев), но по-прежнему в основном развиваются на основе детерминированных основ. Квантильные прогнозы Kinaxis являются шагом вперед, однако они представляют собой прогнозирование для нескольких процентильных точек, а не полного распределения, что является менее полноценной заменой полноценным вероятностным прогнозам ⁵⁰ ⁴⁹.

Ярким признаком поверхностного принятия является ситуация, когда поставщики заявляют о «вероятностном» или «стохастическом» подходе, но затем продолжают использовать детерминированные метрики или процессы. Пример с применением MAPE для вероятностных прогнозов в ToolsGroup является таким сигналом тревоги ⁴. Аналогично, любой поставщик, который игнорирует неопределенность времени выполнения заказа или не упоминает, как он оценивает вероятностную точность, вероятно, не принял данную парадигму всерьез. Критика Lokad по поводу этих несоответствий подкрепляется примерами из отрасли: «Заявления о вероятностных прогнозах рекламируются вместе со снижением MAPE, что противоречиво… поставщики бросают термины вроде ‘стохастический’ в брошюры, оставаясь в детерминированном мире.» ⁴ ⁷⁴. Часто суть отстает от слоганов.

С точки зрения последних разработок очевидно, что конкуренты Lokad теперь лишь формально поддерживают вероятностные методы – что можно расценивать как подтверждение подхода Lokad. Однако уровень реальных возможностей различается. Компании, оценивающие решения, должны задаваться вопросами: прогнозирует ли инструмент распределение или всего лишь несколько сценариев? Оптимизирует ли он решения с помощью метода Монте-Карло или использует фиксированные формулы для расчета уровня безопасности запасов? Может ли он учитывать все основные источники неопределенности или только спрос? Ответы часто показывают, что многие поставщики по сути продолжают делать то, что всегда делали, лишь с легкой вероятностной оболочкой.

В заключении, Lokad против остальных в области вероятностной оптимизации цепочек поставок – это история глубины против широты, а также ранних инноваций против догоняющих изменений. Lokad предлагает глубокое, количественно строгое решение, созданное специально для работы с неопределенностью. Другие основные поставщики предлагают более обширные комплексы для планирования цепочек поставок, где вероятностные функции являются лишь дополнениями или развивающимися компонентами – во многих случаях это реактивные меры в ответ на рыночный спрос на продвинутую аналитику, без кардинальной перестройки их основных методологий. Руководителям следует быть осторожными с использованием термина «вероятностный» как модного слова и искать конкретные технические доказательства способа реализации данного подхода. По состоянию на 2025 год Lokad по-прежнему остается уникальным в предоставлении настоящего вероятностного прогнозирования и оптимизации, в то время как большинство конкурентов либо придерживаются детерминированных подходов, либо предоставляют только ограниченные вероятностные возможности, которые уступают всеобъемлющему учету неопределенности, предлагаемому Lokad ³² ⁸.