Программное обеспечение для оптимизации запасов на предприятиях, Февраль 2025

От Léon Levinas-Ménard

Последнее изменение: 2 февраля, 2025

Цель: Это исследование ранжирует ведущих поставщиков программного обеспечения для оптимизации запасов на предприятиях с использованием строгого, основанного на фактических данных подхода. Мы наказываем неопределенный маркетинг, неподдерживаемые «AI» клише и отсутствие истинных стохастических возможностей. Ключевые критерии включают: (1) доказанную поддержку как вероятностного прогнозирования спроса и вероятностного прогнозирования временных задержек (поставщики, не учитывающие неопределенность времени задержки, считаются несерьезными); (2) достоверность передовых функций (каннибализация, «поиск спроса», AI/ML и т. д. должны подкрепляться реальными инженерными деталями, иначе маркируются как ложные); (3) уровень автоматизации (действительно автономная оптимизация против требующей ручных корректировок); и (4) способность обрабатывать сложные ограничения (сроки годности, отслеживание по сериям/лотам, возвраты, размеры партий, ценовые скидки, каннибализация продуктов, нерегулярные «квазисезонные» паттерны, затраты на хранение и т.д.).

Рейтинговые поставщики

Ниже приведен объективный рейтинг ведущих поставщиков оптимизации запасов, от наиболее к наименее надежным, на основе вышеуказанных критериев. Каждая оценка поставщика подчеркивает сильные стороны, указывает на слабые и приводит доказательства вводящих в заблуждение утверждений.

1. Lokad – Вероятностный пионер с полной прозрачностью

Обзор: Lokad выделяется благодаря настоящему вероятностному подходу к управлению цепочками поставок. Он явно моделирует как изменчивость спроса и изменчивость времени задержек, рассматривая время задержек как прогнозируемые случайные величины (а не фиксированные входные данные) ¹. Система Lokad предоставляет «алгебру случайных величин» – по существу первоклассную поддержку вероятностных распределений – что позволяет выполнять сложные стохастические расчеты с учетом неопределенности на каждом этапе ² ³. Это математическая строгость выделяет Lokad среди конкурентов, которые зачастую лишь симулируют неопределенность случайными способами (или вовсе игнорируют риск временных задержек).

Вероятностное прогнозирование спроса и времени задержек: Lokad явно соответствует критерию двойного прогнозирования. Его документация подчеркивает, что «время задержек может и должно прогнозироваться так же, как и спрос» ¹. Платформа способна создавать вероятностные модели времени задержек (например, используя лог-логистические распределения) и комбинировать их с прогнозами спроса ¹ – это краеугольный камень для точных расчетов повторного заказа. Применяя оба аспекта неопределенности, Lokad избегает распространенной ошибки других инструментов, которые предполагают, что время задержек является статичным или что одних лишь страховых запасов достаточно.

Передовые возможности (каннибализация и т.д.): Lokad предоставляет конкретные инженерные детали по сложным ограничениям. Он внедряет стохастическую оптимизацию, которая максимизирует ожидаемую прибыль при соблюдении специфических ограничений клиентов, включая кросс-продуктовые эффекты, такие как каннибализация и замещение ⁴. Например, Lokad может моделировать, как продукты взаимно каннибализируют спрос или выступают в роли заменителей, и включать эти взаимосвязи в логику оптимизации. Это не расплывчатое утверждение – его подтверждает «программный» подход (скрипты Envision от Lokad), где специалисты по цепочке поставок явно кодируют такие взаимосвязи. Аналогично, сложные явления, такие как спорадические возвраты или уровни уценки, могут быть прогнозированы с учетом вероятностных факторов и учтены в принятии решений ³. Публичные материалы Lokad вдаются в эти технические детали (например, прогнозирование возвратов для электронной коммерции или изменчивость выхода продукции ⁵ ⁶), демонстрируя доказательства возможностей. Нет опоры на пустые модные слова; вместо этого Lokad обсуждает методы (симуляции Монте-Карло, вероятностное программирование и т.д.) и даже публикует лекции о том, как они реализуются ⁷. Минимальны утверждения в пользу AI/ML – акцент делается на измеримых, основанных на модели улучшениях.

Автоматизация: Полная автоматизация является ключевой целью разработки для Lokad. Платформа создана для работы без присмотра: она «агрессивно автоматизирует повторяющиеся задачи» в оптимизации цепочки поставок ⁸. Подход Lokad заключается в том, чтобы его движок генерировал оптимальные решения (заказы на закупку, распределение запасов, производственные планы) без постоянного человеческого микроменеджмента. Многие клиенты используют систему в режиме работы без присмотра, вмешиваясь только в исключительных случаях. Lokad даже предоставляет собственный язык программирования (Envision) для настройки логики принятия решений, что гарантирует, что все рутинные сценарии обрабатываются программным обеспечением. Компания открыто подчеркивает, что масштабные автоматизированные числовые алгоритмы управляют ежедневными решениями, снижая необходимость в ручных стандартных операционных процедурах ⁸. Это четкое объяснение того, как автоматизируются решения (с помощью оптимизированного скрипта и конвейера решателей) гораздо убедительнее, чем обобщенные обещания конкурентов о «автоматизации с помощью AI».

Обработка ограничений: Lokad надежно поддерживает нетривиальные ограничения. Благодаря использованию гибкого языка моделирования, он может учитывать сроки годности (например, прогнозируя распределения срока хранения и вынуждая «распродажу» до истечения срока), отслеживание по сериям/лотам (с помощью переменных возраста запасов или специфических для партии показателей), возвраты и восстановление (моделируя вероятности возвратов и время задержек для возвратов ⁶), размеры партий/минимальные объемы заказа (встроены в оптимизацию путем оценки дискретных количеств партий), ценовые скидки поставщиков или акции (оптимизируя время/количество заказов для максимизации выгоды от скидок по сравнению с затратами на хранение ⁹), эффекты каннибализации и замещения (явно указаны как обрабатываемые в стохастическом движке ⁴), квазисезонность (его прогнозирование может уловить необычные сезонные паттерны с помощью вероятностных моделей), и ограничения по хранению или пропускной способности (включая затраты/штрафы за вместимость в оптимизационную цель). Документация Lokad даже отмечает, что она «отражает все экономические драйверы», связанные с решениями ¹⁰, и учитывает «уникальные ограничения» для каждого клиента – такой уровень детализации отсутствует у большинства поставщиков. Короче говоря, Lokad демонстрирует техническую ясность в решении сложных реальных сценариев, вместо того, чтобы делать поверхностные заявления.

Вывод: Lokad занимает лидирующую позицию благодаря своему безкомпромиссному научному подходу и прозрачности. Это один из немногих поставщиков, который действительно реализует вероятностное прогнозирование (спроса и поставок) и истинную стохастическую оптимизацию ⁴. Обманчивый маркетинг фактически отсутствует – вместо хайпа Lokad предоставляет доказательства (whitepapers, техническую документацию) того, как достигаются результаты. Этот принцип «сначала правда», в сочетании с мощной автоматизацией и обработкой ограничений, выделяет Lokad для компаний, стремящихся к серьезной инвентарной оптимизации следующего поколения. Единственный нюанс – подход Lokad требует количественного мышления – он намеренно сложен «под капотом» – но результатом является решение, основанное на реальности, а не на модных фразах.

2. Slimstock – Прагматичный традиционалист (честный, но менее продвинутый)

Обзор: Slimstock (со своим продуктом Slim4) представляет собой основной, классический подход к оптимизации запасов. Особенность Slimstock в том, что он освежающе лишен хайпа вокруг AI. Компания сосредотачивается на проверенных методах, таких как расчеты страховых запасов, экономичный размер заказа (EOQ) и других стандартных методах управления цепочкой поставок ¹¹. Философия Slimstock заключается в предоставлении «простых, четких практических решений, а не расплывчатых заявлений об AI» ¹². Эта честность и акцент на основах принесли Slimstock высокую репутацию за удобство использования и надежность среди специалистов.

Вероятностные возможности: Здесь Slimstock уступает по современным стандартам. Slim4 явно не рекламирует вероятностное прогнозирование спроса или какую-либо форму стохастического моделирования времени задержек. Его функциональность основывается на традиционном детерминистском прогнозировании (часто с использованием методов временных рядов) в сочетании с буферами (страховыми запасами) для учета изменчивости. Хотя Slimstock, безусловно, учитывает время задержек в своих расчетах (время задержек используется для расчета точек повторного заказа и страховых запасов), он рассматривает их как заданные параметры, а не случайные величины для прогнозирования. Нет доказательств, что Slim4 создает полные вероятностные распределения спроса или времени задержек. Это означает, что Slimstock, хотя и надежен в классическом смысле, «игнорирует неопределенность» на том детальном уровне, которое фиксируют вероятностные методы ³. Согласно нашим критериям, отсутствие явного моделирования неопределенности времени задержек является серьезным ограничением – минус для технической глубины Slimstock. Однако Slimstock компенсирует это, по крайней мере, открыто заявляя об использовании простых методов; он не притворяется обладателем продвинутых стохастических технологий. Для многих компаний консервативный подход Slim4 дает приемлемые результаты, хотя он может упускать дополнительные возможности по сравнению с по-настоящему вероятностной оптимизацией.

Утверждения о передовых возможностях: Slimstock, как правило, не преувеличивает возможности, которых у него нет. Вы не услышите, чтобы Slim4 хвастался «определением спроса с помощью AI» или «прогнозами с использованием машинного обучения». На самом деле, такой подход с минимальным количеством пустых слов рассматривается как положительный: «Освежает видеть поставщика, который фокусируется на практичности… а не на расплывчатых AI заявлениях.» ¹³. Тем не менее, набор функций Slimstock относительно узкий. Сложные взаимодействия, такие как каннибализация продуктов или эффекты замещения, не являются ключевым направлением (их приходится корректировать вручную или проводить дополнительные анализы). Аналогично, обработка таких аспектов, как акции, причинные факторы или новые методы машинного обучения, минимальна. Slimstock преуспевает в том, что делает (статистическое прогнозирование, мультиэтажное пополнение запасов с страховыми запасами), но не выходит на передовой – и, надо отдать должное, он не притворяется. Любые его заявления (например, «оптимизированные уровни запасов» или «повышенный уровень сервиса при меньших запасах») обоснованы прямолинейной функциональностью, а не расплывчатыми обещаниями AI. Мы не обнаружили никаких модных слов вроде «определение спроса» в материалах Slimstock, что свидетельствует о достойном акценте на сути, а не на стиле.

Автоматизация: Slim4 разработан с учетом удобства использования планировщиками, что подразумевает сочетание автоматизации и ручного управления. Инструмент автоматически генерирует прогнозы, точки повторного заказа и цели по запасам для тысяч SKU на разных уровнях. Пользователи часто устанавливают целевые уровни сервиса и позволяют Slim4 вычислять необходимые страховые запасы. На практике, Slimstock обеспечивает полуавтоматизированный процесс: рутинные расчеты выполняет система, а планировщики обычно просматривают исключения или корректируют параметры. Slimstock не рекламирует «полностью автономную цепочку поставок» в своем маркетинге – вместо этого, он позиционирует себя как инструмент поддержки решений для планировщиков. Отсутствие явного заявления о «автоматизации как черного ящика» означает, что нельзя упрекнуть Slimstock в сокрытии ручного труда; они ожидают, что пользователи будут оставаться вовлеченными. Однако по сравнению с поставщиками, стремящимися к полностью автономной оптимизации, подход Slimstock может требовать большей постоянной вовлеченности пользователей (например, обновление прогнозов для новых тенденций, ручное управление товарами, срок годности которых близок к окончанию и т.д.). Это прагматичный уровень автоматизации, подходящий для многих фирм среднего размера, если не идеал теоретической «безконтактной» оптимизации.

Обработка ограничений: В соответствии с его классическим подходом, Slimstock обрабатывает обычные ограничения цепочки поставок, но не все сложные. Сроки годности: Slim4 может управлять базовым контролем срока хранения (уведомления о приближении срока годности, ротация запасов по принципу «первым истек – первым продан»), но, вероятно, не выполняет сложную оптимизацию для скоропортящихся товаров. Размеры партий / минимальные объемы заказа: Да, Slim4 поддерживает эти стандартные ограничения в расчетах повторного заказа. Многоуровневость: Основой Slimstock является многоуровневая оптимизация запасов, поэтому он балансирует запасы между точками, хотя и с использованием традиционных методов распределения уровня сервиса, а не полностью стохастической оптимизации сети. Каннибализация и замена: в основном не поддерживаются в автоматическом режиме – пользователям приходится вручную корректировать прогнозы для переходов между продуктами или пересечений, так как модели Slim4 не предусматривают автоматического определения того, что продукт B отбирает спрос у продукта A. Возвраты, серийный учет: вне рамок прогнозирования Slim4, эти вопросы решаются на стороне ERP/склада. «Квазисезонность» (нерегулярные, зависящие от событий всплески спроса) могут не быть учтены, если пользователь не добавит их в прогноз вручную (например, через сезонные профили или переопределения). Затраты на хранение: Slimstock обычно предполагает неограниченную емкость или использует упрощенные ограничения; он не выполняет сложную нелинейную оптимизацию для определения вместимости – тогда это снова потребует ручной корректировки (например, снижение целевых показателей планировщиками при ограниченном пространстве). В общем, Slimstock охватывает «обычные, но критически важные практические вопросы» ¹⁴ – он очень эффективен для учебного управления запасами (правильные точки повторного заказа, страховые запасы, сегментация ABC и т.д.) и делает это с достоинством. Однако это не инструмент для моделирования каждого эзотерического сценария. Компании с очень сложными ограничениями или паттернами неопределенности могут превзойти возможности, которые предлагает Slim4.

Вывод: Slimstock заслуживает высокой оценки за свою освежающую честность и твердое понимание основ. Он предоставляет надежное решение без использования модного жаргона или преувеличенных обещаний AI. В условиях, где классические формулы управления запасами достаточны, Slim4 дает результаты и любим за удобство использования и практичный, непритязательный стиль. Однако, по нашим строгим критериям, Slimstock не может считаться на переднем крае. Его отсутствие явного вероятностного прогнозирования (особенно отсутствие моделирования распределения времени задержек) является заметным пробелом – что делает его «несерьезным» для организаций, которым требуется строгая количественная оценка неопределенности. Мы несколько смягчаем этот ярлык: Slimstock серьезно относится к управлению запасами, пусть и в традиционной парадигме. В целом, Slimstock является отличным выбором для бизнеса, который ценит практичность, а не модные слова, при условии понимания его ограничений в области продвинутой аналитики.

3. RELEX Solutions – Ориентирован на розничную торговлю, быстрый анализ – высокие заявления под пристальным вниманием

Overview: RELEX Solutions быстро набирает обороты, особенно в секторе розничной торговли, благодаря продвижению «платформы на базе ИИ» для прогнозирования спроса и оптимизации запасов ¹⁵. Фирменной особенностью RELEX является система «Live Plan», работающая в оперативной памяти, которая предоставляет пользователям быстрый и детализированный обзор запасов и прогнозов по магазинам и распределительным центрам. Эта архитектура (часто сравниваемая с OLAP-кубом или «цифровым двойником») обеспечивает впечатляющие информационные панели в реальном времени и быструю оценку «что, если». RELEX специализируется на розничной торговле и свежих продуктах, обладая функционалом для работы с продуктовыми товарами, скоропортящимися товарами и акциями. На первый взгляд, RELEX выглядит очень способным: он говорит об автоматизации пополнения запасов, оптимизации распределения и даже намекает, что может поддерживать 99%+ доступности товаров на складе. Однако более пристальный анализ выявляет сочетание сильных и слабых сторон: сильный анализ в реальном времени и некоторые уникальные функции, но потенциальные недостатки в глубокой оптимизации и научном подходе к прогнозированию.

Probabilistic Demand & Lead Times: Действительно ли RELEX занимается вероятностным прогнозированием? Компания активно продвигает своё «прогнозирование на базе ИИ», однако подробностей крайне мало. RELEX не публикует доказательств генерации полных распределений вероятностей для спроса так, как это делает Lokad. Кажется, основной акцент сделан на улучшенных точечных прогнозах (с использованием машинного обучения на последних данных — то, что некоторые называют «датчиком спроса»), которые затем используются в расчетах запасов. Важно отметить, что мы не нашли никакого упоминания о вероятностном прогнозировании времени выполнения в материалах RELEX. Время выполнения, безусловно, является частью планирования RELEX (вы вводите время выполнения, и система понимает, что более длительное время требует большего страхового запаса), но рассмотрение времени выполнения как случайной величины с распределением – нет никаких указаний, что RELEX делает это. Согласно нашим критериям, это упущение является серьезным. Поставщик, который явно не учитывает неопределенность времени выполнения, оказывается неполноценным. Модуль планирования RELEX, вероятно, использует детерминированное время выполнения с возможным буфером на вариативность, что уступает подлинной стохастической оптимизации. Фактически, общий подход RELEX к неопределенности выглядит традиционным: он, вероятно, использует формулы страхового запаса «под капотом». Независимый анализ отметил, что технология прогнозирования RELEX «кажется моделями до 2000 года» ¹⁶ — что предполагает использование проверенных методов (таких как экспоненциальное сглаживание), а не каких-либо прорывов в вероятностном прогнозировании. Таким образом, хотя прогнозы спроса RELEX могут быть более детализированными (например, ежедневными, по магазинам/ассортименту) и регулярно обновляться, мы не находим доказательств подлинного вероятностного прогнозирования в академическом смысле. Это ставит RELEX позади поставщиков, которые моделируют полные распределения спроса и времени выполнения.

Advanced Feature Claims (AI, Cannibalization, etc.): Маркетинг RELEX свободно использует такие термины, как «на базе ИИ», «машинное обучение» и даже «цифровой двойник». Например, компания рекламирует «прогнозирование спроса на базе ИИ и многоуровневую оптимизацию запасов» ¹⁵ и «автономное перераспределение запасов» ¹⁷. Однако технических деталей не хватает. RELEX редко объясняет, какие алгоритмы или методы ИИ он использует — что служит тревожным сигналом с нашей точки зрения. Заявления компании о решении передовых задач розничной торговли заслуживают дальнейшей проверки:

Cannibalization & Substitution: Теоретически, каннибализация и замещение являются критически важными в розничной торговле (например, когда новые продукты заменяют старые или один товар отнимает продажи у другого, расположенного рядом). Архитектура RELEX может фактически затруднять корректное моделирование этих процессов. Наблюдатели отмечают, что архитектура in-memory/OLAP RELEX «противоречит оптимизации на уровне всей сети и таким розничным паттернам спроса, как замещения и каннибализация» ¹⁸. Поскольку система разработана для быстрых запросов, ей может не хватать сложного оптимизационного слоя, необходимого для симуляции уменьшения спроса на один товар в пользу роста спроса на другой. Мы не обнаружили, чтобы RELEX явно утверждал, что решает проблему каннибализации сверх общих заявлений об ИИ. Учитывая ее сложность, мы подозреваем, что у RELEX нет явной, доказанной возможности моделировать эффекты каннибализации (по крайней мере, не намного превосходящей то, что планировщик может корректировать вручную). Таким образом, любое общее заявление о том, что его ИИ способен обрабатывать такие взаимодействия, является необоснованным — мы считаем это фальшивкой, пока не докажут обратное.
“Demand Sensing”: RELEX предлагает модуль для краткосрочного определения спроса (сбор данных с POS, о погоде и т.д.). «Датчик спроса» как модный термин является известным предупреждающим знаком — часто преувеличенным и не подкрепленным достаточной научной базой ¹⁹. RELEX не публиковал рецензируемых доказательств того, что его метод определения спроса дает лучшие результаты, чем традиционное прогнозирование. Мы остаемся скептичными к любому поставщику, использующему этот термин без ясных данных. Если только RELEX не сможет показать, как его модель машинного обучения количественно снижает ошибку прогноза, быстро улавливая всплески или сдвиги спроса, мы рассматриваем заявления о «датчике спроса» как чистую маркетинговую болтовню.
AI/ML: RELEX позиционирует себя как современное решение, работающие на базе ИИ, но что же находится «под капотом»? Неясность утверждений вызывает обеспокоенность. Известно, что RELEX использует машинное обучение для таких задач, как прогнозирование и оптимизация планов — но пока примеры остаются базовыми (например, использование алгоритма регрессии ML для прогнозирования ежедневных продаж, что хоть и приемлемо, но не является революционным). Нет никаких признаков «стохастической оптимизации» или алгебры случайных величин в подходе RELEX. Без этого называть систему работающей на базе ИИ несколько вводит в заблуждение. Кроме того, заявленные результаты 99%+ доступности кажутся завышенными — отраслевые исследования доступности товаров на полках в розничной торговле опровергают такие высокие показатели ²⁰. Это указывает на разрыв между маркетингом и реальностью.

С другой стороны, у RELEX есть ощутимые возможности, которые ценны:

Он может оптимизировать грузовые партии и группировку заказов (например, коэффициенты заполнения контейнеров) в рамках планирования пополнения запасов ¹⁷ ²¹.
В функционал входит возможность «интеллектуальной предварительной закупки» ⁹ для использования скидок поставщиков — что подразумевает, что система может рассчитывать сценарии покупки дополнительного запаса сейчас или позже для максимизации экономии. Это отчасти решает ограничения, связанные с ценовыми порогами.
RELEX уделяет особое внимание свежим продуктам и снижению порчи. Он явно заявляет, что «учитывает сроки годности имеющихся запасов для выявления товаров, приближающихся к истечению, и осуществляет необходимые принудительные распродажи и скидки» ²². Кроме того, RELEX поддерживает отслеживание запасов по партиям/лотам для управления сроком годности и трансформацию продуктов для свежих товаров (например, созревание мясных нарезок) ²³. Это конкретные функции, а не просто модные слова, что демонстрирует, что RELEX инвестировал в управление скоропортящимися товарами — область, которую некоторые другие игнорируют. Таким образом, хотя у RELEX может не быть изысканной стохастической математики, он решает реальные розничные задачи (такие как сроки годности и порча) с помощью эвристических методов и бизнес-правил. Мы высоко оцениваем практические возможности RELEX.

Architecture & Performance: Архитектура RELEX, работающая в оперативной памяти (часто с использованием облачных колонковых баз данных), обеспечивает высокую скорость, но за это приходится платить. Она «обеспечивает впечатляющую отчетность в реальном времени, но гарантирует высокие затраты на оборудование» ²⁴. Более того, такие архитектуры часто испытывают трудности при увеличении сложности задачи. Например, масштабирование до глобальной оптимизации (одновременное рассмотрение всех локаций и продуктов для оптимизации) является сложной задачей, если система по сути представляет собой большой OLAP-куб. RELEX может полагаться на достаточно простые алгоритмы для быстрого принятия решений (например, жадные эвристики для перераспределения запасов между магазинами). Это приемлемо для быстроты отклика, но может не обеспечить оптимальное решение, которое могла бы найти более медленная, стохастическая методика. Кроме того, обновления в реальном времени менее значимы, если вы не моделируете неопределенность должным образом — можно мгновенно реагировать на изменение спроса, но если вы изначально не учли неопределенность, вы все равно преследуете последнюю точку данных (потенциальная ловушка «погони за прогнозом»).

Automation: RELEX делает акцент на автоматизации в операционных процессах. Он рекламирует «автоматизацию и оптимизацию сложных процессов оптимизации запасов» ²⁵ и демонстрирует такие возможности, как «автоматизация перераспределения запасов» ¹⁷ и «реагирование в реальном времени» на изменения спроса посредством автоматических заказов ²⁶. На практике RELEX действительно способен автоматически генерировать заказы на пополнение запасов для магазинов, межмагазинные переводы и заказы на замену истекающих товаров с минимальным участием человека. Многие пользователи RELEX используют ежедневное автоматическое пополнение, где планировщики вмешиваются только в исключительных случаях. Однако RELEX не объясняет подробно логику своей автоматизации. Например, как именно определяется момент «инициации принудительных распродаж» истекающих товаров? Существует ли оптимизационная модель, балансирующая затраты на скидки против потерь, или применяется просто пороговое правило (например, продавать, если осталось менее 2 дней до истечения срока годности)? Такие детали не разглашаются. Таким образом, хотя мы считаем, что RELEX способен хорошо автоматизировать рутинные задачи, мы критикуем отсутствие прозрачности. Вероятно, применяется большое количество правил, основанных на эвристиках, что работает, но не столь элегантно, как оптимизированная политика. Тем не менее, по сравнению с более старыми корпоративными системами, требующими значительного ручного планирования, RELEX является большим шагом вперед в автоматизации. Имейте в виду, что ярлык «автономный» может быть преувеличен — для поддержания эффективности автоматизации требуется определенная настройка со стороны планировщиков (например, установка параметров для этих правил).

Constraint Handling: RELEX хорошо справляется с несколькими сложными ограничениями, особенно для специфических потребностей розничной торговли:

Expiration and perishables: Как отмечалось, у RELEX здесь сильные возможности (отслеживание по партиям, прогнозы порчи, автоматическое планирование скидок для товаров с приближающимся сроком годности) ²². Это указывает на то, что RELEX может автоматизированно управлять товарами с коротким сроком годности — что крайне важно для продуктовых магазинов.
Batching / Truckloads: RELEX оптимизирует загрузку грузовых партий и учитывает минимальные объемы заказа/округление ¹⁷ ²¹. Он конкретно упоминает предотвращение перевозок «пустым» грузовиком за счет оптимальной загрузки, что демонстрирует внимание к ограничениям транспортных затрат.
Price breaks / promotions: Функция предварительной закупки ⁹ предполагает, что RELEX порекомендует закупать до повышения цены или для получения оптовой скидки, уравновешивая это с затратами на хранение. Это сложное ограничение, которое многие системы игнорируют.
Cannibalization/substitution: Слабая сторона – как обсуждалось, вероятно, не решается явно механизмом RELEX.
Returns: В розничной торговле (особенно в электронной коммерции) возвраты могут быть значительными (например, в модной индустрии). RELEX имеет модуль «прогнозирования запасов», который упоминает учет порчи и, предположительно, может учитывать возвраты ²⁷, но детали остаются неясными. Можно с уверенностью предположить, что обработка возвратов осуществляется в ERP-системах, а не прогнозируется в планировании спроса RELEX.
Quasi-seasonality: RELEX способен прогнозировать сезонный спрос (например, он обрабатывает недельные сезонные профили для каждого продукта/магазина). Для нерегулярных моделей спроса его алгоритмы машинного обучения могут уловить некоторые закономерности, но без явной документации это подтвердить невозможно. Вероятно, он рассматривает акции как специальные события (с отдельными прогнозами подъема спроса) — стандартная практика для розничных решений.
Storage capacity: RELEX может в определенной мере моделировать вместимость торговых полок (не заказывая сверх доступного пространства и т.д.) в рамках интеграции с планограммой. Что касается емкости распределительных центров, это неясно — возможно, применяется система оповещений.
Multi-echelon: RELEX осуществляет многоуровневое планирование (магазин-распределительный центр-поставщик). Однако дизайн в реальном времени может вступать в конфликт с по-настоящему оптимальной многоуровневой оптимизацией запасов ¹⁸. Система может оптимизировать каждый уровень с помощью эвристик, а не использовать целостную стохастическую модель для всех уровней одновременно. Это нюанс: да, она осуществляет многоуровневое планирование (на практике многие клиенты используют ее для замены устаревших инструментов многоуровневого планирования), но делает ли она это оптимально? Вероятно, нет — в математически строгом смысле, скорее, применяется последовательная оптимизация (прогнозирование для магазина -> поставка из распределительного центра -> поставка в распределительный центр от поставщика с резервами на каждом этапе).

Verdict: RELEX занимает одно из лидирующих мест, особенно для ретейлеров и компаний, работающих со свежими продуктами. Его сильные стороны заключаются в практических функциях (управление скоропортящимися товарами, быстрая аналитика, прозрачность цепочки поставок, обслуживание акций) и современном пользовательском интерфейсе, что явно отличает его от устаревших систем планирования. Однако, при скрупулезном анализе, RELEX теряет баллы за недоказанные заявления об ИИ и отсутствие глубины вероятностного подхода. Чрезмерное использование модных терминов без сопутствующей методологии (отсутствие опубликованных алгоритмов или исследований эффективности) означает, что мы должны относиться к бренду «ИИ» с осторожностью ²⁸. Более того, игнорирование прогнозирования времени выполнения и опора на устаревшие модели прогнозирования могут привести к тому, что RELEX не достигнет теоретически оптимального результата — он предоставляет хорошее практическое решение, но не самое научно продвинутое. Компании, оценивающие RELEX, должны настаивать на подробностях того, как система справляется с неопределенностью и сложными взаимодействиями; в противном случае можно считать, что большая часть его интеллекта исходит из бизнес-правил и пользовательской настройки, а не из чудодейственного ИИ. В итоге, RELEX является надёжным игроком с подлинными инновациями в удобстве использования, однако остается отчасти «черным ящиком» и, возможно, переоценен в маркетинге. Мы оцениваем его высоко, но ниже, чем действительно вероятностные, ориентированные на детали подходы.

4. ToolsGroup – Наследие «вероятностного» игрока – противоречивые заявления

Overview: ToolsGroup работает в области оптимизации запасов уже десятилетиями (основана в 1993 году) со своим флагманским программным обеспечением SO99+ (Service Optimizer 99+). ToolsGroup активно продвигает себя через вероятностное прогнозирование и планирование запасов, ориентированное на уровень сервиса. Фактически, ToolsGroup, можно утверждать, была пионером использования распределений спроса для управления уровнем запасов в начале 2000-х годов. Компания также рекламирует возможности в области планирования спроса, «датчика спроса», многоуровневой оптимизации и даже ценообразования (с дополнительными модулями, такими как Price.io). Однако сообщения ToolsGroup в последние годы вызывают серьезные вопросы. Компания свободно использует модные термины, такие как ИИ/МО, и хвастается автоматизацией, однако их публичные материалы зачастую противоречивы или лишены технической содержательности. Мы наблюдаем сочетание солидного функционала (базовая математика SO99+ для оптимизации запасов основана на классических методах операционного исследования) и маркетинговой болтовни, которая не выдерживает критики (например, обсуждение вероятностных прогнозов при ссылке на ошибки MAPE, что концептуально неверно ²⁹).

Вероятностный спрос и сроки исполнения: На первый взгляд, ToolsGroup утверждает, что всё основано на вероятностном прогнозировании. Например, в их брошюрах говорится, что ToolsGroup использует «прогноз вероятности» наряду с параметрами поставок (срок исполнения и т.д.) для оптимизации уровней запасов ³⁰. Действительно, SO99+ может генерировать «кривую запаса к уровню обслуживания» – по сути, демонстрируя распределение спроса по сроку исполнения и достигнутый уровень обслуживания при заданных инвестициях в запасы ³⁰. Это указывает на то, что ToolsGroup до некоторой степени моделирует неопределённость спроса. Однако есть один нюанс: подход ToolsGroup к вероятностному прогнозированию выглядит недоразвитым и устаревшим. Примечательно, что с 2018 года они начали рекламировать «вероятностные прогнозы» в маркетинговых материалах, одновременно обсуждая улучшения MAPE (средняя абсолютная процентная ошибка) ²⁹. Это противоречиво – MAPE является метрикой точности точечных прогнозов и «не применяется к вероятностным прогнозам» ²⁹. Такое явное смешение понятий указывает на то, что вероятностная инициатива ToolsGroup может быть больше модным трендом, чем реальностью. Это как если бы они добавили вероятностный вывод, но всё ещё оценивали его по старым метрикам, подрывая достоверность всего начинания.

Когда речь заходит о прогнозировании сроков исполнения: в материалах ToolsGroup не упоминается прогнозирование сроков исполнения как случайных величин. Сроки исполнения рассматриваются как входные параметры (возможно, с допущениями по вариативности), а не как то, что программное обеспечение прогнозирует на основании исторической работы поставщиков. В их техническом описании указано, что срок исполнения является одним из «поставочных параметров», используемых в модели ³⁰. Таким образом, если пользователь задаёт ожидаемый срок исполнения и, возможно, стандартное отклонение, SO99+ учитывает это при расчёте запаса безопасности – но похоже, что ToolsGroup не генерирует динамическое распределение вероятностей сроков исполнения самостоятельно. Это важное различие. По-настоящему вероятностная система, например, учла бы, что сроки исполнения определённого поставщика с 20%-ной вероятностью могут удвоиться (возможно, из-за таможенных задержек) и учла бы это при оптимизации запасов. Мы не видим доказательств того, что ToolsGroup проводит подобный анализ. Поэтому, по нашим строгим меркам, ToolsGroup не проходит полный тест на вероятностность – он упоминает сроки исполнения только как статичные входные данные, а не как прогнозируемые неопределённости. Такое отсутствие явного моделирования сроков исполнения делает ярлык «вероятностный» у ToolsGroup несколько поверхностным. Мы считаем это серьёзным недостатком: поставщик, позиционирующий себя как вероятностный, но игнорирующий один из основных источников неопределённости, не следует своим словам в полной мере.

Претензии на продвинутые функции: К сожалению, ToolsGroup поднимает несколько тревожных сигналов в этой области:

Компания выдвинула широкие утверждения относительно «ИИ» в своём программном обеспечении, которые являются сомнительными ³¹. Публичной информации о том, какие именно методы ИИ (если они вообще используются) применяет ToolsGroup, немного. Их устаревшие алгоритмы появились до бума ИИ и основаны больше на статистике и методах операционного анализа. Похоже, ярлык «ИИ» является больше маркетинговым приукрашиванием. Например, ToolsGroup приобрела стартап в области ИИ (возможно, для улучшения имиджа), но их основной продукт внезапно не стал основываться на глубоком обучении. Без конкретных технических объяснений (которые ToolsGroup не предоставила публично) мы считаем их утверждения об ИИ неподкреплёнными.
Ощущение спроса: ToolsGroup предлагает модуль для «ощущения спроса» (корректировка краткосрочных прогнозов с использованием данных последующих звеньев). Однако независимый анализ обнаруживает, что «утверждения о «ощущении спроса» (от ToolsGroup) не подтверждаются научной литературой» ¹⁹. Другими словами, ToolsGroup заявляет, что может отслеживать сдвиги спроса с помощью ИИ, но нет доказательств того, что этот подход эффективнее обычной статистики или человеческого планировщика. Учитывая, что «ощущение спроса» является известным модным словечком, часто используемым расплывчато, мы относимся к этому утверждению с большим скептицизмом. Если только ToolsGroup не сможет, например, продемонстрировать результаты рецензируемого исследования, показывающие, что их алгоритм ощущения спроса обеспечивает лучшие показатели наличия товаров, мы считаем это vaporware.
Каннибализация, акции, машинное обучение: ToolsGroup не делает акцент на продвинутом моделировании взаимопоглощения или межпродуктовых эффектов – вероятно, потому что в этом они не выделяются. Если спросить, они могли бы сказать «наше машинное обучение справляется со сложными шаблонами», но подробностей нет. Мы не нашли документации о том, что ToolsGroup реализует, например, матрицу замещения или модель коэффициента подключения для связывания спроса на разные товары. Поэтому любое утверждение о том, что ToolsGroup оптимизирует запасы для взаимодействующих продуктов, не заслуживает доверия без доказательств. Аналогично, они упоминают использование «самоадаптивных моделей» и машинного обучения, но предлагаемые методы (например, какой-то вид распознавания шаблонов) звучат довольно стандартно и, возможно, устаревшими. Фактически, публичные материалы намекают на то, что ToolsGroup всё ещё использует прогнозные модели до 2000 года ³² (например, метод Кростона для прерывистого спроса, возможно, ARIMA для других). Сами по себе они не плохи, но это противоречит блестящему нарративу об ИИ.

В итоге, склонность ToolsGroup к смешиванию современных модных терминов с устаревшими методами вызывает беспокойство. Это указывает на маркетинговое обновление, не подкреплённое реальными НИОКР. Например, на сайте ToolsGroup говорится об «автоматизации для преодоления проблем» ³³ и подобных банальностях, но при детальном анализе оказывается, что по сути описывается то, что их программное обеспечение всегда делало (многоуровневая оптимизация запасов), теперь переименованное в ИИ.

Автоматизация: ToolsGroup всегда продвигала своё решение как высокоавтоматизированное и основанное на «исключениях». Они часто подчёркивают, что SO99+ является крайне автоматизированным, требующим минимального вмешательства пользователя после настройки. IDC-комментарий в их брошюре отмечает, что «несмотря на свою мощность… ToolsGroup MEIO является высокоавтоматизированным при чрезвычайно низкой стоимости владения» ³⁴. Действительно, многие внедрения ToolsGroup работают автоматически, генерируя ежедневные или еженедельные предложения по пополнению запасов, которые затем проверяются планировщиками. Однако мы критикуем неясность того, как принимаются автономные решения. ToolsGroup не объясняет «автономный механизм принятия решений» иначе, как утверждая, что модели корректируются и выдают рекомендации. Ключевые проблемы автоматизации – такие как динамическая корректировка правил заказов при изменении трендов или избегание погони за вариативностью – не описаны. Мы подозреваем, что автоматизация у ToolsGroup в основном заключается в прогнозировании и расчёте уровней запасов (система обновляет прогнозы и пересчитывает минимальные/максимальные уровни или предложения по заказу без ручного вмешательства). Это ценно, но стандартно для такого типа программного обеспечения. Без дополнительных инженерных подробностей мы не можем дать ToolsGroup дополнительные баллы. Они соответствуют базовому уровню автоматизации, ожидаемому от программ для оптимизации запасов (и делают это уже много лет), но любое утверждение о том, что это полностью автономная цепочка поставок, является преувеличением. Примечательно, что ToolsGroup требует значительной настройки (целевые уровни обслуживания для каждого товара, правила сегментации и т.д.), которые часто устанавливаются вручную планировщиками или консультантами. Если эти параметры заданы неверно, автоматизация может дать неудовлетворительные результаты. ToolsGroup не представила ИИ, который автоматически подбирает оптимальные уровни обслуживания или корректирует политики самостоятельно – эти задачи всё ещё остаются за людьми. Поэтому мы считаем, что ToolsGroup обеспечивает хорошие автоматизированные расчёты, но не полноценное автономное планирование от начала до конца в современном понимании.

Учет ограничений: Исторически SO99+ от ToolsGroup имел сильную математическую базу для оптимизации запасов, но слабее справлялся с пограничными ограничениями:

Многоуровневость: Да, он был разработан для многоуровневой оптимизации запасов. Он может оптимизировать буферы запасов в сети с учётом неопределённости (в основном посредством подхода «целевого уровня обслуживания»). Это преимущество – он может довольно хорошо работать в сетях распределительных центров и магазинов, обеспечивая наличие нужного запаса на соответствующем уровне для достижения целей обслуживания.
Вариативность сроков исполнения: Он учитывает её при расчёте запаса безопасности (если вы задаёте параметр вариативности срока исполнения, он включается в расчёт запасов). Но, как упоминалось, он не прогнозирует сроки исполнения и не проводит сценарное планирование.
Размер партий, минимальные объемы заказа: ToolsGroup может обрабатывать эти стандартные ограничения поставок. Вы можете задать кратность партий, минимальные объемы заказа, и система порекомендует заказы с учётом этих параметров.
Сроки годности: ToolsGroup не известна оптимизацией скоропортящихся запасов. Вероятно, у неё нет специализированной логики для учета срока годности (и мы не нашли упоминаний об этом). Пользователю придётся обрабатывать товары с истекающим сроком годности вручную или как отдельные SKU по дате истечения (что неудобно). Это является ограничением для таких отраслей, как продовольствие или химическая промышленность. В отличие от RELEX, который явно борется с порчей, ToolsGroup, по-видимому, сосредоточена на запасах «без срока годности».
Отслеживание серий/партии: Не входит в сферу планирования – это больше относится к исполнению/ERP. ToolsGroup не оптимизирует на уровне отдельных серий.
Каннибализация и замещение: Философия ToolsGroup основывается преимущественно на одномерном прогнозировании (спрос на каждый SKU прогнозируется отдельно, возможно, с использованием регрессионных факторов). Она не моделирует по умолчанию ситуацию «если товар A закончится, часть спроса перейдёт на товар B» или подобное. Опытный пользователь мог бы внести корректировки во внешние прогнозы, чтобы учесть это, но сам инструмент не предоставляет явной функции для этого. Таким образом, он не справляется с этой продвинутой задачей.
Возвраты: ToolsGroup в основном обрабатывает новый спрос и поставки. Она не прогнозирует возвраты в ритейле или выходы восстановленной продукции по своей сути. Пользователям необходимо включать средние показатели возвратов в чистый спрос, если это требуется.
Квази-сезонность: Если шаблоны спроса нерегулярны, старые модели ToolsGroup могут испытывать трудности. Без современного машинного обучения они могут не уловить сложные драйверы спроса. Хотя они упоминают машинное обучение, мы подозреваем, что оно может быть примитивным. Таким образом, необычные шаблоны могут быть упущены (что может привести к отсутствию товара или избытку, если планировщики не вмешаются вручную).
Хранение/Вместимость: Это не является приоритетом. ToolsGroup оптимизирует запасы с учётом компромисса между уровнем обслуживания и затратами, но предполагает, что у вас есть место для хранения рекомендованных запасов. Он не решает задачи, подобные задаче о рюкзаке, при ограниченном пространстве или бюджете, если вы не моделируете сценарии вручную.

В целом, ToolsGroup хорошо охватывает основные и наиболее распространённые ограничения запасов (многоуровневость, минимальные объемы заказа, неопределённость спроса до определённой степени). Однако он уступает в решении новых или специализированных задач. Примечательно, что ToolsGroup лишена современной перспективы «финансовой оптимизации» – то есть, она не максимизирует напрямую прибыль или не минимизирует общие затраты с учётом ограничений, а обычно работает в рамках целевых уровней обслуживания. Такой подход может быть не оптимальным, если, например, два продукта имеют сильно различающиеся маржинальные показатели – вероятностный оптимизатор распределил бы запасы для максимизации ожидаемой прибыли, тогда как ToolsGroup мог бы отнестись к ним одинаково, если у них общий целевой уровень обслуживания. Эта деталь объясняет, почему технология ToolsGroup, хотя и была надёжной в своё время, теперь выдает признаки устаревания.

Вердикт: ToolsGroup занимает интересное положение. Это старейший поставщик с устойчивым и компетентным продуктом, и он был одним из первых, кто вышел за рамки чисто детерминированного планирования. Однако, в сравнении, основанном на фактах, ToolsGroup получает смешанную оценку. Мы приветствуем, что он говорит о вероятностном управлении запасами – эта концепция абсолютно верна – но мы должны «выявить» факт, что ToolsGroup не полностью следует своим словам. Несогласованность маркетинга (PF + MAPE ²⁹) и отсутствие доказательств подлинной стохастической оптимизации (например, отсутствие опубликованной «алгебры случайных величин» в их технологическом стеке) означают, что вероятностные утверждения ToolsGroup находятся на шатком основании. На практике, он может делать не более чем вычислять запас безопасности с использованием распределения вероятностей – полезно, но не революционно. Мы сурово критикуем ToolsGroup за упование на модные термины вроде ИИ и ощущения спроса без подтверждения. Эти известные ложные утверждения ³⁵ подрывают его доверие. Тем не менее, многие компании добились хороших результатов с программным обеспечением ToolsGroup в снижении запасов и улучшении обслуживания – это не змеелечение; просто оно не так продвинуто, как заявлено. Мы оцениваем ToolsGroup ниже по сравнению с по-настоящему инновационными игроками, но выше худших представителей, поскольку в основе у неё находится математически обоснованный (пусть и старомодный) механизм и широкая функциональность (прогнозирование + запасы + пополнение в одном).

5. GAINS Systems – Проверенное решение, отраслевой опыт, омрачённый ажиотажем

Обзор: GAINSystems – это ветеран отрасли (основана в 1971 году!), предоставляющий комплексное программное обеспечение для планирования цепочки поставок, с особым упором на оптимизацию запасов и аналитику цепочки поставок. Их программное обеспечение (GAINS) исторически было известно своей сильной поддержкой запасов сервисных частей и запасов для MRO (технического обслуживания, ремонта и эксплуатации) – областей с прерывистым спросом, в которых GAINS зарекомендовала себя. GAINS Systems предлагает модули для прогнозирования спроса, оптимизации запасов (включая многоуровневость), S&OP и т.д., аналогичные по охвату ToolsGroup. В последние годы GAINS пыталась обновить свой имидж, говоря о «оптимизации как услуге» и используя машинное обучение. Однако, подобно ToolsGroup, GAINS страдает от раздувания маркетинговых показателей: теперь она рекламирует «ИИ/МЛ» и «ощущение спроса» без убедительных доказательств, а её основные методы, по-видимому, остаются классическими прогнозными моделями до 2000 года, которые она всегда использовала ³⁶.

Вероятностный спрос и время выполнения заказов: GAINS не афиширует вероятностное прогнозирование. Вероятно, он использует традиционные статистические модели (метод Кростона для прерывистого спроса, возможно, бутстрэппинг для спроса в периоды выполнения). Мы не обнаружили явного упоминания о прогнозировании неопределенности времени выполнения – что является явным признаком того, что GAINS, возможно, также отстает в этом направлении. Основной акцент GAINS часто делается на достижении целевого уровня заполненности или уровня обслуживания при минимальных затратах, что подразумевает наличие некоторых стохастических соображений (похожих на то, как устанавливают страховой запас). Однако подробностей реализации крайне мало. GAINS, как правило, делает акцент на результатах («улучшение обслуживания, снижение запасов»), а не на том, как именно они это вычисляют. Отсутствие четкого вероятностного языка заставляет нас полагать, что GAINS в основном опирается на детерминированные или полуаналитические методы: например, он может предполагать определенную дисперсию спроса и времени выполнения и подставлять их в формулы, а не выводить полные распределения. По нашим критериям, GAINS не выделяется как лидер в вероятностном прогнозировании. Мы классифицируем его как еще один инструмент, который вероятно использует классические расчеты страховых запасов и, возможно, некоторое моделирование, но не рассматривает времена выполнения как прогнозируемые случайные величины. Следовательно, GAINS будет оценен как «несерьезный» с точки зрения вероятностной строгости – он не рекламирует эту возможность, и мы сомневаемся, что она у него есть.

Продвинутые заявления о возможностях: GAINS начал использовать модные термины в рамках ребрендинга для 2020-х. В их сообщениях присутствуют заявления о «превосходной точности» благодаря запатентованным алгоритмам и даже упоминания о машинном обучении для сопоставления и кластеризации ³⁷. Давайте разберем:

«Превосходная точность» прогнозов: Сообщается, что GAINS утверждает, что его прогнозирование точнее, чем у конкурентов. Однако анализ называет это «сомнительным», отмечая, что запатентованный алгоритм GAINS не фигурирует на верхних позициях в крупных конкурсах по прогнозированию ³⁸. Действительно, одно из утверждений заключалось в том, что алгоритм GAINS «Procast» превосходит другие, но его нет в числе лидеров таких конкурсов, как прогнозирующий конкурс M5 ³⁸. Это вызывает серьезные сомнения – если бы у GAINS была мировая технология прогнозирования, она должна была бы выделяться на объективных тестах, но этого не происходит. Таким образом, мы отвергаем похвалу GAINS за точность как недоказанную. Фактически, методы с открытым исходным кодом (например, из пакетов R доктора Роберта Хайндмана) вероятно, работают лучше ³⁹.
Сенсирование спроса и МЛ: GAINS продвигает «сенсирование спроса» и использует термины, такие как кластеризация с применением ML. Независимый обзор прямо заявил: «Техники вроде ‘сенсирования спроса’ – это пустышки, не подтвержденные научной литературой. [И] элементы МЛ, такие как сопоставление и кластеризация, также относятся к довоенным 2000-м техникам.» ⁴⁰. Это указывает, что GAINS может претендовать на довольно стандартные статистические практики, выдавая их за нечто инновационное в области искусственного интеллекта. Например, кластеризация схожих элементов для прогнозирования или классификации – это практика, существующая десятилетиями, а не передовое машинное обучение. Тот факт, что они это выделяют, показывает, что «МЛ» от GAINS является элементарным – вовсе не чем-то, сравнимым с глубоким обучением или современным вероятностным программированием. Поэтому мы наказываем GAINS за соответствие модным словам: они ставят галочки (ИИ, МЛ и т.д.) в маркетинге, но не предоставляют деталей или прорывных идей для подтверждения этого. Такое поведение соответствует общей модели, которую мы критикуем в отрасли: использование модных терминов без содержания.
Оптимизация как услуга: GAINS говорил о переходе к облачной модели обслуживания, подразумевая, что вы можете загрузить данные и получить результаты оптимизации. Несмотря на то, что это современная стратегия развертывания, сама по себе оптимизация не становится автоматически продвинутой. Мы подозреваем, что базовые методы решения GAINS остаются прежними; изменяется только модель доставки (облако/SaaS). В этом нет ничего плохого, но это не является дифференциатором в возможностях (многие поставщики уже предлагают облачные решения).

С положительной стороны, GAINS Systems известна своим глубоким отраслевым опытом в определенных сферах:

Они досконально понимают планирование запасных частей (например, моделирование медленно движущихся деталей, контракты на уровень обслуживания, коэффициенты возврата в ремонте). Их программное обеспечение, вероятно, способно обрабатывать сценарии, такие как прогнозирование возвратов ремонтируемых единиц или учет норм выбраковки, что могут не предусматривать обычные инструменты для управления запасами. Это несколько спекулятивно, но учитывая их длительную работу в этой области, это весьма вероятно.
GAINS имеет репутацию сильной поддержки клиентов и тесного взаимодействия с планировщиками – однако это часто означает, что решение поддерживается консультационными услугами вместо полностью автоматизированной магии.

Автоматизация: GAINS продвигает идею автоматизации управления запасами (на их сайте даже сказано «Автоматизируйте вашу систему управления запасами с GAINS» ⁴¹). Инструмент, безусловно, может автоматизировать формирование прогнозов и политики управления запасами. GAINS поддерживает непрерывное планирование: обновление рекомендаций по мере поступления новых данных. Однако нам не хватает деталей о том, насколько система действительно автономна. Мы подозреваем, как и другие, что расчеты автоматизированы, но окончательные решения требуют утверждения со стороны планировщиков. GAINS представил инициативу («методология P3» и т.д.), которая может внедрить дополнительную текущую оптимизацию. Без явных доказательств мы остаемся нейтральными: GAINS, вероятно, предоставляет типичный уровень автоматизации для корпоративного инструмента – хорош, но не заметно лучше аналогов. Стоит отметить, что GAINS – небольшая компания, и небольшие поставщики часто тесно адаптируют решения под нужды клиентов (что может улучшить практическую автоматизацию, так как они настраивают правила системы для вас). Но с инженерной точки зрения GAINS не опубликовала никаких уникальных алгоритмов автоматизации, чтобы их хвалить.

Обработка ограничений: GAINS учитывает многие традиционные ограничения и некоторые специализированные:

Многоуровневость: Да, GAINS проводит многоуровневую оптимизацию запасов (их опыт в аэрокосмической/оборудовательной промышленности подразумевает многоступенчатое размещение запасов).
Вариация времени выполнения: учитывается при расчетах уровня обслуживания, предположительно.
Размеры партий/Минимальные объемы заказа (MOQ): поддерживается, как и любой серьезный инструмент.
Прерывистый спрос: одна из исторических сильных сторон GAINS. Вероятно, GAINS использует метод Кростона или подобный для медленно движущихся товаров (что обычно встречается в сфере запасных частей), что необходимо для избежания недозапаса прерывистых артикулов.
Возвраты/Ремонт: скорее всего, применяется для MRO – GAINS учитывает время оборота ремонта и коэффициенты (например, процент выбраковки по сравнению с отремонтированными) в своих расчетах для запасных частей. Это то, что не все поставщики учитывают, поэтому у GAINS может быть преимущество в этом.
Срок годности: не является типичным фокусом для GAINS (их отрасли были больше промышленными, чем скоропортящимися), поэтому поддержка по сроку хранения, вероятно, минимальна.
Каннибализация: Очевидно, не обрабатывается; как и другие, GAINS, вероятно, рассматривает товары независимо при прогнозировании.
Ограничения по хранению: Неясно; GAINS не рекламировала решение, например, ограничений складских площадей при оптимизации.
Оптимизация затрат: GAINS подчеркивает прибыль и затраты в некоторых сообщениях, но конкретный метод неизвестен. Возможно, они, как и Lokad, имеют возможность учитывать маржу товара или затраты на хранение в цели оптимизации (что было бы хорошо). Или же они все еще делают это через уровень обслуживания, как ToolsGroup.

Вердикт: GAINSystems – это уважаемый ветеран с глубоким пониманием проблем управления запасами, особенно в узкоспециализированных областях (запасные части, промышленность). Однако в этой ранжировке, основанной на поиске правды, GAINS не может избежать средней оценки. Причины ясны: его модели прогнозирования устарели, а последние маркетинговые попытки (сенсирование спроса, кластеризация с МЛ) выглядят как пытающиеся выглядеть модно без реальных инноваций ⁴⁰. По сути, GAINS – крепкое решение 1990-х/2000-х, пытающееся сохранить свою актуальность. Мы отдаем ему должное за отраслевую экспертизу и практические результаты – клиенты действительно отмечают сокращение запасов и улучшение сервиса – но снимаем баллы за отсутствие прозрачности и преувеличенные заявления. В эпоху, когда ведущие поставщики делятся техническим контентом или публикуют исследования, GAINS остается относительно закрытым; то, что нам удалось узнать (например, хваление запатентованных алгоритмов), не убедительно. Для компаний с очень специфическими потребностями (например, планирование запасных частей) GAINS может по-прежнему быть лучшим выбором благодаря своим адаптированным функциям. Но для тех, кто ищет самые передовые, основанные на науке методы оптимизации, GAINS, скорее всего, разочарует, если не проведет масштабное обновление технологий. В нашей ранжировке GAINS находится выше поставщиков, полагающихся исключительно на хайп без содержания, но ниже тех, кто сочетает честность с инновациями. Он получает скромное признание как способное решение, обернутое устаревшими технологиями и некоторыми необоснованными модными словами.

6. SAP (IBP for Inventory / Former SmartOps) – Сложный набор инструментов, интеграция важнее инноваций

Обзор: SAP, гигант корпоративного программного обеспечения, естественно, присутствует на этом рынке благодаря своему огромному портфелю приложений для цепочки поставок. За годы SAP приобрела несколько специализированных технологий оптимизации запасов – SmartOps (приобретена в 2013 году), SAF AG (2009, прогнозирование спроса) и даже аналитическую компанию KXEN (2013) для предиктивного моделирования ⁴². Эти приобретения должны были дополнить собственные системы планирования SAP, такие как APO (Advanced Planner & Optimizer) и позже SAP IBP (Integrated Business Planning). Сегодня SAP предлагает возможности оптимизации запасов в основном через SAP IBP for Inventory (модуль IBP, который, вероятно, включает многоуровневые алгоритмы SmartOps) и, возможно, через дополнения в S/4HANA. Однако история SAP – это история фрагментации и сложности. Как отметил один обзор, «под брендом SAP скрывается сумбурное собрание продуктов» из-за всех этих приобретений ⁴³. В итоге, оптимизация запасов SAP ощущается как надстройка – не как бесшовно интегрированный, передовой оптимизатор, а скорее набор функций, требующих значительной интеграции и экспертных услуг для извлечения ценности.

Вероятностный спрос и время выполнения заказов: Наследственные решения SAP (например, APO) в основном были детерминированными (с использованием точечных прогнозов, страхового запаса на основе простых статистических моделей). SmartOps, инструмент, приобретенный SAP, был известен вероятностным многоуровневым моделированием – он рассчитывал распределения запасов и рекомендованные уровни запасов для достижения целевых уровней обслуживания в условиях неопределенности. То есть, в теории, SAP IBP for Inventory имеет внутри себя некоторый вероятностный движок (благодаря SmartOps). SmartOps действительно учитывал как вариабельность спроса, так и некоторую вариабельность поставок. Но сама SAP не подчеркивает в маркетинге «вероятностное прогнозирование»; это не является частью сообщений SAP на рынке. Таким образом, многие клиенты SAP, возможно, даже не используют модуль продвинутой оптимизации запасов в полной мере. Прогнозирование времени выполнения – это не то, что SAP рекламирует. Если только клиент не использует специально блок SmartOps, который может позволить переменное время выполнения, стандартное планирование SAP предполагает фиксированное время выполнения (с, возможно, небольшим временным резервом). По нашим критериям, SAP не демонстрирует приверженности вероятностному прогнозированию. Возможность может существовать глубоко внутри программного обеспечения, но если она не представлена явно, мы считаем это упущением. Более того, смешение нескольких приобретенных технологий может привести к несоответствиям – например, прогнозы спроса могут поступать из одного движка (детерминированного), в то время как оптимизация запасов – из другого (стохастического), и они могут быть не полностью согласованы. Действительно, одна из критик была: «корпоративное программное обеспечение не становится однородным после слияний и поглощений», что указывает на то, что приобретенные части SAP не слились бесшовно ⁴⁴.

Продвинутые возможности и заявления: SAP обычно не завышает роль ИИ в цепочке поставок (по крайней мере, не так явно, как некоторые другие), но в последнее время даже SAP использует некоторую терминологию МЛ/ИИ в маркетинге IBP. Тем не менее, SAP, как правило, рассматривается как функционально насыщенный, но не алгоритмически продвинутый продукт. Компонент SmartOps придал SAP солидный многоуровневый оптимизатор. Однако сомнительно, что SAP смогла поддерживать эту технологию на современном уровне или сделать ее превосходящей новые модели ⁴⁵. Фактически, общее впечатление таково, что SmartOps (и подобные ему) использовали стандартные методы операций, и что послевоенные методы МЛ «не превосходят допозападниковские модели» в данном контексте ⁴⁵ – это подразумевает, что SAP не предоставляет прогнозов лучше, чем такие модели, как ARIMA или Кростон, несмотря на наличие МЛ-технологий, таких как KXEN. Маркетинговая стратегия SAP, как правило, акцентирует внимание на интеграции (единая платформа, «одна истина» в ERP и т.д.), а не на превосходстве в прогнозировании по сравнению с конкурентами. Эта честность является двуострым мечом: они не преувеличивают волшебство ИИ, но и не являются лидерами в инновациях.

Сила SAP может заключаться в обработке сложных ограничений в рамках более широкой цепочки поставок, поскольку у них есть все данные и детальная информация о транзакциях:

Они могут учитывать ограничения мощности и производственные ограничения в IBP, если объединить модули (планирование запасов можно связать с планированием поставок).
Они могут использовать данные о показателях поставщиков из ERP для ручной корректировки временных резервов или страховых запасов при изменении времени выполнения (хотя это не является автоматическим «прогнозированием»).
Решения SAP могут управлять сроками годности в системе исполнения (SAP EWM или ERP обрабатывают истечение срока партий, а APO имел планирование срока годности для обеспечения соответствия спросу). Однако оптимизация запасов с учетом сроков годности (например, решение о том, сколько дополнительно запасать для учета порчи) не является выдающейся функцией – SAP в основном отправляет уведомления об истечении срока партий.

SAP также упоминает использование ИИ/МЛ в прогнозировании спроса (SAP Analytics Cloud имеет функции прогнозирования, а IBP обладает некоторыми возможностями МЛ для прогнозирования), но ничего революционного не было отмечено. Более того, основной аргумент SAP часто состоит в том, что это интегрированная платформа, а не блеск одного алгоритма. Недостаток в том, что каждая часть может быть средней, но в целом система слишком сложна.

Особенно стоит отметить, что оптимизация запасов в SAP требует обширных усилий по внедрению – «для достижения успеха понадобятся лучшие интеграторы – и несколько лет работы» ⁴⁶. Это указывает на то, что даже если у SAP есть продвинутые функции, их эффективное использование бывает сложным. Многие проекты SAP IBP сталкиваются с трудностями в полной автоматизации оптимизации; часто они переходят к более простым режимам планирования из-за проблем с данными или интеграцией.

Автоматизация: Парадигма SAP не заключается в автоматизации «черного ящика»; она ориентирована на плановые процессы. В среде SAP оптимизация запасов является лишь одним из этапов более масштабного цикла S&OP или планирования поставок. SAP IBP может автоматизировать отдельные расчеты (например, запуск оптимизатора каждую ночь), но, как правило, человеческие планировщики в SAP играют ключевую роль – настраивают систему, вводят сценарии и анализируют результаты. SAP на самом деле не заявляет о «автономном планировании», вместо этого предоставляя инструменты прогнозирования и оптимизации, которые опытные пользователи и консультанты должны организовывать. Поэтому по сравнению с другими SAP выглядит менее автоматизированным – или, по крайней мере, любая автоматизация создается индивидуально для каждого исполнителя. Мы оцениваем SAP строже из-за этого, так как их подход не обеспечивает возможности работы «без участия человека». Многие компании, работающие с SAP, в итоге переходят к полуавтоматическому планированию, несмотря на наличие модулей оптимизации, просто потому что создание доверия к «черному ящику» SAP является отдельным проектом. «Черный ящик» присутствует, но не настраивается под каждый бизнес без значительных консультаций.

Управление ограничениями: Одной из областей, в которой SAP действительно показывает себя с лучшей стороны, является широкий спектр ограничений, благодаря своему комплексному набору инструментов:

Многоуровневость: Да (с помощью SmartOps в IBP Inventory).
Размеры партий/Минимальное количество заказа (MOQ): Да, инструменты планирования SAP могут учитывать их в своих оптимизаторах.
Ограничения мощностей: Если использовать оптимизатор поставок SAP (часть IBP или APO CTM), можно учитывать ограничения производственных и складских мощностей – но это больше относится к планированию поставок, чем непосредственно к оптимизации запасов.
Срок годности: Управление на уровне выполнения отлично (SAP может отслеживать истечение срока партий, осуществлять распределение по принципу FEFO). На уровне планирования, APO обладал некоторыми функциями, чтобы запасы не превышали срок годности (например, не отправлять товар с близким сроком истечения в отдаленные точки). Неясно, перенесены ли эти функции в IBP.
Каннибализация/Замена: SAP IBP имеет модуль для введения новых продуктов, который может использовать моделирование по похожему профилю (то есть, он не слишком продвинут, но обладает возможностью связывать прогнозы для преемников и предшественников). Однако, можно сказать, что он отстает от специализированных розничных инструментов в этом отношении.
Возвраты: SAP, безусловно, может включать прогнозирование возвратов в планирование спроса, если это смоделировать (особенно для розничной торговли, где можно прогнозировать чистый спрос за вычетом возвратов). Опять же, это требует настройки.
Сложность стоимости хранения: Оптимизатор SAP может учитывать затраты на хранение и, таким образом, косвенно ограничивать запасы, если затраты на складское хранение резко возрастут (отражая ограничения по складу). Но для этого необходимо тщательное внедрение; решение не готовое «из коробки».

По сути, решение SAP для оптимизации запасов может быть настроено для выполнения множества функций, но это требует усилий. Это как набор инструментов, который, при грамотной настройке, способен имитировать многие продвинутые функции – однако сам SAP не предоставляет готового решения «нажатие кнопки».

Вердикт: SAP получает более низкую оценку в нашем исследовании, поскольку иллюстрирует проблему «всезнайки во всем, но мастера ни в чем». У него есть отдельные функциональные возможности (в том числе некоторая вероятностная оптимизация, унаследованная от приобретений), но нет четкого, последовательного и передового решения именно для оптимизации запасов. Сложность и «случайный набор» инструментов под эгидой SAP затрудняют извлечение пользы без значительных временных и финансовых затрат ⁴³. Мы строго наказываем SAP за эту сложность и за то, что интеграция затмила инновации – приобретенные технологии в основном остановились под управлением SAP (даже их достоинства часто теряются или недооцениваются). Заявления SAP, как правило, умеренные (они не преувеличивают и не лгут об ИИ; если что, их маркетинг может добавлять модные термины вроде ИИ, как это делает каждый, но без излишней претенциозности). Основная проблема в том, что оптимизация запасов в SAP не является маркетинговой пустышкой – она просто скрыта и громоздка.

Для компаний, уже глубоко интегрированных в экосистему SAP, использование встроенных инструментов SAP может показаться привлекательным (интеграция данных проще, один выбор для ответственности и пр.). Однако с точки зрения чистой производительности, немногие поспорят, что SAP IBP превосходит специализированных поставщиков. Глядя с позиции поиска истины, мы видим SAP как надежную, но не передовую, всестороннюю, но чрезмерно сложную систему. Он занимает нижнюю половину рейтинга, поскольку легкость достижения оптимизированной цепочки поставок с использованием SAP невысока – не из-за недостатка функций, а из-за сложности их объединения и сомнительной отдачи по сравнению с затраченными усилиями. Короче говоря: SAP может отметить наличие нужных функций, но мы ставим под сомнение, способно ли оно обеспечить оптимальные запасы на практике без огромных инвестиций. Это ставит его значительно ниже ведущих специалистов в нашем рейтинге.

7. o9 Solutions – Огромные амбиции, большой шум, непроверенная глубина

Обзор: o9 Solutions — новый участник рынка (основан в 2009 году), который быстро приобрел популярность как платформа планирования «следующего поколения». Его часто описывают как «цифровой мозг» или «Enterprise Knowledge Graph (EKG)» для цепочки поставок. o9 продвигает современную облачную платформу с изящным пользовательским интерфейсом, графовой моделью данных и множеством обещаний в области ИИ и аналитики. Они позиционируют себя как решение в стиле «большой технологии» для цепочки поставок – с огромной вычислительной мощью, большим объемом памяти и единой моделью данных, поддерживающей все: от прогнозирования спроса до планирования поставок и управления доходами. Что касается оптимизации запасов, o9 утверждает, что делает это как часть комплексного планирования. Однако репутация o9 в технических кругах связана с чрезмерным ажиотажем и недостаточной ясностью реальных методов. Они впечатляют потенциальных клиентов большим «техническим весом» (множество функций, хорошие демонстрации), но при детальном анализе их реальные отличительные черты остаются неясными. Как отметил один анализ, «Технический вес o9 зашкаливает… Дизайн на основе in-memory гарантирует высокие затраты на оборудование. Многие заявления о прогнозировании, касающиеся графовой базы данных (под брендом EKG), кажутся сомнительными и не подтверждены научной литературой. Много ИИ-ажиотажа, но элементы, найденные на Github, указывают на обычные методы.» ⁴⁷. Это подытоживает наши выводы: o9 однозначно находится в категории «ИИ болтовни», пока не будет доказано обратное.

Вероятностный спрос и сроки поставки: Нет никаких доказательств, что o9 изначально формирует вероятностные прогнозы для спроса или сроков поставки. Их упоминание о Enterprise Knowledge Graph подразумевает связывание различных данных (что могло бы помочь выявить причины изменчивости сроков поставки и т.д.), однако опубликованные кейс-стади и материалы o9 не упоминают статистические распределения или стохастическую оптимизацию явно. Они больше концентрируются на планировании сценариев и оперативном перепланировании. Мы предполагаем, что o9, скорее всего, использует типичные методы прогнозирования (машинное обучение по временным рядам или даже готовые библиотеки) для получения единичных прогнозов, возможно, с диапазонами. Без прямого подтверждения мы предполагаем, что сроки поставки воспринимаются как входные данные (возможно, с некоторыми буферными правилами), но не прогнозируются как случайные величины. Таким образом, по нашим критериям, o9 не проходит вероятностное тестирование. Фактически, учитывая их акцент на интеграции больших данных, они могут быть более детерминированными, чем большинство – стремясь включить множество сигналов (тем самым предполагая, что можно предсказать всё, если данных достаточно), что концептуально противоположно принятию неопределенности. Пока o9 не опубликует информацию о вероятностных моделях, мы рассматриваем их подход как детерминистский с изящной интеграцией данных. Это делает их несерьезными в моделировании неопределенности, полагаясь вместо этого на реактивное планирование.

Заявления о передовых функциях: Маркетинг o9 изобилует заявлениями, звучащими как передовые возможности:

Knowledge Graph (EKG): Они утверждают, что их графовая база данных может моделировать взаимосвязи по всей цепочке поставок, якобы улучшая прогнозирование (например, фиксируя, как промоакция может повлиять на спрос на связанные товары и т.д.). Хотя графовая модель данных гибкая, нет научных доказательств того, что это приводит к более точным прогнозам или лучшим решениям по запасам. В основном это помогает интегрировать источники данных. Утверждение, что это инновация в области «ИИ-прогнозирования», выглядит сомнительно ⁴⁸. Не увидев конкретного алгоритма, использующего граф для, скажем, вероятностного прогнозирования, мы считаем это современной архитектурой, а не превосходным аналитическим методом.
ИИ/МЛ: o9 использует все модные термины — knowledge graphs, большие данные, ИИ/МЛ, даже, возможно, такие понятия, как обучение с подкреплением, хотя подробностей нет. Внешние аналитики резко критикуют: «Многие заявления о прогнозировании… выглядят сомнительно… Много ИИ-ажиотажа, но элементы, найденные на Github, указывают на обычные методы.» ⁴⁸. Действительно, некоторые инструменты, которыми o9 делится публично (например, tsfresh для извлечения признаков из временных рядов, или vikos и т.д.), являются стандартными библиотеками Python или базовыми подходами к прогнозированию (ARIMA и др.) ⁴⁹. Это подразумевает, что команда разработчиков o9 может использовать довольно обычные модели прогнозирования за кулисами, несмотря на их заявления. Мы разоблачаем o9 здесь: маркировка чего-либо как платформы на основе ИИ не делает ее такой, и первые впечатления показывают, что их «ИИ» часто представляет собой всего лишь линейную регрессию или ARIMA под капотом ⁴⁹. Если это так, то это просто дым и зеркала.
Планирование сценариев в реальном времени: o9 успешно позволяет создавать сценарии «на лету» (благодаря вычислениям в памяти). Но планирование сценариев – это не оптимизация. Можно быстро смоделировать, что произойдет, если увеличится срок поставки или резко вырастет спрос, что полезно для планировщиков для визуализации проблем, но это не дает автоматически наилучшее решение – пользователю все равно приходится интерпретировать и корректировать. Таким образом, хотя o9 может заявлять, что помогает справляться с перебоями, он, возможно, больше полагается на человеческое принятие решений, чем, скажем, стохастическая оптимизация.

Еще один вывод: «Тривиальности не считаются ИИ, потому что они интерактивны.» ⁵⁰ – вероятно, имея в виду, что o9 называет интерактивные панели или простые, основанные на правилах ответы «ИИ». Мы строго осуждаем это. Если o9 рекламирует что-то вроде «наша система автоматически выявляет исключения и предлагает заказы – на основе ИИ!», но на деле это простое правило if-then или статистический контрольный центр, то это неверное представление базовых функций как ИИ.

Автоматизация: o9 позиционирует себя как средство, обеспечивающее «цифровую операционную модель», что подразумевает высокий уровень автоматизации. Безусловно, он может автоматизировать отдельные задачи планирования (например, автоматическую генерацию прогнозов, автоматическое обнаружение исключений). Однако, учитывая недостаток подробностей, нас беспокоит, что значительная часть ценности o9 все еще исходит от решений с участием человека благодаря удобному интерфейсу. В отрасли говорят об «автономном планировании» для таких инструментов, как o9, но нет конкретных доказательств того, что какая-либо компания использует o9 без участия операторов. Активное участие аналитиков крупных клиентов свидетельствует о том, что это система поддержки принятия решений, а не полностью автоматизированный оптимизатор. Мы осуждаем разрыв между амбициями и реальностью. Если o9 не сможет продемонстрировать, как его «graph AI» самостоятельно оптимизирует запасы (а они этого публично не показывают), мы считаем его заявления об автоматизации преувеличенными.

Управление ограничениями: Будучи гибкой платформой, o9 теоретически может справляться со множеством ограничений:

У неё есть модель данных для учета дат истечения, атрибутов партий и т.д. Таким образом, она могла бы отслеживать запасы по партиям и потенциально включать логику для предотвращения истечения срока. Однако неизвестно, существует ли готовый алгоритм для скоропортящихся товаров – скорее всего, нет; пользователю придется написать правило или вручную обеспечить ротацию.
Многоуровневая планирование: o9 проводит планирование на нескольких уровнях; она способна моделировать сеть и выполнять многоуровневую оптимизацию запасов (вероятно, у них есть что-то, аналогичное SmartOps, или, по крайней мере, расчеты страхового запаса для каждого уровня).
Ограничения мощностей: Поскольку o9 охватывает S&OP, она может учитывать ограничения производства и хранения в своих расчетах.
Каннибализация и замена: Здесь их Knowledge Graph мог бы, в принципе, моделировать взаимосвязи (например, связывать продукты как заменители). Но оптимизируют ли они действительно с использованием этой информации? Они этого не продемонстрировали. Возможно, они могли бы провести симуляцию типа «что если»: «если продукта A нет, наблюдать рост продаж продукта B». Но это требует моделирования выбора потребителя – задача не тривиальная, и нет доказательств, что такая модель реализована в o9. Поэтому, скорее всего, это не учитывается, за исключением предположений планировщиков.
Квази-сезонность: Если алгоритмы машинного обучения в o9 достаточно хороши, они могут обнаруживать необычные сезонные паттерны при наличии достаточного объема данных. Но опять же, нет конкретной функции, кроме общего ML-прогнозирования.
Финансовая оптимизация: o9 действительно упоминает управление доходами и IBP, поэтому, при соответствующей настройке, он может оптимизировать прибыль, а не только уровень обслуживания. Однако уверенность в их оптимизаторе остается неопределенной.

Один из вызывающих опасения аспектов: in-memory подход o9 (как у RELEX) может сделать решение некоторых оптимизаций с большим числом ограничений чрезвычайно ресурсоемким. Они хвалят масштабируемость, но если действительно смоделировать каждый SKU, локацию и ограничение, вычислительные затраты могут взорваться, требуя огромного оборудования. Поэтому на практике они могут упростить задачу или опереться на эвристические методы.

Вердикт: o9 Solutions занимает нижнюю ступень из-за своей сильной зависимости от неподтвержденных заявлений и модных терминов, несмотря на свой привлекательный внешний вид. Мы признаем, что у o9 есть современный интерфейс и единый подход к данным, который нравится клиентам, вероятно, улучшая сотрудничество и прозрачность. Но когда дело доходит до основной науки оптимизации запасов, мы не находим конкретных инноваций от o9, которые оправдывали бы весь ажиотаж. Их маркетинг насыщен «красными флажками» – все модные термины сопровождаются минимальным техническим обоснованием ⁴⁸. Это заставляет нас сомневаться в сущности их значительной оценки. Мы строго критикуем o9 за этот разрыв. Без четкой демонстрации, например, как их ИИ лучше прогнозирует спрос или как их граф обеспечивает оптимальные решения по запасам, мы должны считать их обещания как «сомнительные» в лучшем случае ⁴⁸.

Проще говоря, o9 может быть хорошей платформой для планирования (объединяющей различные функции), но как движок оптимизации запасов он, похоже, не предлагает ничего, чего не имели бы старые инструменты – за исключением более стильного интерфейса. Доказано, что он не справляется с неопределенностью или сложными ограничениями лучше; если что, он может игнорировать неопределенность в пользу детерминизма, основанного на больших данных, что мы считаем ошибочным подходом. Поэтому в нашем рейтинге, основанном на объективном анализе, o9 находится практически на дне среди серьезных поставщиков. Это, по сути, случай «большие слова, стандартные действия». Компании, рассматривающие o9, должны быть осторожны с маркетинговыми заявлениями и настаивать на ознакомлении с реальными алгоритмами и результатами. Пока заявления об ИИ у o9 не будут подтверждены конкретными техническими данными, мы относим их к категории ложных/необоснованных в этой области.

8. Blue Yonder (бывшая JDA) – Лоскутное одеяло наследуемых систем, рекламируемых как «ИИ»

Обзор: Blue Yonder (BJDA) является одним из старейших и крупнейших поставщиков программного обеспечения для цепочки поставок. Ранее известная как JDA (которая приобрела Manugistics и i2 Technologies в 2000-х), компания ребрендировалась в Blue Yonder и была приобретена Panasonic. Возможности Blue Yonder в оптимизации запасов проистекают из линейки продуктов — например, оптимизатор цепочки поставок i2 и модули инвентаризации JDA. Со временем они пытались модернизироваться с помощью своей платформы Luminate, внедряя концепции ИИ/машинного обучения. Однако Blue Yonder страдает от того, что мы называем «слиянием слияний и поглощений»: это «результат долгой серии операций M&A», что приводит к «случайной коллекции продуктов, большинство из которых устарели» ⁵¹. По сути, предложение Blue Yonder представляет собой смесь устаревшего программного обеспечения, склеенного вместе. Они продвигают имидж компании, движимой ИИ (с такими терминами, как когнитивное планирование, Luminate AI), но наш подробный анализ показывает, что эти утверждения в основном неясны и не имеют существенного содержания ²⁸.

Вероятностный спрос и сроки поставки: Исторически Blue Yonder предоставлял инструменты для прогнозирования спроса и планирования запасов, но в основном, используя детерминированные или эвристические методы. Например, старая система планирования спроса JDA создавала точечные прогнозы, а оптимизация запасов вычисляла страховые запасы для достижения целевого уровня обслуживания. В недавних материалах Blue Yonder упоминает «вероятностное прогнозирование» и «динамический уровень страховых запасов» как концепции своего подхода ⁵². Они признали ценность вероятностных методов в блогах, что предполагает, что они знакомы с терминологией. Но применили ли они её? Есть мало доказательств того, что основные решения Blue Yonder выдают полные распределения вероятностей или оптимизируют решения стохастически. Учитывая, что они ссылаются на такие инструменты, как tsfresh и ARIMA в открытых источниках ⁴⁹, кажется, что они в основном занимаются классическим прогнозированием временных рядов, а не передовым вероятностным программированием. Мы не увидели никаких указаний на возможности прогнозирования сроков поставки — скорее всего, Blue Yonder предполагает фиксированные сроки поставки с, возможно, некоторым запасом. Таким образом, Blue Yonder не соответствует нашему критерию вероятностного подхода: нет явного моделирования неопределенности двойного характера спроса и сроков поставки. Они, скорее всего, придерживаются традиционных моделей уровня обслуживания, что означает, что они тоже не «серьезны» в отношении всеобъемлющей неопределенности, несмотря на использование слова «вероятностный» в некоторых лидерских позициях.

Утверждения о передовых возможностях: Blue Yonder часто преувеличивает возможности ИИ/МО. В их маркетинге используются фразы, такие как «автономное планирование», «когнитивная цепочка поставок» и т.д. Тем не менее, анализ указывает: «BY заметно делает ставку на ИИ, однако утверждения неясны и почти не имеют содержания.» ²⁸. Мы подтверждаем это:

Blue Yonder приобрела несколько стартапов в сфере ИИ и хвастается партнёрствами с университетами, но на деле, все, что мы видим — это несколько проектов с открытым исходным кодом. Эти проекты (tsfresh, PyDSE, VikOS) указывают на очень стандартные методы прогнозирования (выделение признаков, ARMA/ARIMA, регрессия) ⁴⁹. Ничто не указывает на наличие нового алгоритма ИИ, уникального для Blue Yonder. Это означает, что «передовой ИИ» Blue Yonder, вероятно, всего лишь переименованная традиционная аналитика. Мы категорически считаем любое общее утверждение об ИИ с их стороны как неподтвержденное.
Например, Blue Yonder может заявить: «мы используем машинное обучение для дополнения наших вероятностных моделей» ⁵³ – но без деталей это может означать что угодно: от простой модели машинного обучения для корректировки прогнозов до нейронной сети, которая на самом деле не превосходит более простых моделей. Без доказательств мы считаем это пустой болтовнёй.
Blue Yonder действительно утверждает, что обладает комплексными решениями включая оптимизацию цен, ассортимент и т.д.. Верно, у них есть много модулей. Однако наличие множества модулей не означает, что каждый из них является лучшим в своём классе. Планирование запасов в Blue Yonder может по-прежнему использовать устаревшую оптимизацию уровня сервиса i2, что вряд ли можно с гордостью заявлять в 2025 году.

Одно особенно проблематичное утверждение из прошлого: материалы Blue Yonder о «когнитивных запасах» по сути переделывали идею вероятностной инвентаризации, используя вычурные термины ⁵⁴ ⁵², снова без технического обоснования. Мы отмечаем это как маркетинг с красными флажками. Это звучит содержательно, но не предоставляет алгоритмического «существенного содержания».

Автоматизация: Исторически решения Blue Yonder требовали значительного участия человека — например, планировщики использовали программное обеспечение JDA для получения рекомендаций, а затем вносили корректировки. С Luminate Blue Yonder говорит о «автономном планировании», но, насколько нам известно, это в основном остается видением. Возможно, они представили «ИИ-ассистента» или автоматизированное разрешение исключений, но ничего подробно не раскрывали публично. Учитывая клиентскую базу Blue Yonder (многие крупные розничные сети, производители), вероятно, программное обеспечение все еще используется традиционным способом: генерируются прогнозы и заказы, после чего планировщики их проверяют или выполняют через рабочие процессы. Мы не обнаружили четких доказательств того, что Blue Yonder обеспечивает полностью автономную оптимизацию. Также, поскольку их архитектура представляет собой смесь компонентов, достижение бесшовной автоматизации между ними является сложной задачей. Мы штрафуем Blue Yonder за отсутствие ясности в этом вопросе. Если они не смогут показать пример клиента, где система работает самостоятельно в течение месяцев, мы считаем их автоматизированные утверждения минимальными.

Обработка ограничений: Благодаря десятилетиям опыта Blue Yonder в некоторой степени охватывает многие ограничения:

Многоуровневая: Да, в JDA была оптимизация запасов на нескольких уровнях (вероятно, аналогичный подход ToolsGroup/SmartOps).
Размеры партий/минимальные объемы заказа (MOQ): поддерживается в их параметрах планирования.
Акции/Скидки: у JDA/Blue Yonder были модули прогнозирования акций, хотя иногда они были отдельными.
Каннибализация: У них есть инструмент моделирования спроса, который может учитывать каннибализацию в розничной торговле (в JDA было что-то для прогнозирования управления категориями). Но это специализированный модуль, не обязательно интегрированный в оптимизацию запасов.
Срок годности: Основные отрасли Blue Yonder были розничная торговля (включая продукты питания) и промышленность. У них были некоторые решения для управления свежими товарами в программном обеспечении для управления категориями. Но их основное планирование не делало акцент на скоропортящихся товарах так, как это делает RELEX. Поэтому, скорее всего, осведомленность о сроке хранения ограничена.
Возвраты: Не является приоритетом. Возможно, обрабатывается в их розничном планировании посредством корректировки прогнозов, но специальной функциональности нет.
Ограничения хранения: Если используется их управление складом или планирование производства, да, но сама оптимизация запасов, вероятно, предполагает неограниченное хранение (как и у других, минимизация затрат косвенно поддерживает управляемость запасов).
Псевдо-сезонность: Прогнозирование Blue Yonder может учитывать сезонные колебания, но необычные модели требуют либо ручной настройки, либо продвинутых моделей, о существовании которых мы сомневаемся за пределами типичного.
Финансовая оптимизация: Blue Yonder действительно имеет модули оптимизации прибыли (оптимизация цен и т.д.), но их оптимизация запасов обычно ориентирована на достижение уровней обслуживания при минимальных затратах, а не на прямую максимизацию прибыли.

В итоге, покрытие возможностей Blue Yonder обширно, но поверхностно в некоторых аспектах. Он пытается быть всем, что приводит к компромиссам. Важно, что из-за того, что Blue Yonder совмещает так много компонентов продукта, клиенты часто воспринимают его как сложный в реализации и обслуживании.

Вердикт: Blue Yonder занимает одно из последних мест в нашем исследовании, в первую очередь из-за своей зависимости от устаревших технологий, замаскированной модными словами и врожденной неэффективности платформы-накладки. Примечательно, что вклад Blue Yonder в open-source демонстрирует зависимость от методов, которым десятки лет (ARIMA, регрессия) ⁴⁹, даже несмотря на то, что компания позиционирует себя как лидер в области ИИ. Этот диссонанс разрушает доверие. Мы строго наказываем Blue Yonder за отсутствие прозрачности и чрезмерное использование нечетких утверждений об ИИ ²⁸. Бренд может иметь вес (он является «Лидером» в некоторых аналитических отчетах благодаря широте охвата и доле рынка), но если сосредоточиться исключительно на правде и технических достоинствах, Blue Yonder не производит впечатления.

Тем не менее, Blue Yonder вовсе не лишена ценности. Она обладает обширным функциональным охватом и встроенными знаниями в предметной области — поэтому может справляться со многими практическими сценариями при правильной настройке. Но это лишь базовый уровень; то, что нас интересует, — настоящая сила оптимизации. В этом плане Blue Yonder отстает от таких поставщиков, как Lokad или даже откровенной надежности Slimstock. Если клиент уже интегрирован в экосистему Blue Yonder или ему нужен комплексный сервис больше, чем аналитика лучшего класса, мы бы предостерегли от использования оптимизации запасов Blue Yonder, если приоритетом является фактическое, измеримое качество оптимизации. В нашем рейтинге Blue Yonder избегает самого последнего места лишь тем, что у неё действительно есть рабочий продукт (хотя и устаревший) и большая база пользователей — то есть, по крайней мере, решает базовые задачи, в то время как заявления некоторых небольших игроков могут быть еще более пустыми.

9. Infor (Rhythm / Predictix) – Устаревший конкурент с сомнительным ИИ

Обзор: Infor пыталась конкурировать в этой сфере через приобретения, такие как Predictix (приобретена в 2016 году), специализировавшаяся на розничном прогнозировании. Основной силой Infor является ERP, но они попытались создать облачный набор для планирования розничной торговли (Infor Rhythm, Demand Management и т.д.) с использованием технологий Predictix. Однако дела пошли не гладко. У Predictix была сложная история (юридические проблемы с партнерами, такими как LogicBlox) ⁵⁵, и после присоединения к Infor инерция, похоже, остановилась. Фокус Infor сместился на основную ERP и более масштабные инициативы, и «угол прогноза остался гражданином второго сорта, отодвинутым на второй план за последние несколько лет» ⁵⁶. Короче говоря, присутствие Infor в области оптимизации запасов и прогнозирования спроса сократилось. У них по-прежнему есть продукты в этой области, но они не являются лидерами рынка, и инновационная линия кажется скудной.

Вероятностные и передовые возможности: Predictix была известна тем, что утверждала использование некоторых современных методов машинного обучения (она была одной из первых, кто говорил о больших данных в розничном прогнозировании). Но эксперты отмечают, «Predictix пыталась внедрить несколько методов машинного обучения после 2000 года… однако вызывает сомнения, что эти методы превосходят модели до 2000 года.» ⁴⁵. Это подразумевает, что даже флагманская технология, приобретенная Infor, явно не была лучше классических подходов. Infor, вероятно, унаследовала некоторые возможности обнаружения спроса или прогнозирования с использованием машинного обучения от Predictix, но с роспуском той команды неясно, сколько из этого используется. В настоящее время Infor редко упоминает ИИ в цепочке поставок, и когда делает это, говорит на высоком уровне. Мы видели упоминание, что «утверждения об ИИ также вызывают сомнения.» ⁴⁵ в отношении их прогнозирования. Это соответствует тому, что мы видим и в других местах: Infor не предоставила доказательств того, что её инструменты (Rhythm, Demand Planning и т.д.) особенно точны или передовы. Они просто интегрировали их как функции в составе Infor. Также не имеется никаких указаний на вероятностное прогнозирование или моделирование сроков поставки — вероятно, этого нет. Таким образом, по нашей оценке, решение Infor отстает от современных стандартов и не серьезно касается неопределенности новыми методами.

Автоматизация и ограничения: Предложения Infor по планированию запасов и спроса не обсуждаются широко, что указывает на ограниченное их принятие. Вероятно, они обрабатывают базовые ограничения (многоуровневость и т.д.), но ничего необычного, что отличало бы их от других, нет. И учитывая их отступление от этого направления, можно предположить, что не было сделано многое для полной автоматизации этих процессов. Это, вероятно, обычная система планирования, где пользователи генерируют прогнозы и рекомендуемые уровни запасов с интеграцией в ERP-системы Infor для исполнения. Ничто не выделяется, за исключением, возможно, некоторых специфичных для розничной торговли функций, пришедших из Predictix (например, прогнозирование профиля по размеру/цвету для моды или что-то в этом роде – но снова, явно не лучше конкурентов).

Вердикт: Мы оцениваем Infor близко к нижней границе, поскольку у неё нет ни сильного текущего продукта, ни убедительных заявлений о своей уникальности. Их попытка через Predictix, похоже, утратила импульс, и любая риторика об ИИ/МО, связанная с этим приобретением, теперь устарела или не доказана ⁴⁵. По сути, оптимизация запасов Infor сейчас не является ключевым фактором на рынке. Компании редко включают Infor в шорт-лист для передового планирования, если они уже не являются активными пользователями ERP-систем Infor. При отсутствии чего-либо выдающегося в области вероятностной или автоматизированной оптимизации, Infor получает жесткую оценку: в основном, незначима в современных обсуждениях, а заявления, которые они давали в прошлом об ИИ, были необоснованными.

10. John Galt Solutions – Прогнозирование для среднего рынка с грандиозными заявлениями

Обзор: John Galt Solutions (названная в честь известного персонажа романа Atlas Shrugged) предоставляет инструменты для прогнозирования и планирования с 1990-х годов. Их флагман — Atlas Planning (как нельзя более уместное название), ориентированный на компании среднего рынка для прогнозирования спроса, управления запасами и S&OP. Они также предлагают более простой инструмент под названием ForecastX (дополнение для Excel для базового прогнозирования). Ниша John Galt заключается в простоте использования и быстром внедрении. Однако они сделали несколько смелых заявлений о своих собственных алгоритмах (например, что-то под названием «Procast»), что вызывает вопросы. Компания не обладает мощью крупных игроков, и их технологический подход кажется довольно традиционным, несмотря на маркетинговые намеки на уникальную интеллектуальную собственность.

Вероятностные и передовые возможности: Решения John Galt не акцентируют внимание на вероятностном прогнозировании. Они сосредоточены на генерации прогнозов и установлении целевых значений запасов с использованием общепринятых методов (регрессия, временные ряды, возможно, некоторые эвристики). Atlas Planning излучает «сильное впечатление консалтингового инструмента» ⁵⁷ — то есть для его настройки под каждого клиента зачастую требуется много консультаций, а не встроенный передовой механизм. Технологии прогнозирования выглядят устаревшими ⁵⁸, что подразумевает, что они не внедрили новых предсказательных моделей, выходящих за рамки общепринятых. Они говорят о «Procast» — их собственном алгоритме прогнозирования, утверждая, что он точнее конкурентов. Однако это утверждение весьма сомнительно: если бы Procast был действительно превосходным, он бы проявил себя в конкурсах по прогнозированию (например, в M Competitions), но его нет в числе лидеров ³⁸. Это говорит о том, что Procast, вероятно, представляет собой просто переупаковку стандартных методов или незначительную доработку, а не прорыв. Действительно, эксперты полагают, что инструменты с открытым исходным кодом (например, библиотеки R от Hyndman) вероятно превосходят технологии John Galt ⁵⁹. John Galt не делает громких заявлений об ИИ или машинном обучении, что, на самом деле, является их плюсом (они не раздувают модные слова, которых у них нет). Но они действительно делают расплывчатые заявления о «более высокой точности» без доказательств, что мы не можем принять. Они также не упоминают ничего о решении сложностей вроде каннибализации или оптимизации в условиях неопределенности; их месседж больше ориентирован на пользовательский опыт (приятные панели, и т.д.) и совместное планирование. Это указывает на отсутствие передовой оптимизации.

Автоматизация: Atlas Planning предназначен для планирования и руководителей для моделирования и совместной работы. Он не известен автоматизацией; вместо этого это набор инструментов, где пользователи могут прогнозировать, а затем запускать сценарии. Скорее всего, это далеко от полностью автоматизированной оптимизации запасов – от пользователя ожидается принятие решений на основе выводов программы. Так что мы не видим, чтобы John Galt продвигал автоматизацию без вмешательства человека. Это ограничивает его рейтинг, так как по современным меркам это скорее полуавтоматический инструмент.

Ограничения: Типичные клиенты John Galt часто имеют более простые потребности, поэтому Atlas Planning может справляться с базовыми ограничениями (многоуровневое распределение, времена выполнения, безопасный запас и т.д.). Но он не особенно известен такими функциями, как многоступенчатая оптимизация (хотя, вероятно, обладает некоторыми возможностями), и уж точно не для таких случаев, как скоропортящиеся товары или сложные ограничения поставок. Это решение среднего класса – широкий набор функций, но недостаточная глубина в какой-либо одной области.

Вердикт: John Galt Solutions занимает последнее место в нашем рейтинге ключевых поставщиков. Хотя оно предоставляет честное, пригодное для использования программное обеспечение для прогнозирования и планирования, оно не демонстрирует никакого технического преимущества или серьезного подхода к неопределенности. Великолепное заявление о их тайном ингредиенте (Procast) выглядит неподтвержденным и даже опровергнутым упущением ³⁸. При отсутствии доказательств мы обозначаем подобные проприетарные заявления как фальшивый маркетинг. Компания не участвует в столь сильном ажиотаже вокруг ИИ, как другие (возможно, из-за ориентации на иной сегмент), но и не выделяется. Видимо, ей достаточно предложить «консультационное ПО» – решения, качество которых соответствует квалификации консультантов, их настраивающих. Это приемлемо для некоторых клиентов, но при поиске правды это означает отсутствие явных инноваций. Подход John Galt к оптимизации запасов, скорее всего, заключается в ручном создании моделей прогнозирования и политик управления запасами, а не в какой-либо автоматизированной, вероятностной обработке. Таким образом, он набирает низкие баллы по почти всем нашим критериям: отсутствие вероятностного моделирования времени выполнения, отсутствие заметного работающего ИИ/МО, отсутствие доказательств продвинутой оптимизации ограничений и ограниченная автоматизация.

Основной вывод по John Galt: Он обслуживает сегмент рынка с более простыми, ориентированными на пользователя инструментами. Но любые утверждения о том, что он точнее или «умнее» крупных решений, не подтверждены доказательствами и должны вызывать скептицизм. Компании с серьёзными проблемами управления запасами (высокая неопределённость, сложные сети) скорее всего найдут технологию John Galt недостаточно мощной.

Выводы и ключевые моменты

Это критическое исследование рынка раскрывает ландшафт программного обеспечения для цепочки поставок, полный высокопарных заявлений, но бедный на проверенные, новые возможности. Поставщики, такие как Lokad и Slimstock, выступают в качестве исключений, либо продвигая по-настоящему передовые методы (вероятностный движок Lokad ⁶⁰), либо придерживаясь честных основ (прямолинейный подход Slimstock ¹²). Многие другие игроки – даже такие известные, как ToolsGroup, Blue Yonder и o9 – утопают в модных словах без подтверждения своих заявлений:

Вероятностное прогнозирование: Удивительно мало поставщиков действительно используют его. Lokad выделяется тем, что явно моделирует как неопределённость спроса, так и времени выполнения ¹. Большинство остальных, в лучшем случае, справляются с изменчивостью спроса примитивным способом и игнорируют неопределённость времени выполнения, что мы считаем критическим недостатком. Решение, которое «игнорирует неопределённость» во времени выполнения, по своей сути ограничено ³. Пользователям следует настаивать на разъяснениях у поставщиков: Прогнозируете ли вы время выполнения вероятностно? Если нет, ожидайте, что целевые уровни запасов будут не оптимальными.
Вводящие в заблуждение модные слова: Термин «определение спроса» повторно используется – его применяют ToolsGroup, GAINS и другие, при этом он имеет мало научного обоснования ¹⁹ ⁴⁰. Аналогично, общее заявление о «ИИ/МО» широко распространено. Blue Yonder и o9 служат тому примером, демонстрируя модную терминологию, но предоставляя алгоритмы, не превосходящие регрессионные модели ²⁸ ⁶¹. Красные флажки очевидны: если поставщик не может конкретно описать, что именно делает его ИИ (например, «использует градиентный бустинг по истории отгрузок для прогнозирования спроса по SKU в магазине») и вместо этого предлагает общие фразы, следует ожидать худшего – что за утверждением скрывается «малое или вообще отсутствующее содержание» ²⁸. В этом исследовании мы резко оценили все такие случаи. Примечательно, что LLM (модели типа ChatGPT) не играют подтверждённой роли в вычислении оптимальных политик управления запасами (из-за отсутствия числовой оптимизации), так что любой намёк на то, что LLM оптимизирует ваши запасы, является чистой выдумкой. К счастью, ни один из ведущих поставщиков этого не утверждает – хотя некоторые могут интегрировать чат-ботов для пользовательских запросов, что не то же самое, что основная оптимизация.
Стохастическая оптимизация: Критерием для «оптимизационного» движка является то, решает ли он действительно определённую задачу в условиях неопределённости (максимизация ожидаемой прибыли, минимизация затрат с учётом уровня сервиса и т.д.). Большинство поставщиков здесь, за исключением Lokad (и, возможно, компонента SmartOps в SAP), не выполняют настоящую стохастическую оптимизацию. Они полагаются на эвристику: устанавливают целевой уровень сервиса, рассчитывают безопасный запас. Это не оптимизация – это довольно удовлетворительное решение. Например, ToolsGroup по-прежнему в основном работает на уровнях сервиса, а их разговоры об «алгебре случайных величин» больше напоминают маркетинг, чем реальность. Мы отметили это несоответствие для ToolsGroup ²⁹. Пользователи, ищущие оптимальные решения, должны быть осторожны: многие инструменты на самом деле не оптимизируют финансовую цель; они просто обеспечивают выполнение целевых уровней сервиса. Здесь есть большая разница. Если поставщик не может показать целевую функцию и способ её решения (например, «мы максимизируем ожидаемую заполненность за вычетом затрат на хранение с использованием метода Монте-Карло»), то вероятно, он не занимается настоящей оптимизацией.
Автоматизация: Обещание «самоуправляемой цепочки поставок» заманчиво. На практике, достигли этого смогли немногие. Наша оценка показала, что большинство поставщиков требуют значительного человеческого участия, и их автоматизация основана на правилах или ограничена вычислениями. Lokad стремится к автоматизации, позволяя полностью настраивать логику принятия решений с помощью скриптов (и они явно устраняют повторяющиеся ручные задачи) ⁸. RELEX автоматизирует многие задачи в розничной торговле, но за кулисами, вероятно, использует простые правила для этого. ToolsGroup и GAINS автоматизируют расчёты, но всё равно нуждаются в планировщиках для управления параметрами. Полная автоматизация – когда система самостоятельно адаптируется к новым условиям – встречается редко. Поэтому, когда поставщик заявляет «автономный» или «автоматический», требуйте объяснения: Что именно автоматизировано? Как обрабатываются исключения? Существует ли обратная связь? Если ответы неясны, утверждение об автоматизации заслуживает скептицизма. Мы обнаружили, что поставщики, которые объясняют меньше всего (o9, Blue Yonder), вероятно, автоматизируют меньше, несмотря на громкие заявления ⁶¹ ²⁸.
Сложные ограничения: Очевидно, что единый подход не подходит для всех. Некоторые поставщики ориентированы на конкретные сложности (RELEX для скоропортящихся товаров ²², GAINS для ремонтопригодных деталей). Другие в основном охватывают общие ограничения и полагаются на обходные решения для особых случаев. Обязанность клиента – выявить свои уникальные потребности (скоропортящиеся товары, большие возвраты и т.д.) и спросить у поставщика, как он с этим справляется. Если ответ будет «у нас есть клиенты в вашей отрасли» без деталей, это является предупреждением. В нашем исследовании только Lokad открыто обсуждает поддержку таких вопросов, как каннибализация и индивидуальные ограничения, через свою модельную платформу ⁴.

В заключение, это исследование рынка отделяет важное от шума. Лучшие поставщики заслужили своё место, сопоставив свои заявления с реальностью и сосредоточившись на качественном инженерном решении:

Lokad – за свой строгий вероятностный подход и готовность подробно объяснять, как это работает ⁶⁰.
Slimstock – за предоставление надёжных результатов без использования модных слов ⁶² (хотя ему не хватает продвинутой аналитики, он честен в этом).
RELEX – за практические инновации в розничной торговле (скоропортящиеся товары и т.д.), при этом мы сохраняем осторожность относительно недоказанного ажиотажа вокруг ИИ ¹⁸.

Поставщики среднего уровня, такие как ToolsGroup и GAINS, имеют функциональную глубину, но были снижены в рейтинге из-за «маркетинговых злоупотреблений» – вводящей в заблуждение терминологии и неспособности технически эволюционировать ³⁵ ⁴⁰.

Наконец, несколько известных решений (o9, Blue Yonder, SAP, Infor, John Galt) оказались ниже в нашем рейтинге, чем предполагает их известность на рынке. Причина проста: корпоративная репутация и объём продаж не равны техническому совершенству. Фактически, эти крупные системы часто несут с собой наследие устаревших технологий или размытый фокус, что мешает достоверной оценке. Мы не присваивали баллы за блестящие брошюры или позиции в Gartner Magic Quadrant, поскольку они зачастую отражают выручку и охват, а не реальную оптимизационную мощь.

Советы для практиков: Прорежьте излишества. Настаивайте на демонстрациях или кейс-стади, которые показывают реальные распределения ошибок, результаты работы системы или экономию затрат в условиях неопределённости. Попросите поставщиков запустить ваш набор данных для пилотного проекта и проверить, действительно ли их результаты отражают неопределённость (например, диапазон сценариев) или представляют собой лишь одно число. Проверьте, меняются ли их рекомендации при изменении условий (что указывает на адаптивность) или они остаются по сути статичными правилами. Многие поставщики потерпят неудачу, когда их поставят перед такими испытаниями. Те, кто выделяются, – это те, кто построил свои решения на прочном аналитическом основании, а не на маркетинговых песках.

В конечном итоге, эффективная оптимизация запасов требует сочетания хорошей науки с практическим выполнением. Как показывает это исследование, очень немногие поставщики превосходны в обоих аспектах. Те, кто это делает, ярко выделяются – а те, кто не справляется, мы разоблачили с помощью ссылок и фактов. Мы призываем принимающих решения использовать эту информацию для того, чтобы прорваться сквозь маркетинговый шум и сделать выбор, основанный на истине и доказательствах, а не на ажиотаже.