Программное обеспечение для оптимизации запасов предприятий, февраль 2025 года

Автор: Леон Левинас-Менар

Последнее изменение: 2 февраля 2025 года

Цель: Это исследование ранжирует ведущих поставщиков программного обеспечения для оптимизации запасов предприятий с жестким, обоснованным подходом. Мы штрафуем неясный маркетинг, не подтвержденные «ИИ» бузоворды и отсутствие истинных стохастических возможностей. Ключевые критерии включают: (1) доказанную поддержку и вероятностного прогнозирования спроса и вероятностного прогнозирования времени выполнения заказа (поставщики, игнорирующие неопределенность времени выполнения заказа, считаются несерьезными); (2) достоверность продвинутых функций (каннибализация, «чувство спроса», ИИ/МО и т. д. должны быть подтверждены реальными инженерными деталями, иначе они считаются фиктивными); (3) уровень автоматизации (настоящая неуправляемая оптимизация против необходимости ручных настроек); и (4) способность обрабатывать сложные ограничения (сроки годности, серийное/партийное отслеживание, возвраты, размеры партий, скидки по цене, каннибализация продуктов, нерегулярные «квази-сезонные» паттерны, затраты на вместимость хранения и т. д.).

Ранжированные поставщики

Ниже приведено объективное ранжирование лучших поставщиков программного обеспечения для оптимизации запасов, от самых авторитетных до менее авторитетных, на основе вышеперечисленных критериев. Каждая оценка поставщика выделяет сильные стороны, выявляет слабые стороны и ссылается на доказательства любых вводящих в заблуждение утверждений.

1. Lokad – Пионер в области вероятностей с полной прозрачностью

Обзор: Lokad отличается истинным вероятностным подходом к цепям поставок. Он явно моделирует и изменчивость спроса и изменчивость времени выполнения заказа, рассматривая время выполнения заказа как прогнозируемые случайные переменные (а не фиксированные входные данные) ¹. Система Lokad предоставляет «алгебру случайных переменных» – фактически поддержку вероятностных распределений первого класса – позволяя проводить сложные стохастические расчеты, учитывая неопределенность на каждом этапе ² ³. Эта математическая строгость выделяет Lokad среди конкурентов, которые часто только имитируют неопределенность специфическими способами (или вообще игнорируют риск времени выполнения заказа).

Вероятностное прогнозирование спроса и времени выполнения заказа: Lokad явно соответствует двойному критерию прогнозирования. В его документации подчеркивается, что «время выполнения заказа можно и нужно прогнозировать так же, как и спрос» ¹. Платформа может создавать вероятностные модели времени выполнения заказа (например, с использованием лог-логистических распределений) и объединять их с прогнозами спроса ¹ – основа для точных расчетов перезаказа. Принимая во внимание обе стороны неопределенности, Lokad избегает распространенной ошибки других инструментов, которые предполагают, что время выполнения заказа статично, или что только запасы безопасности достаточны.

Продвинутые функции (каннибализация и т. д.): Lokad предоставляет конкретные инженерные детали по продвинутым ограничениям. Он вводит стохастическую оптимизацию, которая максимизирует ожидаемую прибыльность, соблюдая клиентские ограничения, включая перекрестные эффекты между продуктами, такие как каннибализация и замещение ⁴. Например, Lokad может моделировать, как продукты каннибализируют спрос друг у друга или действуют как замены, и включать эти отношения в логику оптимизации. Это не просто неясное утверждение – это подтверждается «программным» подходом (скриптовый язык Envision Lokad), где ученые по цепям поставок явно кодируют такие отношения. Точно так же сложные явления, как спорадические возвраты или процент брака, могут быть вероятностно прогнозированы и включены в решения ³. Публичные материалы Lokad углубляются в эти технические детали (например, прогнозирование возвратов для электронной коммерции или изменчивость выхода в производстве ⁵ ⁶), показывая доказательства способностей. Здесь нет зависимости от пустых бузовордов; вместо этого Lokad обсуждает методы (симуляции методом Монте-Карло, вероятностное программирование и т. д.) и даже публикует лекции о том, как они реализованы ⁷. Утверждения об ИИ/МО минимальны – акцент сделан на измеримых, модельно-ориентированных улучшениях.

Автоматизация: Полная автоматизация является основной целью дизайна для Lokad. Платформа создана для беспрерывной работы: 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, планы производства) без постоянного микроменеджмента человека. Многие клиенты запускают систему в значительно беспрерывном режиме, вмешиваясь только в случае исключений. Lokad даже предоставляет собственный язык программирования (Envision) для настройки логики принятия решений, обеспечивая обработку всех рутинных сценариев программным обеспечением. Компания открыто подчеркивает, что масштабные автоматизированные числовые рецепты определяют ежедневные решения, снижая необходимость в ручных стандартных операционных процедурах ⁸. Это четкое объяснение как принимаются решения автоматически (через оптимизированный сценарий и конвейер решателей) гораздо убедительнее, чем обещания конкурентов о “автоматизации с использованием ИИ”.

Обработка ограничений: Lokad надежно поддерживает нетривиальные ограничения. Поскольку он использует гибкий язык моделирования, он может учитывать сроки годности (например, прогнозируя распределение сроков годности и обеспечивая “продажу перед истечением”), отслеживание серий/партий (через переменные запасов по возрасту или специфические для партий), возвраты и ремонты (моделируя вероятности возвратов и сроки возвратов ⁶), размеры партий/минимальные заказы (встроенные в оптимизацию путем оценки дискретных количеств партий), скидки поставщика или акции (оптимизируя время/количество заказов для максимизации выгоды от скидки по сравнению с затратами на хранение ⁹), эффекты каннибализации и замещения (явно упоминаются как обрабатываемые в его стохастическом движке ⁴), квази-сезонность (его прогнозирование может улавливать необычные сезонные паттерны с помощью вероятностных моделей) и ограничения по хранению или мощности (путем включения затрат/штрафов за мощность в цель оптимизации). Документация Lokad даже отмечает, что он «отражает все экономические факторы», связанные с решениями ¹⁰ и учитывает “уникальные ограничения” для каждого клиента - уровень детализации, отсутствующий в описаниях большинства поставщиков. В общем, Lokad демонстрирует с технической ясностью, что он решает сложные реальные сценарии, а не делает поверхностные заявления.

Вердикт: Lokad занимает верхнюю позицию благодаря своему безкомпромиссному научному подходу и прозрачности. Он один из немногих поставщиков, действительно реализующих вероятностное прогнозирование (спрос и предложение) и настоящую стохастическую оптимизацию ⁴. Обманчивого маркетинга практически нет - вместо шумихи Lokad предоставляет доказательства (белые книги, технические документы) того, как он достигает результатов. Эта этика истины, в сочетании с сильной автоматизацией и обработкой ограничений, делает Lokad выдающимся выбором для компаний, ищущих серьезную, оптимизацию запасов следующего поколения. Единственным недостатком является то, что подход Lokad требует количественного мышления - он намеренно сложен внутри - но вознаграждение заключается в решении, основанном на реальности, а не на модных фразах.

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

Обзор: Slimstock (с его продуктом Slim4) представляет собой традиционный подход к оптимизации запасов. Уникально, Slimstock освобожден от шумихи вокруг ИИ. Компания сосредотачивается на проверенных методах, таких как расчеты безопасности запасов, экономический размер заказа (EOQ) и другие стандартные техники цепочки поставок ¹¹. Философия Slimstock заключается в том, чтобы предоставлять “простые, конкретные практические решения, а не делать неясные заявления о ‘ИИ’” ¹². Эта честность и фокус на основы заработали Slimstock высокую репутацию среди практиков по использоваемости и надежности.

Вероятностные возможности: Здесь Slimstock не соответствует современным стандартам. Slim4 не явно рекламирует вероятностный прогноз спроса, а также любую форму стохастического моделирования времени выполнения заказа. Его функционал основан на традиционном детерминированном прогнозировании (часто с использованием методов временных рядов), совмещенном с буферами (запасами безопасности) для управления изменчивостью. Хотя Slimstock, конечно, учитывает время выполнения заказа в своих расчетах (время выполнения заказа является входным параметром для расчета точек перезаказа и запасов безопасности), он рассматривает их как заданные параметры, а не случайные переменные для прогнозирования. Нет доказательств того, что Slim4 создает полные вероятностные распределения спроса или времени выполнения заказа. Это означает, что Slimstock, хотя и надежен в классическом смысле, “игнорирует неопределенность” в том гранулированном виде, в котором вероятностные методы ее улавливают ³. Согласно нашим критериям, отсутствие явного моделирования неопределенности времени выполнения заказа является серьезным ограничением – противоречие технической глубины Slimstock. Однако Slimstock смягчает это, по крайней мере, тем, что откровенно использует простые методы; он не притворяется, что у него есть передовые стохастические технологии. Для многих компаний консервативный подход Slim4 дает приемлемые результаты, но он может упустить возможность заработать деньги по сравнению с по-настоящему вероятностной оптимизацией.

Заявления о продвинутых функциях: Slimstock в целом не преувеличивает возможности, которых у него нет. Вы не услышите, чтобы Slim4 хвастался “прогнозированием спроса на основе ИИ” или “прогнозами на основе машинного обучения”. Фактически, такой подход без лишней рекламы выделяется как положительный: “Освежающе видеть, что поставщик сосредотачивается на практических аспектах… а не на неясных заявлениях о ИИ.” ¹³. Тем не менее, набор функций Slimstock относительно узок. Сложные взаимодействия, такие как каннибализация продукции или эффекты замещения, не являются основным упором (их придется учитывать через ручные корректировки или вспомогательные анализы). Точно так же, обработка вещей, таких как акции, причинные факторы или новые техники машинного обучения, минимальна. Slimstock отлично справляется с тем, что делает (статистическое прогнозирование, перезаказ на многих уровнях с запасами безопасности), но не занимается передовыми технологиями – и, к его чести, не притворяется, что делает это. Любые заявления, которые он делает (например, “оптимизированные уровни запасов” или “увеличение сервиса с меньшими запасами”), подтверждаются простым функционалом, а не магическим ИИ. Мы не нашли красных флагов вроде “прогнозирование спроса” в материалах Slimstock, что указывает на похвальное внимание к содержанию перед стилем.

Автоматизация: Slim4 разработан для удобства использования планировщиками, что подразумевает смесь автоматизации и ручного контроля. Инструмент автоматически генерирует прогнозы, точки перезаказа и цели инвентаризации для тысяч SKU на различных уровнях. Пользователи часто устанавливают цели уровня обслуживания и позволяют Slim4 вычислить необходимые запасы. На практике Slimstock обеспечивает полуавтоматизированный процесс: рутинные расчеты обрабатываются системой, но планировщики обычно проверяют исключения или корректируют параметры. Slimstock не рекламирует “полностью автономное управление цепочкой поставок” в своем маркетинге – вместо этого он позиционирует себя как инструмент поддержки принятия решений планировщика. Отсутствие явного утверждения о “черном ящике автоматизации” означает, что мы не можем упрекнуть Slimstock в скрытии ручного труда; они ожидают, что пользователи будут в курсе. Однако, по сравнению с поставщиками, которые стремятся к полностью неуправляемой оптимизации, подход Slimstock может потребовать большего вмешательства пользователей (например, обновление прогнозов для новых тенденций, ручное управление товарами, приближающимися к истечению срока годности и т. д.). Это прагматичный уровень автоматизации, подходящий для многих средних фирм, если не идеальный теоретический идеал “оптимизации без участия”.

Обработка ограничений: В соответствии с классическим подходом, Slimstock обрабатывает общие ограничения цепочки поставок, но не все сложные. Сроки годности: Slim4 может управлять базовым контролем срока годности (предупреждения о приближении срока годности товаров, ротация товаров по принципу “первым поступил - первым продан”), но, вероятно, не выполняет сложную оптимизацию товаров с коротким сроком годности. Партии / Минимальные заказы: Да, Slim4 поддерживает эти стандартные ограничения в расчетах поставок. Многоуровневая структура: Основа Slimstock - это многоуровневая оптимизация запасов, поэтому она балансирует запасы между местами, используя традиционные методы распределения уровня обслуживания, а не полностью стохастическую оптимизацию сети. Каннибализация и замещение: в значительной степени не поддерживается автоматически - пользователи должны вручную корректировать прогнозы для переходов или перекрытий продуктов, поскольку модели Slim4 не будут знать, что продукт B отнимает спрос у продукта A. Возвраты, отслеживание серий: вне области прогнозирования Slim4, это будет обрабатываться на стороне ERP/склада. “Квази-сезонность” (неправильные, событийно-ориентированные всплески спроса) могут не быть учтены, если пользователь не внесет их в прогнозы вручную (например, через сезонные профили или переопределения). Стоимость хранения: Slimstock обычно предполагает бесконечную емкость или использует упрощенные ограничения; он не выполняет сложную нелинейную оптимизацию для хранилищ - это снова потребует человеческой корректировки (например, планировщики снижают цели, когда место становится тесным). В итоге, Slimstock охватывает “скучные, но критически важные практические моменты” ¹⁴ - он очень эффективен для управления запасами по учебникам (правильные точки перезаказа, резервные запасы, сегментация ABC и т. д.), и делает это с честью. Однако это не инструмент для моделирования каждого эзотерического сценария. Компании с очень сложными ограничениями или неопределенными шаблонами могут вырасти из того, что может предложить Slim4.

Вердикт: Slimstock заслуживает высокого рейтинга за честность и прочное понимание основ. Он предоставляет надежное решение, не прибегая к модным жаргонным выражениям или завышенным обещаниям искусственного интеллекта. В средах, где достаточно классических формул управления запасами, Slim4 дает результаты и пользуется популярностью благодаря своему удобному и понятному стилю. Однако, по нашим строгим критериям, Slimstock нельзя считать новаторским. Его отсутствие явного вероятностного прогнозирования (особенно отсутствие моделирования распределения времени выполнения заказа) является значительным пробелом - что делает его “несерьезным” для организаций, требующих строгой оценки неопределенности. Мы смягчаем это определение, однако: Slimstock серьезно относится к управлению запасами, просто в рамках традиционной парадигмы. В целом, Slimstock - отличный выбор для компаний, ценящих практичность выше модных фраз, при условии, что они понимают его ограничения в области продвинутой аналитики.

3. RELEX Solutions – Ориентированный на розничную торговлю, быстрая аналитика - высокие заявления под сомнением

Обзор: RELEX Solutions быстро набрал обороты, особенно в розничном секторе, предлагая платформу, управляемую искусственным интеллектом для прогнозирования спроса и оптимизации запасов ¹⁵. Фирменной чертой RELEX является система “Live Plan” в памяти, которая обеспечивает пользователям быстрый и подробный обзор своих запасов и прогнозов по магазинам и дистрибуционным центрам. Эта архитектура (часто сравниваемая с кубом OLAP или “цифровым двойником”) обеспечивает впечатляющие панели управления в реальном времени и быстрые анализы “что-если”. RELEX специализируется на розничной торговле и свежих товарах, хвастаясь функциями для работы с продуктами питания, скоропортящимися товарами и акциями. На первый взгляд RELEX кажется очень способным: он говорит об автоматизации пополнения, оптимизации распределения и даже предполагает, что может поддерживать наличие товаров на уровне 99% и выше. Однако ближайший осмотр показывает смешанные сильные и слабые стороны: мощный анализ в реальном времени и некоторые уникальные функции, но потенциальные недостатки в глубокой оптимизации и науке о прогнозировании.

Вероятностный спрос и лид-таймы: Действительно ли RELEX проводит вероятностное прогнозирование? Компания активно рекламирует свое “прогнозирование на основе искусственного интеллекта”, но конкретики мало. RELEX не публикует доказательств того, что генерирует полные вероятностные распределения для спроса, как это делает Lokad. Ее фокус, кажется, сосредоточен на улучшенных точечных прогнозах (используя машинное обучение на последних данных - то, что некоторые называют “чувством спроса”) и затем использует их в расчетах запасов. Критически важно, что мы не нашли никакого упоминания о вероятностном прогнозировании лид-таймов в материалах RELEX. Лид-таймы, безусловно, являются частью планирования в RELEX (вы вводите лид-таймы, и система знает, что более длительные лид-таймы требуют больших запасов безопасности), но обращение к лид-тайму как к случайной величине с распределением - нет никаких признаков того, что RELEX это делает. Учитывая наши критерии, это упущение серьезно. Поставщик, который явно не обращается к неопределенности лид-таймов, имеет недостатки. Вероятно, модуль планирования RELEX использует детерминированный лид-тайм плюс, возможно, буфер для изменчивости, что не соответствует истинной стохастической оптимизации. Фактически, общий подход RELEX к неопределенности кажется традиционным: вероятно, он использует формулы запасов безопасности под капотом. Независимый анализ отметил, что технология прогнозирования RELEX “похожа на модели до 2000 года.” ¹⁶ - что указывает на то, что они полагаются на проверенные методы (например, экспоненциальное сглаживание), а не на какой-либо прорыв в вероятностном прогнозировании. Таким образом, хотя прогнозы спроса RELEX могут быть более детализированными (например, ежедневно, по магазину/SKU) и обновляться часто, мы не находим никаких доказательств истинного вероятностного прогнозирования в академическом смысле. Это ставит RELEX вне конкуренции с поставщиками, которые моделируют полные распределения спроса/лид-таймов.

Утверждения о продвинутых функциях (ИИ, каннибализация и т. д.): Маркетинг RELEX щедро использует термины “приводимый ИИ”, “машинное обучение” и даже “цифровой двойник”. Например, она рекламирует “Прогнозирование спроса на основе ИИ и оптимизация запасов на многоуровневом уровне” ¹⁵ и “автономное перераспределение запасов” ¹⁷. Однако отсутствуют технические детали. RELEX редко объясняет, какие алгоритмы или техники ИИ она использует - это красный флаг при нашем анализе. Утверждения компании о решении сложных розничных задач заслуживают внимания:

Каннибализация и замещение: В теории, это критично для розницы (например, новые продукты заменяют старые, или один товар отнимает продажи у другого, когда размещен рядом). Архитектура RELEX может фактически затруднять хорошее моделирование этих процессов. Наблюдатели отмечают, что дизайн в памяти/OLAP RELEX “не соответствует оптимизации на уровне сети и розничным закономерностям спроса, таким как замещения и каннибализации.” ¹⁸ Поскольку система построена для быстрого запроса, ей может не хватать сложного уровня оптимизации, необходимого для симуляции потери спроса одного продукта как прироста спроса другого. Мы не нашли утверждений RELEX о решении каннибализации за пределами общих заявлений о ИИ. Учитывая сложность, мы предполагаем, что RELEX не обладает явной, доказанной способностью моделировать эффекты каннибализации (по крайней мере, не намного дальше того, что планировщик мог бы ручным образом скорректировать). Таким образом, любое широкое утверждение о том, что ее ИИ обрабатывает такие взаимодействия, не подтверждено - мы рассматриваем это как ложное до доказательства обратного.
“Чувство спроса”: RELEX предлагает модуль для краткосрочного чувства спроса (поглощение недавних данных POS, погоды и т. д.). “Чувство спроса” как модное слово - это известный красный флаг - часто преувеличивается без научного обоснования ¹⁹. RELEX не опубликовала доказательств в рецензируемых журналах того, что ее чувство спроса дает лучшие результаты, чем традиционное прогнозирование. Мы остаемся скептически настроенными к любому поставщику, который продвигает этот термин без четких данных. Если RELEX не может показать, как их модель машинного обучения количественно улучшает ошибку прогноза, захватывая всплески или сдвиги спроса быстрее, мы рассматриваем утверждения о “чувстве спроса” как маркетинговый обман.
ИИ/МО: RELEX позиционирует себя как современное решение на основе ИИ, но что на самом деле находится под капотом? Неопределенность утверждений вызывает беспокойство. Мы знаем, что RELEX использует машинное обучение для таких задач, как прогнозирование и оптимизация плана - но пока примеры довольно базовые (например, использование регрессии МО для прогнозирования ежедневных продаж, что нормально, но не революционно). Нет признаков “стохастической оптимизации” или алгебры случайных величин в подходе RELEX. Без этого называть его ИИ-ориентированным в некоторой степени вводит в заблуждение. Кроме того, результаты RELEX, заявленные как доступность 99% и выше, кажутся завышенными - отраслевые исследования доступности товаров на полках в рознице опровергают такие высокие цифры ²⁰. Это указывает на разрыв между маркетингом и реальностью.

На позитивной ноте, у RELEX есть конкретные возможности, которые ценны:

Он может оптимизировать грузовики и пакетирование заказов (например, заполнение контейнеров) в рамках планирования пополнения запасов ¹⁷ ²¹.
В нем есть функция “интеллектуальной предварительной закупки” ⁹, чтобы использовать скидки от поставщиков - что подразумевает, что он может рассчитывать сценарии покупки дополнительного инвентаря сейчас или позже для максимизации экономии затрат. Это в некоторой степени решает ограничения по цене.
RELEX сильно фокусируется на свежих продуктах и снижении порчи. Он явно утверждает, что «учитывает сроки годности имеющегося инвентаря для выявления товаров, приближающихся к истечению срока годности, и проведения необходимых распродаж и снижения цен» ²². Кроме того, RELEX поддерживает отслеживание инвентаря по партиям/лотам для управления сроками годности и преобразованиями продуктов для свежих товаров (например, устаревающие мясные нарезки) ²³. Это конкретные функции, а не просто модные слова, показывающие, что RELEX инвестировал в управление скоропортящимися товарами - область, которую некоторые другие игнорируют. Таким образом, хотя у RELEX может и не быть сложной стохастической математики, он решает реальные проблемы розничной торговли (такие как истечение срока годности и порча) с помощью эвристик и бизнес-правил. Мы признаем RELEX за эти практические возможности.

Архитектура и производительность: Архитектура в памяти RELEX (часто с использованием облачных столбчатых баз данных) обеспечивает скорость, но за определенную цену. Он “обеспечивает впечатляющую отчетность в реальном времени, но гарантирует высокие аппаратные затраты” ²⁴. Более того, такие архитектуры часто испытывают трудности, когда растет сложность задачи. Например, масштабирование до глобальной оптимизации (учитывая все местоположения и продукты одновременно для оптимизации) сложно, если система по сути является большим кубом OLAP. RELEX может полагаться на довольно простые алгоритмы для быстрого принятия решений (например, жадные эвристики для перебалансировки запасов между магазинами). Это подходит для отзывчивости, но может не найти оптимальное решение, которое могло бы найти медленный стохастический подход. Кроме того, обновления в реальном времени менее значимы, если вы неправильно моделируете неопределенность - вы можете мгновенно реагировать на изменение спроса, но если вы никогда не количественно оценили неопределенность с самого начала, вы все равно просто преследуете последнюю точку данных (потенциальная ловушка “преследования прогнозов”).

Автоматизация: RELEX подчеркивает автоматизацию в операциях. Он рекламирует «автоматизацию и оптимизацию сложных процессов оптимизации запасов» ²⁵ и демонстрирует функции, такие как «автоматизация балансировки запасов» ¹⁷ и «ответ в реальном времени» на изменения спроса с автоматическими заказами ²⁶. На практике RELEX действительно может автоматически генерировать заказы на пополнение магазина, трансферы между магазинами и заказы на замену истекших запасов с минимальным вмешательством человека. Многие пользователи RELEX запускают ежедневное автопополнение, где планировщики только переопределяют в исключительных случаях. Однако RELEX не объясняет подробно свою логику автоматизации. Например, как именно он решает «вызывать продукты, подходящие к истечению срока годности»? Существует ли оптимизационная модель, балансирующая стоимость снижения цены и потери, или просто пороговое правило (например, продавать, если осталось 2 дня до истечения срока годности)? Такие детали не являются общедоступными. Поэтому, хотя мы верим, что RELEX может хорошо автоматизировать рутинные задачи, мы штрафуем за отсутствие прозрачности. Скорее всего, это много правилной автоматизации, которая работает, но не так элегантно, как оптимизированная политика. Тем не менее, по сравнению с более старыми корпоративными системами, требующими тяжелого ручного планирования, RELEX является шагом вперед в автоматизации. Просто имейте в виду, что метка “автономный” может быть преувеличена – для поддержания эффективности автоматизации требуется некоторая настройка со стороны планировщиков (например, установка параметров для этих правил).

Обработка ограничений: RELEX хорошо справляется с несколькими сложными ограничениями, особенно для специфических потребностей розничной торговли:

Истечение срока годности и скоропортящиеся продукты: Как отмечалось, у RELEX здесь сильные функции (отслеживание на уровне партии, прогнозирование порчи, автоматическое планирование снижения цен для товаров, подходящих к истечению) ²². Это указывает на то, что RELEX может управлять продуктами с коротким сроком годности автоматически – что критично для продуктовых магазинов.
Партирование / Грузовики: RELEX оптимизирует заполнение грузовиков и соблюдает минимальные заказы/округления ¹⁷ ²¹. Он специально упоминает предотвращение отправки «воздуха» путем оптимального заполнения грузовиков, что показывает внимание к ограничениям транспортных расходов.
Скидки / акции: Функция предварительной покупки ⁹ подразумевает, что RELEX будет рекомендовать покупку перед повышением цен или для получения скидки за объем, балансируя это с затратами на хранение. Это сложное ограничение, которое многие системы игнорируют.
Каннибализация/замещение: Слабое место – как обсуждалось, вероятно, не является явно решенным двигателем RELEX.
Возвраты: В рознице (особенно в электронной коммерции) возвраты могут быть значительными (розничная торговля модной одеждой и т. д.). У RELEX есть модуль «предсказательный инвентарь», который упоминает учет порчи и, вероятно, может учитывать возвраты ²⁷, но детали неясны. Можно предположить, что обработка возвратов осуществляется в ERP, а не прогнозируется планированием спроса RELEX.
Квази-сезонность: RELEX может прогнозировать сезонный спрос (например, он обрабатывает еженедельные сезонные профили для каждого продукта/магазина). Для нерегулярных шаблонов спроса его ML может уловить некоторые, но без явной документации мы не можем подтвердить. Скорее всего, он обрабатывает акции как специальные события (с отдельными прогнозами увеличения продаж) – довольно стандартно для розничных решений.
Вместимость склада: RELEX может моделировать вместимость полки магазина в некоторой степени (не заказывая сверх меры полки и т. д.) как часть его интеграции с планограммой. Для вместимости ЦУ не уверен – возможно, подход на основе оповещений.
Многоуровневый: RELEX выполняет планирование многоуровневого (магазин-ЦУ-поставщик). Однако дизайн в реальном времени может противоречить действительно оптимальной многоуровневой оптимизации запасов ¹⁸. Система может оптимизировать каждый уровень с помощью эвристик, а не голистической стохастической модели по всем уровням. Это нюанс: да, она делает 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 как последовательная оптимизация (прогнозирование в магазине -> поставка из ЦУ -> поставка из ЦУ от поставщика с буферами на каждом этапе).

Вердикт: RELEX занимает одно из лидирующих мест, особенно для розничных компаний и производителей свежих товаров. Его преимущества заключаются в практических функциях (управление скоропортящимися товарами, быстрая аналитика, видимость цепочки поставок, обработка промо-акций) и современном пользовательском интерфейсе, который четко отличает его от устаревшего программного обеспечения для планирования. Однако, под нашим искренним микроскопом, RELEX теряет очки из-за необоснованных утверждений о искусственном интеллекте и недостатка вероятностной глубины. Использование множества модных слов без сопровождающей методологии (нет опубликованных алгоритмов или исследований по производительности) означает, что мы должны относиться к его брендингу “ИИ” скептически ²⁸. Более того, игнорируя прогнозирование времени выполнения и полагаясь на старые модели прогнозирования, RELEX может не достичь теоретического оптимума - он предоставляет хорошее практическое решение, но не самое научно продвинутое. Компании, оценивающие RELEX, должны требовать конкретики по поводу того, как он обрабатывает неопределенность и сложные взаимодействия; в противном случае можно предположить, что большая часть его интеллекта происходит от бизнес-правил и настроек пользователей, а не от волшебного ИИ. В итоге, RELEX - это достойный участник с некоторыми подлинными инновациями в удобстве использования, но он остается частично “черным ящиком” и возможно переоценен в своем маркетинге. Мы высоко оцениваем его, но ниже по сравнению с по-настоящему вероятностными, детализированными подходами.

4. ToolsGroup – Игрок с “вероятностным” наследием – Непоследовательные утверждения

Обзор: ToolsGroup находится в сфере оптимизации запасов уже десятилетия (основан в 1993 году) с его флагманским программным обеспечением SO99+ (Service Optimizer 99+). ToolsGroup активно продвигает себя как компанию, специализирующуюся на “вероятностном прогнозировании” и планировании запасов на основе уровня обслуживания. Фактически, ToolsGroup, вероятно, был первопроходцем в идее использования распределений спроса для управления уровнями запасов в начале 2000-х годов. Они также рекламируют возможности в области планирования спроса, “чувствительности к спросу,” многозвенной оптимизации и даже ценообразования (с дополнениями, такими как Price.io). Однако, сообщения ToolsGroup в последние годы вызывают серьезные вопросы. Компания щедро использует модные слова, такие как ИИ/МО и хвастается автоматизацией, однако их публичные материалы часто противоречивы или лишены технического содержания. Мы видим смесь надежной функциональности (основная математика SO99+ для управления запасами звучит, основана на классическом исследовании операций) и маркетингового пустословия, которое не выдерживает проверки (например, обсуждение вероятностных прогнозов при цитировании ошибок MAPE, что концептуально неверно ²⁹).

Вероятностный спрос и время выполнения: На первый взгляд, ToolsGroup утверждает, что полностью ориентирован на вероятностное прогнозирование. Например, в их брошюрах говорится, что ToolsGroup использует “вероятностной прогноз” вместе с параметрами поставки (время выполнения и т. д.) для оптимизации уровней запасов ³⁰. Действительно, SO99+ может генерировать “кривую запаса для обслуживания” – в основном показывая распределение спроса по времени выполнения и уровень обслуживания, достигнутый при определенных инвестициях в запасы ³⁰. Это указывает на то, что ToolsGroup моделирует неопределенность спроса в определенной степени. Однако есть подвох: подход ToolsGroup к вероятностному прогнозированию кажется недоработанным и устаревшим. Особенно, начиная с 2018 года, они начали рекламировать “вероятностные прогнозы” в маркетинге, одновременно говоря о улучшениях в MAPE (средняя абсолютная процентная ошибка) ²⁹. Это несогласованно – MAPE является метрикой точности точечного прогноза и «не применима к вероятностным прогнозам» ²⁹. Такая очевидная путаница подразумевает, что вероятностная инициатива ToolsGroup может быть скорее рекламой, чем реальностью. Как будто бы они добавили вероятностный вывод, но по-прежнему оценивают его с помощью старых метрик, подрывая доверие к всему предприятию.

Когда речь идет о прогнозировании времени выполнения заказа: материалы ToolsGroup не упоминают прогнозирование времени выполнения заказа как случайные переменные. Время выполнения обрабатывается как входные параметры (возможно, с предположениями о изменчивости), а не как что-то, что программное обеспечение прогнозирует на основе исторической производительности поставщика. Их техническое описание показывает, что время выполнения заказа является одним из “параметров поставки”, подаваемых на вход в модель ³⁰. Поэтому, если пользователь предоставляет ожидаемое время выполнения заказа и, возможно, стандартное отклонение, SO99+ учтет это при расчете запасов безопасности, но ToolsGroup, кажется, не генерирует динамическое вероятностное распределение времени выполнения заказа самостоятельно. Это ключевое различие. По-настоящему вероятная система, например, распознала бы, если у определенного поставщика есть 20% шанс удвоения времени выполнения заказа (возможно, из-за задержек на таможне) и учла бы это при оптимальных уровнях запасов. Мы не видим доказательств того, что ToolsGroup проводит такой уровень анализа. Поэтому, по нашему строгому мнению, ToolsGroup не проходит полного вероятностного теста – он упоминает время выполнения заказа только как статические входные данные, а не как прогнозируемые неопределенности. Этот недостаток является серьезным недостатком: поставщик, позиционирующий себя как вероятностный, но игнорирующий основной источник неопределенности, не полностью соответствует своим словам.

Заявления о продвинутых функциях: К сожалению, ToolsGroup вызывает несколько красных флагов в этой области:

Компания сделала широкие заявления о “ИИ” в своем программном обеспечении, которые вызывают сомнения ³¹. Есть мало общедоступной информации о том, какие техники ИИ (если вообще какие-то) фактически применяет ToolsGroup. Их устаревшие алгоритмы предшествуют буму ИИ, они более коренятся в статистике/ОР. По-видимому, метка “ИИ” скорее является маркетинговой переделкой. Например, ToolsGroup приобрел стартап по ИИ (возможно, чтобы укрепить свою репутацию), но их основной продукт внезапно не становится основанным на глубоком обучении. Без конкретных технических объяснений (которые ToolsGroup не предоставил публично), мы рассматриваем их заявления о ИИ как необоснованные.
Определение спроса: ToolsGroup предлагает модуль для “определения спроса” (корректировка краткосрочного прогноза с использованием данных о распределении). Однако независимый анализ обнаруживает, что “заявления о ‘определении спроса’ (от ToolsGroup) не подтверждаются научной литературой.” ¹⁹ Другими словами, ToolsGroup говорит, что может определять сдвиги в спросе с помощью ИИ, но нет доказательств того, что этот подход эффективен за пределами того, что могли бы сделать обычная статистика или человеческий планировщик. Учитывая, что “определение спроса” - известное модное слово, часто используемое в свободной форме, мы сильно снижаем ценность этого утверждения. Если ToolsGroup не может продемонстрировать, например, публикуемое в рецензируемом журнале исследование случая, подтверждающее, что его алгоритм определения спроса обеспечивает лучшие уровни наличия товара, мы считаем это пустым местом. Это соответствует экспертным обзорам, которые называют такие функции “пустым местом” у различных поставщиков, если не предоставлены доказательства ³².
Каннибализация, Продвижение, МО: ToolsGroup не рекламирует продвинутое моделирование каннибализации или эффектов между продуктами - вероятно, потому что он в этом не выделяется. Если настаивать, они могут сказать “наше машинное обучение способно обрабатывать сложные шаблоны”, но опять же без деталей. Мы не нашли никакой документации о том, что ToolsGroup реализует, скажем, матрицу замещения или модель коэффициента привязки для связи спроса на продукт. Поэтому любое предположение о том, что ToolsGroup оптимизирует взаимодействие между продуктами, недостоверно без доказательств. Точно так же, они упоминают использование “самоадаптивных моделей” и машинного обучения, но намеки на методы (например, некоторый вид распознавания образов) звучат довольно стандартно и возможно устаревши. Фактически, общедоступные материалы намекают на то, что ToolsGroup до сих пор использует модели прогнозирования до 2000 года ³³ (например, метод Кростона для прерывистого спроса, возможно, ARIMA для других). В этом нет ничего плохого, но это противоречит блестящему повествованию об ИИ.

В заключение, привычка ToolsGroup смешивать современные модные слова с традиционными техниками вызывает беспокойство. Это указывает на маркетинговое обновление, не подкрепленное настоящим НИР. Например, на сайте ToolsGroup говорится о “автоматизации для преодоления вызовов” ³⁴ и подобных фразах, но при ближайшем рассмотрении это в основном описывает то, что их программное обеспечение всегда делало (оптимизация запасов на многих уровнях), теперь переименованное как ИИ.

Автоматизация: ToolsGroup всегда представляла свое решение как высокоавтоматизированное и “исключительно основанное на исключениях”. Они часто подчеркивают, что SO99+ очень автоматизирован, требуя минимального вмешательства пользователя после настройки. Комментарий IDC в их брошюре отмечает, что «несмотря на его мощность… ToolsGroup MEIO является высокоавтоматизированным при крайне низкой стоимости владения» ³⁵. Действительно, многие установки ToolsGroup работают автоматически для создания ежедневных или еженедельных предложений по пополнению запасов, которые затем рассматривают планировщики. Однако мы критикуем отсутствие ясности в том, как принимаются автономные решения. ToolsGroup не объясняет “автономный движок принятия решений” за исключением того, что модели корректируются и предлагают рекомендации. Ключевые проблемы автоматизации - такие как динамическое корректирование политик заказа при изменении тенденций или избегание преследования изменчивости - не детализированы. Мы предполагаем, что автоматизация ToolsGroup в значительной степени касается прогнозирования и вычисления уровня запасов (система обновляет прогнозы и пересчитывает минимальные/максимальные уровни или предложения по заказу без ручной работы). Это ценно, но стандартно для этого типа программного обеспечения. Без более подробной инженерной информации мы не можем дать ToolsGroup дополнительных баллов здесь. Они соответствуют базовым ожиданиям по автоматизации, ожидаемым от программного обеспечения для оптимизации запасов (и это так уже много лет), но любое утверждение, что это полностью самоуправляемая цепочка поставок, является преувеличением. Следует отметить, что для работы ToolsGroup требуется значительная настройка (целевые уровни обслуживания для каждого товара, правила сегментации и т. д.), которые часто устанавливаются вручную планировщиками или консультантами. Если они неверны, автоматизация может давать недостаточные результаты. ToolsGroup не изложил никакого ИИ, который автоматически выбирает оптимальные уровни обслуживания или корректирует политики самостоятельно - эти задачи все еще выполняются людьми. Поэтому мы говорим, что ToolsGroup предоставляет хорошие автоматизированные вычисления, но не настоящее автономное планирование end-to-end в современном понимании.

Обработка ограничений: SO99+ от ToolsGroup исторически был сильным в основной математике запасов, но слаб во второстепенных ограничениях:

Многоразрядность: Да, он был разработан для оптимизации запасов на многих уровнях. Он может оптимизировать буферы запасов по сети при неопределенности (в основном через подход “целевого уровня обслуживания”). Это плюс - он может хорошо управлять сетями ЦУ и магазинов, обеспечивая наличие правильного запаса на правильном уровне для достижения целей обслуживания.
Вариативность времени поставки: Он учитывает это в запасах безопасности (если вы предоставляете параметр для вариации времени поставки, он включит это в расчет запасов). Но, как отмечено, он не прогнозирует времена поставки или планирует их сценарии.
Размеры партий, МОК: ToolsGroup может управлять этими стандартными ограничениями поставок. Вы можете вводить кратные размеры партий, минимальные заказные количества, и он будет рекомендовать заказы с учетом этого.
Сроки годности: ToolsGroup не известен своей оптимизацией запасов скоропортящихся товаров. Вероятно, у него нет специализированной логики для срока годности (и мы не нашли упоминаний об этом). Пользователю придется обрабатывать истекающие товары вручную или как отдельный артикул по дате истечения срока годности (что неудобно). Это ограничение для отраслей, таких как пищевая/химическая. В отличие от RELEX, который явно борется со сроками годности, ToolsGroup, кажется, сосредотачивается на “неистекающем” запасе.
Серийный/партийный учет: Вне области планирования - это скорее выполнение/ERP. ToolsGroup не оптимизирует на уровне серий.
Каннибализация и замена: Философия ToolsGroup в основном заключается в унивариатном прогнозировании (прогноз спроса на каждый артикул прогнозируется индивидуально, возможно, с некоторыми регрессионными входами). Он не моделирует “если товар A заканчивается, спрос переходит на товар B” или подобное. Опытный пользователь может внешне корректировать прогнозы, чтобы учесть это, но сам инструмент не предлагает явной функции. Таким образом, он не справляется с этим аспектом продвинутого ограничения.
Возвраты: ToolsGroup в основном обрабатывает новый спрос и предложение. Он не прогнозирует возвраты в рознице или выработку при повторном производстве. Пользователи должны включать средние возвраты в чистый спрос, если это необходимо.
Квази-сезонность: Если узоры нерегулярны, старые модели ToolsGroup могут испытывать затруднения. Без современного машинного обучения он может не уловить сложные факторы спроса. Они упоминают машинное обучение, но, как мы подозреваем, оно может быть упрощенным. Таким образом, необычные узоры могут быть упущены (что приведет либо к нехватке товара, либо к избытку, если планировщики не вмешаются вручную).
Хранение/Вместимость: Не является фокусом. ToolsGroup оптимизирует запасы для баланса между обслуживанием и стоимостью, но предполагает, что у вас есть место для хранения рекомендуемого запаса. Он не решает проблемы типа рюкзака с ограниченным пространством или бюджетом, если вы не симулируете сценарии вручную.

В целом, ToolsGroup хорошо охватывает основные и наиболее распространенные ограничения запасов (многоуровневые, минимальные заказы, неопределенность спроса в определенной степени). Он не справляется с новыми или специализированными вызовами. Особенно ToolsGroup не имеет современной перспективы “финансовой оптимизации” – т.е. он не напрямую максимизирует прибыль или минимизирует общую стоимость при наличии ограничений; вместо этого он обычно работает по уровням обслуживания. Такой подход может быть неоптимальным, если, например, у двух продуктов очень разные маржи прибыли – вероятностный оптимизатор распределит запасы для максимизации ожидаемой прибыли, тогда как ToolsGroup может рассматривать их одинаково, если они имеют общую цель обслуживания. Эта тонкость является частью того, почему технология ToolsGroup, хотя и крепкая в свое время, сейчас показывает свой возраст.

Вердикт: ToolsGroup находится в интересном положении. Это долгосрочный поставщик с стабильным, способным продуктом, и он был одним из первых, кто вышел за пределы чисто детерминированного планирования. Однако в основанном на фактах сравнении, ToolsGroup получает смешанный обзор. Мы одобряем то, что он говорит о вероятностном управлении запасами – этот концепт абсолютно правильный – но мы должны “разоблачить” факт, что ToolsGroup не полностью следует этому пути. Неоднозначный маркетинг (PF + MAPE ²⁹) и отсутствие доказательств подлинной стохастической оптимизации (например, отсутствие опубликованной “алгебры случайных величин” в их технологическом стеке) означают, что утверждения ToolsGroup о вероятностном подходе на хрупкой почве. На практике он может делать нечто большее, чем вычислять резервный запас с использованием вероятностных распределений – полезно, но не революционно. Мы строго наказываем ToolsGroup за полагание на модные слова, такие как ИИ и чувствительность к спросу без обоснования. Эти известные фальшивые утверждения ³⁶ подрывают его доверие. Тем не менее, многие компании добились хороших результатов с программным обеспечением ToolsGroup по снижению запасов и улучшению обслуживания – это не змеиное масло; просто оно не такое передовое, как заявлено. Мы ранжируем ToolsGroup ниже по сравнению с действительно инновационными игроками, но выше худших нарушителей, потому что в его основе у него есть математически обоснованный (хоть и старомодный) движок и широкий функционал (прогнозирование + запасы + пополнение в одном). Потенциальные пользователи должны требовать, чтобы ToolsGroup продемонстрировал свои так называемые возможности ИИ/вероятностной обработки на реальных данных; в противном случае, относитесь к ним как к просто модным ярлыкам на то, что по сути является хорошо настроенным, но обычным, пакетом оптимизации запасов.

5. Системы GAINS – Ветеранское решение, Экспертиза в области сдерживается хайпом

Обзор: Системы GAINS - это старый игрок (основан в 1971 году!), который предоставляет комплексный набор планирования цепочки поставок, специализируясь на оптимизации запасов и аналитике цепочки поставок. Их программное обеспечение (GAINS) исторически было известно своей сильной поддержкой запасов сервисных частей и запасов МТР (техническое обслуживание, ремонт и эксплуатация) – области с прерывистым спросом, где GAINS зарекомендовал себя. Системы GAINS предлагают модули для прогнозирования спроса, оптимизации запасов (включая многоуровневые), S&OP и т. д., аналогичные по объему ToolsGroup. В последние годы GAINS пытался обновить свой облик, говоря о “оптимизации как сервисе” и внедряя машинное обучение. Однако, подобно ToolsGroup, GAINS страдает от маркетингового раздутия: теперь он рекламирует “ИИ/МЛ” и “чувствительность к спросу” без убедительных доказательств, и его основные техники, по-видимому, остаются классическими моделями прогнозирования до 2000 года ³⁷.

Вероятностный спрос и лид-таймы: GAINS не публично выделяет вероятностное прогнозирование. Скорее всего, он использует традиционные статистические модели (например, Кростона для прерывистого спроса, возможно, бутстрэппинг для спроса на лид-тайм). Мы не видели явного упоминания неопределенности прогнозирования лид-таймов - признак того, что GAINS, возможно, также уступает в этом аспекте. Основное внимание GAINS уделяет достижению целевого уровня заполнения или уровня обслуживания при минимальных затратах, что подразумевает некоторые стохастические соображения (аналогично тому, как устанавливается резервный запас). Но детали реализации остаются недостаточно ясными. GAINS склонен подчеркивать результаты (“улучшение обслуживания, снижение запасов”), а не то, как именно он их вычисляет. Отсутствие четкого вероятностного языка заставляет нас считать, что GAINS в значительной степени полагается на детерминированные или полуаналитические методы: например, он может предполагать дисперсию спроса и дисперсию лид-таймов 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 резервного запаса и, возможно, некоторые методы симуляции, но не рассматривает лид-таймы 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.

Заявления о продвинутых функциях: GAINS начал бросать вокруг себя модные слова, переосмысливаясь для 2020-х годов. Их сообщения включают заявления о “превосходной точности” благодаря собственным алгоритмам и даже упоминания машинного обучения для сопоставления и кластеризации ³⁸. Давайте разберем:

“Превосходная точность” прогнозов: По сообщениям, GAINS утверждает, что его прогнозы более точны, чем у конкурентов. Однако анализ называет это сомнительным, отмечая, что собственный алгоритм GAINS, по их мнению, не превосходит другие на крупных конкурсах прогнозирования ³⁹. Действительно, одно из заявлений было о том, что алгоритм GAINS “Procast” превосходит другие, но он отсутствует в лидирующих позициях на конкурсах, таких как конкурс прогнозирования M5 ³⁹. Это вызывает серьезные сомнения - если у GAINS была технология прогнозирования мирового уровня, она должна была бы блеснуть в объективных бенчмарках, но этого не происходит. Таким образом, мы отвергаем утверждение GAINS о точности как неподтвержденное. Фактически, открытые методы (например, те, что предлагаются в пакетах R доктора Роба Хиндмана) вероятно делают это лучше ⁴⁰.
Определение спроса и машинное обучение: GAINS продвигает “определение спроса” и использует термины, такие как кластеризация с помощью МО. Независимый обзор ясно говорит: “Техники, такие как ‘определение спроса’, являются вакуумными, не подтвержденными научной литературой. [И] Элементы МО, представленные, такие как сопоставление и кластеризация, также являются техниками до 2000 года” ³². Это указывает на то, что GAINS может наряжать довольно стандартные статистические практики, как если бы они были новым искусственным интеллектом. Например, кластеризация похожих элементов для прогнозирования или классификации их - это практика десятилетней давности, а не передовое машинное обучение. Факт, что они подчеркивают это, указывает на то, что “МО” GAINS является элементарным - определенно ничего подобного глубокому обучению или продвинутому вероятностному программированию. Поэтому мы штрафуем GAINS за соответствие модным словам: они отмечают галочки (ИИ, МО и т. д.) в маркетинге, но не предлагают никаких деталей или прорывов для подтверждения этого. Это поведение соответствует более широкому шаблону, который мы критикуем в отрасли: использование модных терминов без содержания.
Оптимизация как сервис: GAINS говорит о переходе к модели облачного сервиса, предполагая, что вы можете подавать им данные и получать результаты оптимизации. Хотя это современная стратегия развертывания, это не означает, что сама оптимизация является продвинутой. Мы предполагаем, что основные методы решения GAINS остаются примерно такими же; меняется только модель доставки (облако/SaaS). Ничего плохого в этом нет, но это не является дифференциатором в возможностях (многие поставщики сейчас предлагают облачные решения).

На позитивной ноте, GAINS Systems известен своим глубоким экспертным знанием в некоторых отраслях:

Они хорошо разбираются в планировании запасных частей (например, моделирование медленно движущихся частей, контракты на уровень обслуживания, выходы из ремонтного цикла). Их программное обеспечение, вероятно, способно обрабатывать сценарии, такие как прогнозирование возвратов ремонтопригодных единиц или учет процентов брака, с которыми обычные инструменты учета запасов могут не справиться. Это в определенной степени спекулятивно, но учитывая их долговечность в этой области, это вероятно.
У GAINS хорошая репутация в области качественной поддержки клиентов и тесного сотрудничества с планировщиками, но это часто означает, что решение дополняется консалтингом, а не полностью автоматизированной магией.

Автоматизация: GAINS продвигает идею автоматизации управления запасами (даже на их веб-сайте говорится “Автоматизируйте вашу систему управления запасами с помощью GAINS” ⁴¹). Инструмент, безусловно, может автоматизировать генерацию прогнозов и политики инвентаризации. GAINS поддерживает непрерывное планирование: обновление рекомендаций по мере поступления новых данных. Однако у нас нет подробностей о том, насколько автономен этот процесс. Мы предполагаем, что, как и другие, он автоматизирует обработку данных, но ожидает, что планировщики утвердят окончательные решения. GAINS представил инициативу (методология “P3” и т. д.), которая, возможно, привнесет больше непрерывной оптимизации. Без явных доказательств мы остаемся нейтральными: GAINS, вероятно, предоставляет типичный уровень автоматизации для корпоративного инструмента - хороший, но не заметно лучше своих конкурентов. Следует отметить, что GAINS - небольшая компания, и меньшие поставщики часто тесно адаптируют решения к потребностям клиентов (что может улучшить практическую автоматизацию, поскольку они настраивают правила системы для вас). Но с точки зрения инженерии, GAINS не опубликовал никакой уникальной логики автоматизации, за что можно похвалить.

Обработка ограничений: GAINS охватывает множество традиционных ограничений и некоторые специализированные:

Многоуровневый: Да, GAINS выполняет оптимизацию инвентаря с многими уровнями (их история в запасных частях для авиации/обороны подразумевает многотиражное размещение запасов).
Вариация времени выполнения: учитывается при расчете уровня обслуживания, вероятно.
Размеры партий/Минимальные заказные количества: поддерживаются, как и любой серьезный инструмент.
Прерывистый спрос: одно из исторических преимуществ GAINS. GAINS, вероятно, использует метод Кростона или аналогичный для медленно движущихся товаров (часто встречающихся в сервисных частях), что необходимо для избежания дефицита у прерывистых SKU.
Возвраты/Ремонты: вероятно, да для MRO - GAINS учитывает время восстановления и выходы (например, процент, который подлежит утилизации по сравнению с ремонтом) в своих расчетах запасных частей. Это нечто, с чем не все поставщики справляются, поэтому GAINS может иметь преимущество здесь.
Истечение срока годности: не типичное направление для GAINS (их отрасли были скорее промышленными, чем перепродуктовыми), поэтому, вероятно, минимальная поддержка срока годности.
Каннибализация: Неясно, обрабатывается ли; как и другие, GAINS, вероятно, рассматривает товары независимо при прогнозировании.
Ограничения хранения: Неясно; GAINS не рекламировал решение, например, ограничений на складское пространство с помощью оптимизации.
Оптимизация затрат: GAINS действительно акцентирует внимание на прибыли и затратах в некоторых сообщениях, но конкретный метод неизвестен. Возможно, они, как и Lokad, имеют некоторую способность учитывать маржинальность товара или затраты на хранение при оптимизации цели (что было бы хорошо). Или они могут все еще делать это через уровни обслуживания, как ToolsGroup.

Вердикт: GAINSystems - это уважаемый ветеран с глубоким пониманием проблем инвентаризации, особенно в узких областях (запасные части, промышленность). Однако, в этом рейтинге, ориентированном на поиск истины, GAINS не может избежать среднего положения. Причины ясны: его модели прогнозирования устарели, и его недавние маркетинговые попытки (определение спроса, кластеризация ML) выглядят как попытки казаться модными без реальных инноваций ³². GAINS в основном представляет собой надежное решение 1990-2000-х годов, пытающееся оставаться актуальным. Мы признаем его знания в области домена и практические результаты - клиенты действительно сообщают об уменьшении запасов и улучшении обслуживания - но снимаем баллы за отсутствие прозрачности и завышенные заявления. В эпоху, когда ведущие поставщики делятся техническим контентом или публикуют исследования, GAINS относительно непрозрачен; то малое, что мы узнали (например, хвастовство собственными алгоритмами), не убедило. Для компаний с очень специализированными потребностями (например, планирование запасных частей) GAINS по-прежнему может быть лучшим выбором из-за своих настраиваемых функций. Но для тех, кто ищет самое передовое, наукоемкое оптимизационное решение, GAINS, вероятно, разочарует, если не пройдет крупное технологическое обновление. В нашем рейтинге GAINS выше поставщиков, которые являются чистым хайпом без содержания, но ниже тех, кто сочетает честность с инновациями. Он получает скромное признание как способное решение, обернутое в устаревшую технологию и некоторые необоснованные модные слова.

6. SAP (IBP для инвентаризации / бывший SmartOps) - Сложный набор инструментов, интеграция вместо инноваций

Обзор: SAP, гигант программного обеспечения для предприятий, конечно, присутствует на этом рынке благодаря своему обширному портфелю приложений для цепочки поставок. С течением лет SAP приобрел несколько специализированных технологий оптимизации инвентаризации - SmartOps (приобретен в 2013 году), SAF AG (2009, прогнозирование спроса) и даже аналитическую компанию KXEN (2013) для прогностического моделирования ⁴². Они предназначались для дополнения внутренних систем планирования SAP, таких как APO (Advanced Planner & Optimizer) и позже SAP IBP (Integrated Business Planning). В настоящее время SAP предлагает возможности оптимизации инвентаризации в основном через SAP IBP для инвентаризации (модуль IBP, вероятно, включающий многоуровневые алгоритмы SmartOps) и возможно через дополнения в S/4HANA. Однако история SAP - это история фрагментации и сложности. Как отмечает один обзор, «под брендом SAP скрывается хаотичный набор продуктов» из-за всех этих приобретений ⁴³. Результатом является то, что оптимизация инвентаризации SAP кажется навесной - не интегрированным, передовым оптимизатором, а скорее набором функций, требующих значительной интеграции и услуг экспертов для получения ценности.

Вероятностный спрос и лид-таймы: Наследственные решения SAP (например, APO) в основном были детерминированными (использовали точечные прогнозы, запас безопасности на основе простых статистических моделей). SmartOps, инструмент, купленный SAP, был известен вероятностным многоранговым моделированием - он рассчитывал распределения запасов и рекомендованные уровни запасов для достижения целевых уровней сервиса в условиях неопределенности. Таким образом, в теории, в SAP IBP для инвентаризации есть некоторый вероятностный движок внутри (благодаря SmartOps). SmartOps учитывал как изменчивость спроса, так и некоторую изменчивость предложения. Но сам SAP не акцентирует внимание на “вероятностном прогнозировании” в маркетинге; это не является частью сообщения SAP на рынке. Таким образом, многие клиенты SAP могут даже не использовать передовой модуль оптимизации запасов в полной мере. Прогнозирование лид-таймов не является чем-то, что SAP рекламирует. Если клиент явно не использует часть SmartOps, которая может позволить переменные лид-таймы, планирование по умолчанию SAP предполагает фиксированные лид-таймы (возможно, с запасным временным буфером). Согласно нашим критериям, SAP не демонстрирует приверженности вероятностному прогнозированию. Возможность может существовать глубоко в программном обеспечении, но если она не явно выделена или подчеркнута, мы считаем это пробелом. Более того, смешивание нескольких приобретенных технологий может означать несогласованность - например, прогнозы спроса могут поступать из одного движка (детерминированного), в то время как оптимизация запасов поступает из другого (стохастического), и они могут быть не полностью согласованы. Действительно, одна из критик была «предприятийное программное обеспечение не смешивается через M&A», указывая на то, что приобретенные SAP части не смешиваются без проблем ⁴⁴.

Расширенные функции и утверждения: SAP обычно не раздувает значимость ИИ в цепочке поставок (по крайней мере, не так явно, как другие), но в последнее время даже SAP использует некоторые термины ML/AI в маркетинге IBP. Тем не менее, SAP, как правило, воспринимается как богатый функциями, но не алгоритмически продвинутый. Компонент SmartOps дал SAP уважаемый многоранговый оптимизатор. Однако сомнительно, что SAP держит эту технологию актуальной или превосходящей новые модели ⁴⁵. Фактически, считается, что SmartOps (и подобные) использовали стандартные методы ОР, и что после 2000 года методы МО «не превосходят модели до 2000 года» в этом контексте ⁴⁵ - что подразумевает, что SAP не предоставляет лучшие прогнозы, чем ARIMA или Croston, несмотря на наличие технологии МО, такой как KXEN. Маркетинг SAP обычно сосредотачивается на интеграции (платформа end-to-end, «одна версия правды» в ERP и т. д.), а не на утверждении, что они будут превосходить конкурентов в прогнозировании. Эта честность имеет двойной край: они не являются явными лжецами о волшебстве ИИ, но и не являются лидерами в инновациях.

Сильной стороной SAP может быть обработка сложных ограничений в широком контексте цепочки поставок, потому что у них есть все данные и транзакционные детали:

Они могут учитывать емкость и ограничения производства в IBP, если вы связываете модули (планирование запасов может быть связано с планированием поставок).
Они могли бы использовать данные о производительности поставщиков из ERP для ручной корректировки времен безопасности или запасов безопасности для изменчивости лид-таймов (хотя не автоматического «прогнозирования» этого).
Решения SAP могут управлять истечениями срока годности в системе выполнения (SAP EWM или ERP будут обрабатывать истечение срока годности партии, а APO имело планирование срока годности для обеспечения соответствия предложения спросу в пределах срока годности). Однако оптимизация запасов с истечениями срока годности (например, принятие решения о том, насколько перестраховаться для учета порчи) не является выдающейся особенностью - SAP в основном выдает предупреждения о истекающих партиях.

SAP упоминает некоторое использование ИИ/МО в прогнозировании спроса (SAP Analytics Cloud имеет прогнозирование, IBP имеет некоторые функции прогнозирования с использованием МО), но ничего революционного не было отмечено. Кроме того, главным преимуществом SAP часто является то, что это интегрированная платформа, а не блеск одного алгоритма. Недостатком является то, что каждый элемент может быть средним, но в целом сложным.

Следует отметить, что для оптимизации запасов SAP требуется обширное усилие по внедрению - «для достижения успеха потребуются самые лучшие интеграторы - плюс несколько лет» ⁴⁶. Это подразумевает, что даже если у SAP есть расширенные функции, их эффективное использование сложно. Многие проекты SAP IBP борются с полной автоматизацией оптимизации; они часто прибегают к более простым режимам планирования из-за проблем с данными или интеграцией.

Автоматизация: Парадигма SAP не сводится к автоматизации черного ящика; это процессы планирования. В среде SAP оптимизация запасов была бы одним из этапов в более крупном цикле S&OP или планирования поставок. SAP IBP может автоматизировать определенные расчеты (например, запуск оптимизатора каждую ночь), но обычно люди-планировщики в SAP активно участвуют - настраивая систему, подавая ей сценарии и анализируя результаты. SAP на самом деле не утверждает “автономное планирование”; вместо этого он предоставляет инструменты прогнозирования и оптимизации, которыми должны оперировать опытные пользователи и консультанты. Поэтому, по сравнению с другими, SAP кажется менее автоматизированным - или, по крайней мере, любая автоматизация создается на заказ интеграторами. Мы штрафуем SAP за это, поскольку их подход не обеспечивает легкого бездействия. Многие компании с SAP в итоге приходят к полуавтоматическому планированию, несмотря на наличие модулей оптимизации, просто потому что создание доверия к черному ящику SAP - это отдельный проект. “Черный ящик” есть, но настроить его под каждый бизнес без тяжелой консультации не так просто.

Обработка ограничений: Одной из областей, в которой SAP хорошо справляется, является широкий спектр ограничений, благодаря своему всестороннему набору:

Многоуровневый: Да (через SmartOps в IBP Inventory).
Размеры партий/МОК: Да, планировочные инструменты SAP могут учитывать это в своих оптимизаторах.
Ограничения по мощности: Если использовать оптимизатор поставок SAP (часть IBP или APO CTM), можно учесть ограничения производства/хранения - но это скорее относится к планированию поставок, чем к оптимизации запасов как таковой.
Истечение срока годности: Уровень выполнения обработки отличный (SAP может отслеживать истечение срока годности партии, выделение по принципу “первым поступил - первым обслужен”). На уровне планирования, в APO были некоторые функции, чтобы гарантировать, что запасы не просрочатся (например, не отправлять близкие к истечению срока годности запасы в дальние места). Неясно, перенес ли IBP эти функции.
Каннибализация/замена: У SAP IBP есть модуль для внедрения нового продукта, который может использовать моделирование похожих профилей (так что не очень продвинуто, но есть некоторая способность связать прогнозы продуктов-преемников/предшественников). Но, вероятно, в этом отношении он отстает от специализированных розничных инструментов.
Возвраты: SAP определенно может включить прогнозирование возвратов в планирование спроса, если это моделируется (особенно для розницы, они могут прогнозировать чистый спрос минус возвраты). Опять же, это требует настройки.
Сложность стоимости хранения: Оптимизатор SAP может учитывать затраты на хранение и, таким образом, косвенно ограничивать запасы, если затраты на хранение возрастают (отражая ограничения по хранению). Но нужно настроить его тщательно; не готово к использованию сразу.

В сущности, решение по запасам SAP может справиться с многим, но требует усилий. Это похоже на набор инструментов, который, когда настроен профессионалами, может эмулировать множество продвинутых поведенческих моделей - но сам SAP не предоставляет готового решения с кнопкой.

Вердикт: SAP занимает более низкое место в нашем исследовании, потому что он иллюстрирует проблему «мастер на все руки, но не на все пальцы». У него есть кусочки возможностей (некоторая вероятностная оптимизация, унаследованная от приобретений), но нет четкого, последовательного, современного предложения в области оптимизации запасов. Сложность и “хаотичная коллекция” инструментов под знаменем SAP делают сложным получение ценности без значительных временных и финансовых затрат ⁴³. Мы серьезно штрафуем SAP за эту сложность и факт, что интеграция затмевает инновации - приобретенные технологии в значительной степени застыли после перехода под крыло SAP (даже их достоинства часто теряются или недооцениваются). Утверждения SAP обычно умеренные (они не откровенно лгут о ИИ; если что-то, их маркетинг сейчас, возможно, украшает слова ИИ, потому что это делают все, но это не чересчур). Основная проблема заключается в том, что оптимизация запасов SAP не является маркетинговым мусором - она просто затеряна и громоздка.

Для компаний, которые уже глубоко внедрились в экосистему SAP, использование встроенных инструментов SAP может показаться привлекательным (интеграция данных проще, один источник ответственности и т. д.). Но с точки зрения чистой производительности немногие будут утверждать, что SAP IBP превосходит специализированных поставщиков. В поисках истины мы видим SAP как надежный, но не передовой, обширный, но чрезмерно сложный. Он занимает нижнюю половину рейтинга, потому что сложность достижения оптимизированной цепочки поставок с помощью SAP низка - не из-за отсутствия функций, а из-за сложности объединения этих функций и сомнительной отдачи по сравнению с усилиями. Короче говоря: SAP может отметить галочки в функциональных блоках, но мы сомневаемся, что он может обеспечить оптимальный уровень запасов на практике без массовых инвестиций. Это удерживает его далеко за специалистами в нашем рейтинге.

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

Обзор: o9 Solutions - новый участник (основан в 2009 году), который быстро завоевал популярность как “платформа планирования нового поколения”. Часто описывается как “цифровой мозг” или “Граф знаний предприятия (EKG)” для цепочки поставок, o9 рекламирует современную облачную платформу с элегантным пользовательским интерфейсом, графовой моделью данных и множеством обещаний по искусственному интеллекту/аналитике. Они позиционируют себя как решение в стиле “больших технологий” для цепочки поставок - много вычислительной мощности, памяти и единая модель данных для поддержки всего, начиная от прогнозирования спроса и планирования поставок до управления доходами. В части оптимизации запасов o9 утверждает, что делает это в рамках своего полного планирования. Однако репутация o9 в технических кругах - это тяжелый шум и меньше ясности относительно реальных методов. Они ослепляют потенциальных клиентов высоким “технологическим массом” (множество функций, красивые демонстрации), но под пристальным взглядом их настоящие отличия неясны. Как сказал один анализ, «Технологический масс o9 зашкаливает… Дизайн в памяти гарантирует высокие затраты на оборудование. Многие прогнозные утверждения о графовой базе данных (брендированной как EKG) сомнительны и не подтверждаются научной литературой. Много шума вокруг искусственного интеллекта, но элементы, найденные на Github, намекают на посредственные техники» ⁴⁷. Это отражает наши результаты: o9 во многом находится в лагере “AI blah-blah” до тех пор, пока не докажет обратное.

Вероятностный спрос и сроки поставки: Нет доказательств, что o9 изначально производит вероятностные прогнозы для спроса или сроков поставки. Их упоминание о Графе знаний предприятия подразумевает связь различных данных (что может помочь выявить причины изменчивости сроков поставки и т. д.), но опубликованные кейсы и материалы o9 не упоминают статистические распределения или стохастическую оптимизацию явно. Они больше фокусируются на сценарном планировании и перепланировании в реальном времени. Мы предполагаем, что o9, вероятно, использует типичные техники прогнозирования (временные ряды ML или даже готовые библиотеки) для генерации одночисленных прогнозов, возможно с некоторыми диапазонами. Не утверждая это, мы предполагаем, что сроки поставки принимаются в качестве входных данных (возможно с некоторыми правилами буферизации), но не прогнозируются как случайные переменные. Таким образом, по нашим критериям, o9 не проходит вероятностный тест. Фактически, учитывая их акцент на интеграцию больших данных, они могут быть более детерминированными, чем большинство - стремясь включить множество сигналов (тем самым предполагая, что вы можете предсказать все, если у вас достаточно данных), что концептуально противоположно принятию неопределенности. Пока o9 не опубликует что-то о вероятностных моделях, мы рассматриваем их подход как детерминированный с фантастической интеграцией данных. Это делает их несерьезными в моделировании неопределенности, полагаясь вместо этого на реактивное планирование.

Утверждения о продвинутых функциях: маркетинг o9 полон звучных утверждений:

Граф знаний (EKG): Они утверждают, что их графовая база данных может моделировать отношения по всей цепочке поставок, предположительно улучшая прогнозирование (например, захватывая, как акция может повлиять на спрос на связанные товары и т. д.). Хотя графовая модель данных гибкая, нет научного доказательства того, что это приводит к более точным прогнозам или лучшим решениям по запасам. Она в основном помогает интегрировать источники данных. Утверждение, что это инновация в “AI прогнозировании”, сомнительно ⁴⁸. Не видя конкретного алгоритма, использующего граф для, скажем, вероятностного прогнозирования, мы считаем это просто современной архитектурой, а не превосходным методом аналитики.
ИИ/МО: o9 отбрасывает все модные фразы - графики знаний, большие данные, ИИ/МО, даже, вероятно, такие термины, как обучение с подкреплением, хотя конкретики нет. Внешний анализ критичен: «Многие утверждения о прогнозировании… сомнительны… Много шумихи вокруг ИИ, но элементы, найденные на Github, намекают на обыденные техники» ⁴⁸. Действительно, некоторые из публично доступных инструментов o9 (например, tsfresh для извлечения признаков временных рядов или vikos, и т. д.) упоминаются - это стандартные библиотеки Python или базовые подходы к прогнозированию (ARIMA и т. д.) ⁴⁹. Это подразумевает, что команда разработчиков o9, возможно, использует довольно обычные модели прогнозирования за кулисами, несмотря на внешние заявления. Мы раскрываем o9 здесь: то, что что-то называется платформой, управляемой ИИ, еще не делает ее таковой, и первичные впечатления подсказывают, что их “ИИ” часто просто линейная регрессия или ARIMA под капотом ⁴⁹. Если это правда, то это много дыма и зеркал.
Планирование сценариев в реальном времени: o9 хорошо справляется с созданием сценариев на лету (благодаря расчетам в памяти). Но планирование сценариев не является оптимизацией. Можно быстро смоделировать, что произойдет, если время выполнения увеличится или спрос вырастет, что полезно для планировщиков для визуализации проблем, но это не дает автоматически лучшего решения - пользователю все равно придется интерпретировать и корректировать. Так что, хотя o9 может утверждать, что помогает вам справляться с нарушениями, возможно, она больше полагается на принятие решений человеком, чем, скажем, стохастическая оптимизация.

Еще одно открытие: «Тривиальности не квалифицируются как ‘ИИ’, потому что они интерактивны» ⁵⁰ - вероятно, относящееся к тому, что o9 называет интерактивные панели или простые правила ответов “ИИ”. Мы категорически пресекаем это. Если o9 рекламирует что-то вроде “наша система автоматически выделяет исключения и предлагает заказы - управляемая ИИ!” но на самом деле это простое правило если-то или статистическая башня управления, это неправильное маркирование базовых функций как ИИ.

Автоматизация: o9 позиционирует себя как обеспечивающую “Цифровую операционную модель” - что предполагает высокую степень автоматизации. Безусловно, она может автоматизировать определенные задачи планирования (например, автоматическое создание прогнозов, автоматическое обнаружение исключений). Однако, учитывая отсутствие деталей, мы беспокоимся, что большая часть ценности o9 все еще исходит из решений с участием человека с использованием ее удобного интерфейса. Говорят о «автономном планировании» в индустрии вокруг инструментов, подобных o9, но нет конкретных доказательств того, что какая-либо компания использует o9 в режиме “без присмотра”. Интенсивное участие аналитиков крупных клиентов с o9 указывает на то, что это система поддержки принятия решений, а не полностью автоматизированный оптимизатор. Мы штрафуем разрыв между амбициями и реальностью. Если o9 не сможет продемонстрировать, как ее “графовый ИИ” автономно оптимизирует запасы (что они не сделали публично), мы рассматриваем ее утверждения об автоматизации как преувеличенные.

Обработка ограничений: Будучи гибкой платформой, o9 в теории может обрабатывать множество ограничений:

У нее есть модель данных для включения сроков годности, атрибутов партии и т. д. Таким образом, она может отслеживать запасы по партиям и, возможно, включать логику для избежания истечения срока годности. Но неизвестно, есть ли у нее готовый алгоритм для перечисляемых запасов - вероятно, нет; пользователь должен написать правило или вручную обеспечить вращение.
Многоуровневая: o9 проводит планирование на нескольких уровнях; она может моделировать сеть и выполнять многоранговую оптимизацию запасов (у них, вероятно, также есть что-то подобное SmartOps, или по крайней мере, расчеты безопасности запасов для каждого уровня).
Ограничения по мощности: Поскольку o9 охватывает S&OP, она может включать ограничения производства и хранения в свои плановые запуски.
Каннибализация и замещение: Здесь их Граф знаний в принципе мог бы моделировать отношения (например, связывать продукты как заменители). Но действительно ли они оптимизируют, используя эту информацию? Они этого не показали. Возможно, они могли бы провести “что, если”: “если продукт A закончился, увеличивается продажа продукта B” в симуляции. Но это требует моделирования выбора потребителя - не тривиально, и нет доказательств того, что o9 построила эту модель. Так что, вероятно, это не обрабатывается, за исключением предположений ручного планировщика.
Квази-сезонность: Если ML o9 приличный, то он может обнаружить необычные сезонные паттерны, если получит достаточно данных. Но опять же, нет никакой конкретной функции помимо общего прогнозирования ML.
Финансовая оптимизация: o9 говорит о управлении доходами и IBP, поэтому, возможно, он способен оптимизировать прибыль, а не только уровень обслуживания, если настроен соответствующим образом. Однако, доверие к их оптимизатору неопределенно.

Один из беспокоящих аспектов: подход в памяти o9 (как у RELEX) может сделать решение определенных задач с ограничениями крайне ресурсоемким. Они говорят о масштабируемости, но если вы действительно моделируете каждый SKU-локацию и ограничение, вычисления могут выйти из-под контроля, требуя огромного оборудования. Поэтому на практике они могут упростить проблему или полагаться на эвристику.

Вердикт: Решения o9 занимают нижний уровень из-за своей тяжелой зависимости от неподтвержденных утверждений и модных слов, несмотря на свой блестящий вид. Мы признаем, что у o9 есть современный интерфейс и единый подход к данным, который клиентам нравится. Вероятно, это улучшает сотрудничество и видимость. Но когда речь идет о основной науке оптимизации запасов, мы не находим никаких конкретных инноваций от o9, которые бы оправдывали шумиху. Их маркетинг напичкан красными флагами - все модные термины появляются без должного технического обоснования ⁴⁸. Это заставляет нас задуматься о содержании за их значительной оценкой. Мы сильно штрафуем o9 за этот разрыв. Без явного демонстрации, скажем, как их ИИ предсказывает спрос лучше или как их график дает оптимальные решения по запасам, мы должны относиться к их обещаниям как к “сомнительным” в лучшем случае ⁴⁸.

Проще говоря, o9 может быть хорошей платформой для планирования (интегрирующей различные функции), но как двигатель оптимизации запасов конкретно, он, кажется, не предлагает ничего, чего не делали бы старые инструменты - за исключением более стильного пользовательского интерфейса. Он определенно не доказал, что лучше справляется с неопределенностью или сложными ограничениями; если что-то, он может игнорировать неопределенность в пользу детерминизма больших данных, что мы считаем ошибочным подходом. Поэтому o9, в рейтинге, основанном на правде, находится близко к низу серьезных поставщиков. Это в основном случай “много слов, стандартный результат”. Компании, рассматривающие o9, должны быть осторожны по отношению к маркетинговому ходу и настаивать на просмотре реальных алгоритмов и результатов. До тех пор, пока утверждения ИИ o9 не будут подтверждены явными техническими доказательствами, мы классифицируем их как ложные/необоснованные в этой области.

8. Blue Yonder (ранее JDA) - Парча устаревших систем, маркетинговых как “ИИ”

Обзор: Blue Yonder (BJDA) является одним из старейших и крупнейших поставщиков программного обеспечения для цепочки поставок. Ранее известный как JDA (который приобрел Manugistics и i2 Technologies в 2000-х годах), они переименовались в Blue Yonder и были приобретены Panasonic. Возможности оптимизации запасов Blue Yonder исходят из линейки продуктов - например, оптимизатор цепочки поставок i2 и модули инвентаризации JDA. Со временем они пытались модернизироваться через свою платформу Luminate, внедряя концепции ИИ/ML. Однако Blue Yonder страдает от того, что мы называем “M&A спагетти”: это “результат длительной серии операций по слиянию и поглощению”, что привело к “хаотическому собранию продуктов, большинство из которых устарели” ⁵¹. По сути, предложение Blue Yonder представляет собой смесь устаревшего программного обеспечения, склеенного вместе. Они сейчас продвигают себя как основанных на ИИ (с терминами, такими как когнитивное планирование, Luminate AI), но наше глубокое исследование показывает, что эти утверждения в основном неопределенные и несущественные ²⁸.

Вероятностный спрос и лид-таймы: Blue Yonder исторически предоставляла инструменты для прогнозирования спроса и планирования запасов, но в основном использовала детерминированные или эвристические методы. Например, устаревшее планирование спроса JDA создавало точечные прогнозы, а оптимизация запасов вычисляла резервные запасы для целевого сервиса. В недавних материалах Blue Yonder упоминает “вероятностное прогнозирование” и “динамические резервные запасы” как концепции в своем подходе ⁵². Они признали ценность вероятностных методов в блогах, предполагая, что они знают жаргон. Но реализовали ли они это? Есть мало доказательств того, что основные решения Blue Yonder выводят полные вероятностные распределения или оптимизируют решения стохастически. Учитывая, что они упоминают такие вещи, как tsfresh и ARIMA в открытом доступе ⁴⁹, кажется, что они в основном занимаются классическим прогнозированием временных рядов, а не передовым вероятностным программированием. Мы не видели никаких признаков возможностей прогнозирования лид-таймов - вероятно, Blue Yonder предполагает фиксированные лид-таймы плюс, возможно, буфер. Таким образом, Blue Yonder не соответствует нашим вероятностным критериям: не упоминается явное моделирование неопределенности двойного спроса/лид-таймов. Они, вероятно, придерживаются традиционных моделей уровня обслуживания, что означает, что они тоже не “серьезно” относятся к полному отсутствию неопределенности, несмотря на то, что они упоминают слово “вероятностный” в некоторых статьях о лидерстве мысли.

Утверждения о продвинутых функциях: Blue Yonder была щедра на утверждения об ИИ/МО. Их маркетинг использует фразы вроде “автономное планирование”, “когнитивная цепочка поставок” и т. д. Однако анализ указывает: “BY широко использует ИИ, однако утверждения неопределенны и лишены содержания.” ²⁸. Мы подтверждаем это:

Blue Yonder приобрела несколько стартапов по ИИ и хвастается партнерством с университетами, но конкретно мы видим только некоторые проекты с открытым исходным кодом. Эти проекты (tsfresh, PyDSE, VikOS) указывают на очень стандартные методы прогнозирования (извлечение признаков, ARMA/ARIMA, регрессия) ⁴⁹. Ничто не указывает на новый алгоритм ИИ, уникальный для Blue Yonder. Это означает, что “передовой ИИ” Blue Yonder, вероятно, просто переименованный традиционный анализ. Мы категорически рассматриваем любое общее утверждение об ИИ от них как недоказанное.
Например, Blue Yonder может сказать “мы используем МО 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 превзошла более простые модели. Без доказательств мы рассматриваем это как пустой звук.
Blue Yonder также утверждает, что у них есть решения “от начала до конца”, включая оптимизацию ценообразования, ассортимент и т. д.. Действительно, у них много модулей. Однако наличие множества модулей не означает, что каждый из них является лучшим в своем классе. Планирование запасов Blue Yonder может по-прежнему использовать старую оптимизацию уровня обслуживания i2, что вряд ли стоит хвастаться в 2025 году.

Особенно проблемное утверждение из прошлого: литература Blue Yonder о “когнитивном инвентаре” в основном повторяла идею вероятностного инвентаря с помпезными терминами ⁵⁴ ⁵², снова без технической поддержки. Мы отмечаем это как маркетинговый красный флаг. Звучит проницательно, но не предоставляет алгоритмического “мяса”.

Автоматизация: Решения Blue Yonder исторически требовали значительного контроля со стороны человека - например, планировщики использовали программное обеспечение JDA для получения рекомендаций, а затем их корректировали. С Luminate Blue Yonder говорит о “автономном планировании”, но, насколько нам известно, это в значительной степени остается лишь видением. Они могли бы ввести “ИИ-помощника” или автоматизированное разрешение исключений, но ничего публично не детализировали. Учитывая клиентуру Blue Yonder (множество крупных розничных торговцев, производителей), вероятно, программное обеспечение по-прежнему используется традиционным образом: прогнозы и заказы генерируются, а затем планировщики их проверяют или выполняют через рабочие процессы. Мы не видели явных доказательств того, что Blue Yonder обеспечивает полностью неуправляемую оптимизацию. Кроме того, из-за того, что их архитектура представляет собой смесь частей, достижение безупречной автоматизации через них вызывает трудности. Мы штрафуем Blue Yonder за отсутствие ясности в этом вопросе. Если они не могут продемонстрировать пример клиента, где система работает сама несколько месяцев, мы считаем их утверждения об автоматизации минимальными.

Обработка ограничений: Благодаря десятилетиям опыта Blue Yonder в некоторой степени учитывает множество ограничений:

Многоуровневая: Да, у JDA была оптимизация запасов многоуровневого типа (вероятно, подход схож с ToolsGroup/SmartOps).
Партии/Минимальные заказы: поддерживаются в их плановых параметрах.
Промо-акции: У JDA/BlueYonder были модули прогнозирования промо-акций, хотя иногда они были отдельными.
Каннибализация: У них есть инструмент моделирования спроса, который может учитывать каннибализацию для розничной торговли (у JDA было что-то для прогнозирования управления категориями). Но это специализированный модуль, не обязательно связанный с оптимизацией запасов.
Истечение срока годности: Основные отрасли Blue Yonder были розничная торговля (включая продукты питания) и производство. У них были некоторые решения для управления свежими товарами в программном обеспечении управления категориями. Но их основное планирование не акцентировалось на скоропортящихся товарах так, как это делает RELEX. Поэтому, вероятно, ограниченное осознание срока годности.
Возвраты: Не является ключевым моментом. Возможно, обрабатывается в их розничном планировании путем вычитания прогнозов, но нет специальной функции.
Ограничения хранения: Если использовать их управление складом или планирование производства, то да, но сама оптимизация запасов, вероятно, предполагает неограниченное хранение (как и у других, минимизация стоимости неявно подразумевает управление запасами).
Квази-сезонность: Прогнозирование Blue Yonder может учитывать сезонные паттерны, но необычные паттерны требуют либо настройки человека, либо продвинутых моделей, которых, вероятно, у них нет за пределами типичных.
Финансовая оптимизация: У Blue Yonder есть модули оптимизации прибыли (оптимизация цен и т. д.), но их оптимизация запасов обычно сводится к обеспечению уровней обслуживания при минимальных затратах, а не к прямому максимизированию прибыли.

В заключение, покрытие возможностей Blue Yonder широко, но поверхностно в некоторых местах. Он пытается быть всем, что приводит к компромиссам. Важно, что поскольку Blue Yonder манипулирует таким количеством компонентов продукта, клиенты часто воспринимают его как сложный для внедрения и поддержания.

Вердикт: Blue Yonder занимает почти самое низкое место в нашем исследовании в первую очередь из-за полагания на устаревшие технологии, скрытые за модными словами и внутренних неэффективностей патчворк-платформы. Говорящим фактом является то, что вклады Blue Yonder в открытый исходный код показывают полагание на методы, которые десятилетиями (ARIMA, регрессия) ⁴⁹, даже когда компания позиционирует себя как лидер в области искусственного интеллекта. Эта диссонанс разрушает доверие. Мы строго штрафуем Blue Yonder за отсутствие прозрачности и чрезмерное использование неопределенных утверждений об искусственном интеллекте ²⁸. Бренд может иметь вес (он является “Лидером” в некоторых отчетах аналитиков из-за широты и доли рынка), но если строго сосредотачиваться на правде и технической состоятельности, Blue Yonder не впечатляет.

Тем не менее, Blue Yonder не лишен ценности. У него огромный функциональный охват и встроенные знания в области, поэтому он может обрабатывать множество практических сценариев, если настроен правильно. Но это минимальные требования; то, что мы ищем, это настоящее мастерство оптимизации. На этом фронте Blue Yonder далеко отстает от поставщиков, таких как Lokad или даже откровенной надежности Slimstock. Если клиент уже связан с экосистемой Blue Yonder или ему нужен единый источник больше, чем аналитика лучшего класса, мы бы предостерегли от оптимизации запасов Blue Yonder, если фактическое, измеримое качество оптимизации является приоритетом. В нашем рейтинге Blue Yonder спасается только тем, что у него действительно есть рабочий продукт (хоть и устаревший) и большая база пользователей - что означает, что он по крайней мере решает базовые проблемы - в то время как у некоторых меньших игроков утверждения могут быть еще более пустыми.

9. Infor (Rhythm / Predictix) – Затухший конкурент с сомнительным искусственным интеллектом

Обзор: Infor пытался конкурировать в этой области через приобретения, такие как Predictix (приобретен в 2016 году), который был специалистом в области розничного прогнозирования. Основная сила Infor заключалась в ERP, но они попытались создать облачный розничный плановый комплект (Infor Rhythm, Demand Management и т. д.) с использованием технологии Predictix. Однако все не шло гладко. У Predictix была сложная история (юридические проблемы с партнерами, такими как LogicBlox) ⁵⁵, и после присоединения к Infor, импульс, кажется, затормозился. Фокус Infor сместился на его основной ERP и более крупные инициативы, и “угол прогнозирования остался второсортным гражданином, отодвинутым на задний план за последние несколько лет” ⁵⁶. Короче говоря, присутствие Infor в оптимизации запасов/планировании спроса уменьшилось. У них все еще есть продукты в этой области, но они не являются лидерами на рынке, и инновационный поток кажется скудным.

Вероятностные и продвинутые функции: Predictix был известен тем, что заявлял о некоторых современных подходах машинного обучения (они были одними из первых, кто говорил о больших данных в розничном прогнозировании). Но эксперты отмечают, что “Predictix пытался применить несколько методов машинного обучения после 2000 года… однако сомнительно, что эти методы превосходят модели до 2000 года.” ⁴⁵. Это означает, что даже флагманская технология, которую приобрел Infor, не оказалась демонстративно лучше классических подходов. Скорее всего, Infor унаследовал некоторые возможности датчиков спроса или прогнозирования машинного обучения от Predictix, но с распадом этой команды неясно, насколько это используется. Infor теперь редко говорит о искусственном интеллекте в цепи поставок, и когда говорит, это на высоком уровне. Мы видели упоминание о том, что “утверждения о ‘ИИ’ также сомнительны.” ⁴⁵ относительно их прогнозирования. Это соответствует тому, что мы видим в других местах: Infor не предоставил доказательств того, что их инструменты (ритм, планирование спроса и т. д.) особенно точны или продвинуты. Они просто интегрировали их как функции в стек Infor. Также нет никаких признаков вероятностного прогнозирования или моделирования времени выполнения - вероятно, ничего подобного не существует. Таким образом, по нашим меркам, решение Infor отстает от текущих тенденций и не серьезно рассматривает неопределенность с помощью новых методов.

Автоматизация и ограничения: Предложения Infor по планированию запасов/спроса не широко обсуждаются, что указывает на ограниченное принятие. Скорее всего, они обрабатывают основные ограничения (многоуровневые и т. д.), но ничего особенного, чего не делают другие. И учитывая их отсрочку, можно предположить, что не сделано многое для полной автоматизации. Вероятно, это обычная система планирования, где пользователи генерируют прогнозы и рекомендуемые уровни запасов, с интеграцией с ERP Infor для выполнения. Ничего выдающегося, за исключением, возможно, некоторых функций, специфичных для розницы, которые появились из Predictix (например, прогнозирование профиля размера/цвета для моды или что-то в этом роде - но опять же, не явно лучше конкурентов).

Вердикт: Мы ставим Infor близко к низу, потому что у них нет сильного текущего продукта и недостоверных утверждений о уникальности. Их попытка через Predictix, кажется, потеряла силу, и любая риторика об ИИ/МО из этого приобретения теперь устарела или не доказана ⁴⁵. По сути, оптимизация запасов Infor не является основным фактором на рынке сейчас. Компании редко включают Infor в список кандидатов для продвинутого планирования, если они уже являются тяжелыми пользователями ERP Infor. Не имея ничего примечательного для показа в плане вероятностного или автоматизированного оптимизации, Infor получает жесткую оценку: в основном неактуальный в обсуждениях передовых технологий, и утверждения, которые они делали в прошлом об ИИ, были необоснованными.

10. John Galt Solutions – Прогнозирование для среднего рынка с великолепными утверждениями

Обзор: John Galt Solutions (названная в честь знаменитого персонажа Атлант расправил плечи) предоставляет инструменты для прогнозирования и планирования с 1990-х годов. Их флагманский продукт - Atlas Planning (удачно названный) - ориентирован на компании среднего рынка для планирования спроса, инвентаризации и S&OP. Они также предлагают более простой инструмент под названием ForecastX (дополнение Excel для базового прогнозирования). Узкой специализацией John Galt является простота использования и быстрое внедрение. Однако они сделали несколько смелых заявлений о своих собственных алгоритмах (таких как что-то под названием “Procast”), что вызывает сомнения. У компании нет такого веса, как у крупных игроков, и их технологический подход кажется довольно традиционным, несмотря на намеки на уникальное интеллектуальное собственность в маркетинге.

Вероятностные и продвинутые функции: Решения John Galt не выделяют вероятностное прогнозирование. Они сосредотачиваются на создании прогнозов и целей инвентаризации с использованием общих методов (регрессия, временные ряды, возможно, некоторые эвристики). Atlas Planning дает “сильную вибрацию консалтингового программного обеспечения” ⁵⁷ - что означает, что часто требуется много консультирования, чтобы настроить его для каждого клиента, а не жестко заданный продвинутый движок. Технология прогнозирования кажется устаревшей ⁵⁸, что подразумевает, что они не внедрили новые предиктивные модели за пределами широко известного. Они говорят о “Procast” - своем собственном алгоритме прогнозирования - утверждая, что он более точен, чем у конкурентов. Однако это утверждение является крайне сомнительным: если бы Procast действительно был лучше, он бы проявил себя в конкурсах по прогнозированию (как M Competitions), но его нет в топовых рейтингах ³⁹. Это говорит о том, что Procast скорее всего является переупаковкой стандартных методов или некоторой незначительной настройкой, а не прорывом. Действительно, эксперты считают, что открытые инструменты (например, библиотеки R Хиндмана) вероятно превосходят технологии John Galt ⁵⁹. John Galt не рекламирует искусственный интеллект или машинное обучение сильно, что на самом деле в их пользу (они не раздувают шумные слова, которых у них нет). Но они делают неопределенные утверждения о “большей точности” без доказательств, что мы не можем принять. Они также не упоминают ничего о работе с сложностями, такими как каннибализация или оптимизация в условиях неопределенности; их сообщения скорее о пользовательском опыте (хорошие панели инструментов и т. д.) и совместном планировании. Это указывает на отсутствие продвинутой оптимизации.

Автоматизация: Atlas Planning ориентирован на планировщиков и руководителей для моделирования и совместной работы. Он не известен своей автоматизацией; вместо этого это набор инструментов, где пользователи могут делать прогнозы, а затем запускать сценарии. Скорее всего, это далеко не полностью автоматизированная оптимизация инвентаря - от пользователя ожидается принятие решений на основе выводов программного обеспечения. Поэтому мы не видим John Galt как сторонника необслуживаемой автоматизации. Это ограничивает его рейтинг, потому что в современных терминах это скорее полуавтоматический инструмент.

Ограничения: Типичные клиенты John Galt часто имеют более простые потребности, поэтому Atlas Planning может обрабатывать базовые ограничения (многоразовое распределение, лидирующие времена, запасы безопасности и т. д.). Но его не особенно известен за вещи, такие как многоразовая оптимизация (хотя у него, вероятно, есть некоторая способность), и конечно же не за вещи, такие как скоропортящиеся товары или сложные поставочные ограничения. Это среднетиражное решение - широкий спектр функций, но не глубина в какой-либо области.

Вердикт: Решения John Galt занимают последнее место в нашем рейтинге ключевых поставщиков. Хотя они предоставляют честное, удобное программное обеспечение для прогнозирования и планирования, не демонстрируют никакого технического преимущества или серьезной работы с неопределенностью. Большое заявление о их секретном соусе (Procast) кажется необоснованным и даже опровергнутым умолчанием ³⁹. В отсутствие доказательств мы относим такие собственнические заявления к фальшивому маркетингу. Компания не увлекается таким же искусственным интеллектом, как другие (возможно, из-за того, что они нацелены на другой сегмент), но и не выделяется. Похоже, что они предлагают “консалтинговое программное обеспечение” - решения, которые хороши так же, как консультанты, их настраивающие. Это подходит для некоторых клиентов, но в сравнении, стремящемся к истине, это означает отсутствие явного инновационного подхода. Подход John Galt к оптимизации запасов, вероятно, включает настройку моделей прогнозирования и политик запасов вручную, а не какие-либо автоматизированные, вероятностные вычисления. Таким образом, они низко оцениваются почти по всем нашим критериям: нет вероятностного моделирования времени доставки, нет заметного искусственного интеллекта / машинного обучения, который работает, нет доказательств продвинутой оптимизации ограничений и ограниченной автоматизации.

Вывод о John Galt: Он обслуживает сегмент рынка с более простыми, ориентированными на пользователя инструментами. Но любые утверждения о том, что он более точен или “умнее” чем более крупные решения, не подтверждаются доказательствами и должны рассматриваться скептически. Компании с серьезными проблемами в управлении запасами (высокая неопределенность, сложные сети) скорее всего обнаружат, что технология John Galt недостаточно мощная.

Заключение и ключевые выводы

Это критическое исследование рынка показывает, что ландшафт программного обеспечения цепочки поставок полон великолепных заявлений, но беден на проверенные, новаторские возможности. Поставщики, такие как Lokad и Slimstock, выделяются как исключения, либо продвигая действительно передовые методы (вероятностный движок Lokad ⁶⁰), либо придерживаясь честных основ (прямолинейный подход Slimstock ¹²). Многие другие игроки - даже хорошо известные, такие как ToolsGroup, Blue Yonder и o9 - застряли в модных словах, не подкрепляя их:

Вероятностное прогнозирование: Удивительно мало поставщиков действительно его принимают. Lokad выделяется моделированием как спроса, так и неопределенности времени доставки явно ¹. Большинство других, в лучшем случае, обрабатывают изменчивость спроса крайне примитивным образом и игнорируют неопределенность времени доставки, что мы считаем критической неудачей. Решение, которое «игнорирует неопределенность» во времени доставки, фундаментально ограничено ³. Пользователи должны давить на поставщиков: Прогнозируете ли вы вероятностно время доставки? Если нет, ожидайте, что целевые запасы будут неоптимальными.
Обманчивые модные слова: Термин «чувство спроса» - постоянный нарушитель - используется ToolsGroup, GAINS и т. д., с мало научным обоснованием ¹⁹ ³². Аналогично, общие утверждения о “ИИ/МО” буйствуют. Blue Yonder и o9 являются примерами этого, демонстрируя модные термины, но предлагая алгоритмы не лучше, чем регрессия ²⁸ ⁶¹. Красные флаги постоянны: если поставщик не может описать конкретными терминами, что делает их ИИ (например, “использует градиентный бустинг на истории отправок для прогнозирования спроса на SKU-магазин), а вместо этого предлагает пустые фразы, следует предполагать худшее - что за «заявлением стоит мало или совсем нет содержания» ²⁸. В этом исследовании мы наказали все такие случаи тяжело. Следует отметить, что LLM (модели типа ChatGPT) не имеют доказанной роли в вычислении оптимальных политик запасов (они не обладают числовой оптимизационной способностью), поэтому любая намек на то, что LLM оптимизирует ваш запас, является чистой выдумкой. К счастью, ни один из лучших поставщиков не утверждает обратного - но некоторые могут интегрировать чат-ботов для запросов пользователей, что не то же самое, что основная оптимизация.
Стохастическая оптимизация: Краеугольный камень для “оптимизационного” двигателя - это способность действительно решать определенную цель в условиях неопределенности (максимизация ожидаемой прибыли, минимизация затрат при условии обслуживания и т. д.). Большинство поставщиков здесь, за исключением Lokad (и, возможно, части SmartOps в SAP), не выполняют истинную стохастическую оптимизацию. Они полагаются на эвристику: установить цель обслуживания, рассчитать резервный запас. Это не оптимизация - это удовлетворение. Например, ToolsGroup в основном работает на уровнях обслуживания, и его речь о “алгебре случайных величин” больше маркетинг, чем реальность. Мы выделили это несоответствие для ToolsGroup ²⁹. Пользователи, стремящиеся к оптимальным решениям, должны быть осторожны: многие инструменты фактически не оптимизируют финансовую цель; они просто обеспечивают цели обслуживания. Здесь есть большая разница. Если поставщик не может показать целевую функцию и способ ее решения (например, “мы максимизируем ожидаемый уровень заполнения минус затраты на хранение, используя симуляцию методом Монте-Карло”), то вероятно, он не выполняет истинную оптимизацию.
Автоматизация: Обещание “самоуправляемой цепочки поставок” заманчиво. На практике это удалось далеко не всем. Наша оценка показала, что большинству поставщиков требуется значительное вмешательство человека, и их автоматизация основана на правилах или ограничивается вычислениями. Lokad стремится к автоматизации, позволяя полностью скриптовать логику принятия решений (и явно убирая рутинные ручные задачи) ⁸. RELEX автоматизирует многие розничные задачи, но, вероятно, использует простые правила для этого. ToolsGroup и GAINS автоматизируют математику, но все равно нуждаются в планировщиках для управления параметрами. Полная автоматизация - когда система самостоятельно адаптируется к новым условиям - редкость. Поэтому, когда поставщик говорит “автономный” или “автоматический”, требуйте объяснения: Что именно автоматизировано? Как обрабатываются исключения? Есть ли обратная связь? Если ответы неоднозначны, утверждение об автоматизации заслуживает скепсиса. Мы обнаружили, что поставщики, которые объяснили меньше всего (o9, Blue Yonder), вероятно, автоматизируют меньше всего, несмотря на большие заявления ⁶¹ ²⁸.
Сложные ограничения: Очевидно, что один размер не подходит всем. Некоторые поставщики ориентированы на конкретные сложности (RELEX для истечения срока годности свежих продуктов ²², GAINS для ремонтопригодных деталей). Другие в основном решают общие ограничения и полагаются на обходные пути для особых случаев. От покупателя требуется выявить свои уникальные потребности (продукты с истекающим сроком годности, большие возвраты и т. д.) и спросить у поставщика как он с этим справляется. Если ответ звучит «у нас есть клиенты в вашей отрасли», но без деталей, это предупреждение. В нашем исследовании только Lokad открыто обсуждает поддержку таких вещей, как каннибализация и пользовательские ограничения через свою модельную среду ⁴. Большинство других либо игнорируют эти проблемы, либо упоминают их мимоходом без метода.

В заключение, данное исследование рынка отделяет сигнал от шума. Лучшие поставщики заслужили свое место, соответствуя заявлениям реальностью и сосредотачиваясь на качественной инженерии:

Lokad - за свой строгий вероятностный подход и готовность подробно объяснить, как это работает ⁶⁰.
Slimstock - за доставку надежных результатов без скрытых за словами ⁶² (хотя у него нет продвинутой аналитики, он честно признает это).
RELEX - за практические инновации в рознице (свежие продукты и т. д.), хотя мы осторожны относительно его неподтвержденного хайпа в области искусственного интеллекта ¹⁸.

Поставщики среднего уровня, такие как ToolsGroup и GAINS, обладают функциональной глубиной, но были понижены из-за “маркетинговых злоупотреблений” - вводящей в заблуждение терминологии и неспособности технического развития ³⁶ ³².

Наконец, несколько крупных решений (o9, Blue Yonder, SAP, Infor, John Galt) оказались ниже в нашем рейтинге, чем их рыночное значение могло бы предполагать. Причина проста: корпоративная репутация и объем продаж не равно техническому совершенству. Фактически, эти крупные пакеты часто несут наследственные проблемы или размывают фокус, что затрудняет объективную оценку. Мы не дали заслугу за блестящие брошюры или позиции в квадранте Гартера, потому что они часто отражают доход и широту, а не реальную силу оптимизации.

Советы практикующим специалистам: Пройдите сквозь лишнее. Требуйте демонстрации или кейс-стади, показывающих фактическое распределение ошибок, результаты уровня обслуживания или экономию под неопределенностью. Попросите поставщиков запустить ваши данные для пилотного проекта и проверьте, отражает ли их выводы действительно неопределенность (например, ряд сценариев) или просто одно число. Проверьте, меняются ли их рекомендации при изменении условий (что указывает на адаптивность), или они в основном статичны. Многие поставщики потерпят неудачу, когда их ставят перед такими вызовами. Те, кто блестит, будут теми, кто построил свои решения на прочных аналитических основах, а не на маркетинговых песчаных карьерах.

В конце концов, эффективная оптимизация запасов требует сочетания хорошей науки с практическим выполнением. Как показывает эта статья, очень мало поставщиков отличаются в обоих аспектах. Те, кто это делают, выделяются ясно - и тех, кто этого не делает, мы разоблачили с цитатами и фактами. Мы призываем принимающих решения использовать эту информацию, чтобы пройти сквозь маркетинговый шум и принимать решения, основанные на правде и доказательствах, а не на хайпе.