Программное обеспечение для оптимизации цепочки поставок с ИИ, июнь 2025

Last modified: June 2nd, 2025 -> Последнее изменение: 2 июня 2025

Введение

Несмотря на шум вокруг программного обеспечения для управления цепочкой поставок с поддержкой «ИИ-поддержки», лишь немногие поставщики действительно обеспечивают совместную оптимизацию запасов, ценообразования и ассортимента с использованием передовых алгоритмов. Большинство решений по-прежнему рассматривают эти рычаги по отдельности — подход, который, как показывает это исследование, является принципиально ошибочным. Мы выделяем Lokad, RELEX Solutions, Blue Yonder, ToolsGroup и o9 Solutions как наиболее значимых мировых игроков, расширяющих технические границы количественной оптимизации цепочки поставок. Lokad выступает в роли лидера с его унифицированным, вероятностным механизмом принятия решений и высоким уровнем автоматизации, в то время как RELEX и Blue Yonder предлагают широкие комплексные решения, омрачённые наследием прошлых систем и проблемами интеграции. ToolsGroup является пионером в вероятностной оптимизации запасов, расширяющимся в области розничного ценообразования, а o9 Solutions рекламирует интегрированную платформу, основанную на ИИ, хотя мы остаёмся осторожными в отношении модных слов вместо реальных возможностей. Примечательно, что такие устоявшиеся компании, как Kinaxis, SAP и Oracle — хотя и являются заметными в планировании — здесь получают штраф за разделённый подход (например, сосредоточенность только на планировании поставок или спроса) и за приращение AI-компонентов без настоящей автоматизации решений. Мы применяем глубоко скептический взгляд на всё: прорубая маркетинговую оболочку, анализируя технические доказательства и подчеркивая случаи, когда заявления поставщиков не соответствуют реальности. Цель — предоставить прозрачное, технически строгое повествование о рынке, отдавая приоритет экономическим результатам, а не модным словам.

Высокие требования к оптимизации цепочки поставок с ИИ

Чтобы по-настоящему оптимизировать цепочку поставок с помощью ИИ, решение должно отвечать высоким требованиям возможностей – гораздо больше, чем просто создание красивых панелей или тонкая настройка прогнозов. Мы определяем критерии золотого стандарта следующим образом:

• Совместная оптимизация запасов, ценообразования и ассортимента: Решение должно одновременно определять, что закупать, в каком количестве, и по какой цене, одновременно выбирая ассортимент товаров. Отдельное рассмотрение этих аспектов (как это делают традиционные инструменты планирования) по своей сути является менее оптимальным ¹. Ценообразование влияет на спрос, который, в свою очередь, влияет на запасы; изменения в ассортименте влияют на оба показателя. Например, продвинутая система может решить закупать меньше медленно оборачиваемого товара и быстрее предоставить скидку, или наоборот повышать цены на дефицитные товары, чтобы избежать отсутствия на складе — всё это в рамках единой согласованной стратегии ^{2 3}. Поставщики, продающие отдельные «модули» для прогнозирования, пополнения запасов и ценообразования — без унифицированной оптимизации — оставят деньги на столе и будут наказаны в нашей оценке.

• Вероятностное прогнозирование неопределенности: Управление неопределенностью является ключевым. Вместо единственной точки прогноза, ведущие поставщики используют распределения вероятностей для спроса, сроков поставки, возвратов и других неопределенностей ⁴. Такой вероятностный подход охватывает спектр возможных исходов (например, существует 10% вероятность, что спрос превысит 120 единиц) вместо простого предположения одним числом ⁵. Это особенно важно для современных нестабильных рынков и товаров с длинным хвостом. Традиционные системы (старые версии SAP, Oracle и т.д.), выдающие один «наилучший» прогноз вместе со статическим уровнем страховочного запаса, часто неправильно оценивают реальную изменчивость ⁶. Мы отдаем предпочтение поставщикам, использующим стохастические модели для количественной оценки риска, что позволяет принимать решения, например, устанавливая уровни запасов для достижения 95% вероятности обслуживания вместо слепого следования прогнозу ⁷.

• Экономическая оптимизация (решения, основанные на прибыли): Оптимизация с использованием ИИ должна фокусироваться на бизнес-результатах — максимизации прибыли или минимизации общих затрат, а не только на операционных KPI. Это означает, что экономические факторы (маржа, затраты на хранение, штрафы за дефицит, эластичность цен) должны быть встроены непосредственно в логику принятия решений ⁸. Например, действительно «оптимальная» система будет закупать продукт только в том случае, если ожидаемая прибыль оправдывает это, и установит цены, балансируя между более высокой маржой и риском неликвидного товара. Многие устаревшие инструменты оптимизируют узкие показатели (такие как процент заполнения или точность прогноза) изолированно; мы же ищем системы, моделирующие компромиссы — например, приемлемое небольшое снижение процента заполнения, если это существенно улучшает прибыльность ⁹.

• Автоматизация и «роботизированные» решения: Обещание ИИ в цепочке поставок заключается в автономном или, по крайней мере, «безручном» принятии решений. Лучшие решения требуют минимальной настройки человеком в повседневной работе — планировщики должны переходить к ролям надзора, управляя исключениями, в то время как система обрабатывает данные и выполняет рутинные решения. Поэтому мы тщательно анализируем заявления поставщиков об автоматизации. Если инструмент позиционирует себя как «автономный», но требует от планировщиков настройки десятков параметров (ручные настройки, постоянное вмешательство), это является внутренним противоречием ¹⁰. Настоящая автоматизация означает, что система сама настраивается и адаптируется с минимальным ручным вмешательством ¹¹. Мы отдаем предпочтение поставщикам, которые демонстрируют автономную работу на практике (автоматическая генерация заказов, цен и т.д.), и проверяем, являются ли функции «ИИ» реальными или всего лишь изящными рекомендациями, всё ещё зависящими от человека. Полностью роботизированное планирование может пока не быть на 100% достижимым, но наиболее приближенные к этому получают преимущества.

• Масштабируемость и современная архитектура: Оптимизация цепочки поставок в 2025 году должна эффективно работать с большими данными — потенциально с миллионами комбинаций SKU и местоположений, данными потока кликов, многоуровневыми сетями – эффективно. Мы исследуем технологическую основу: является ли платформа облачной, использующей распределенные вычисления и оптимизированные алгоритмы? Или она цепляется за устаревшие in-memory или локальные архитектуры, требующие чрезмерного оборудования? Решения, которые наивно настаивают, чтобы всё хранилось в оперативной памяти или используют устаревшие базы данных, могут стать непропорционально дорогостоящими при масштабировании. Например, in-memory «быстрый расчет» может работать на небольших данных, но приступить к обработке больших объемов либо увеличить счета за облачные услуги ^{12 13}. Мы вознаграждаем поставщиков, демонстрирующих изобретательное инженерное решение (например, потоковая передача или обработка столбцовых данных, параллельные вычисления) для экономически эффективного масштабирования на облачной инфраструктуре ^{14 15}. Напротив, чрезмерная зависимость от дорогостоящих технологий (таких как чрезмерное использование Snowflake или требование массивных специализированных серверов) является тревожным знаком с точки зрения практической окупаемости инвестиций ¹⁶.

• Интеграция данных и внешняя аналитика: Реальная оптимизация не происходит в вакууме. Мы ценим системы, которые легко обрабатывают внешние данные, такие как цены конкурентов, рыночные условия, даже сигналы IoT. Включение цен конкурентов или уровней запасов на торговой площадке может значительно улучшить решения по ценообразованию и ассортименту ^{17 18}. Немногие поставщики делают это хорошо — многие учитывают только внутренние исторические данные. Способность интегрировать многоканальные данные (например, отдельные потоки онлайн и розничной торговли) в единую модель планирования также имеет решающее значение ¹⁹. Короче говоря, система ИИ должна обладать расширяемостью «стеклянного ящика»: позволяя прозрачно добавлять новые источники данных и собственную логику для улучшения решений ²⁰. Жёсткие чёрные ящики, которые не могут учитывать ваши уникальные данные, менее полезны для достижения конкурентного преимущества.

• Опыт и научная строгость: Мы ищем доказательства того, что технология поставщика действительно работает. Участие в нейтральных конкурсах по прогнозированию или планированию (таких как конкурс прогнозирования M5) или опубликованные кейс-стади с конкретными цифрами имеют значение. Пример: команда из Lokad заняла 6-е место в мировом рейтинге (из 909 команд) на конкурсе M5 ²¹, продемонстрировав мастерство вероятностного прогнозирования на детальных данных розничной торговли. В то время как многие крупные поставщики никогда не проводили публичное сопоставление своей технологии ИИ — если поставщик хвастается «точностью ИИ», но никогда не участвует в конкурсах или не публикует подробности, скептицизм оправдан ²². Мы также проверяем неудачи: например, печально известный случай i2 Technologies (ныне часть Blue Yonder), чьё программное обеспечение для оптимизации настолько не справилось в Dillard’s, что жюри присудило штраф в размере 246 млн долларов ^{23 24}. Такие инциденты (хотя они редки и часто скрываются) напоминают нам о необходимости ставить под сомнение грандиозные заявления. В конечном итоге мы опираемся на проверенные инженерные детали, а не на маркетинг: отвергая платные аналитические отчёты и приукрашенные цитаты клиентов, лишённые контекста. (Как заметил один инсайдер отрасли, лидеры Magic Quadrant от Gartner часто отражают бюджеты поставщиков больше, чем совершенство продукта ²⁵.)

С учетом установленных критериев, мы переходим к анализу поставщиков. Ниже мы критически оцениваем технологию и подход каждого провайдера, ранжируя их по техническому качеству и способности обеспечить настоящую оптимизацию с использованием ИИ. Каждая оценка основывается на доказательствах — ссылаясь на документацию и сторонний анализ — чтобы отделить настоящие инновации от обещаний, переполненных модными словами.

1. Lokad – Единая вероятностная оптимизация и «роботизированные» решения

Lokad выделяется как поставщик, специально разработанный для совместной оптимизации с использованием передовых технологий. В отличие от традиционных комплектов, собранных из модулей (прогнозирование, запасы, ценообразование и т.д.), Lokad предоставляет программную платформу, на которой для каждого клиента реализуется единая логика оптимизации ²⁶. Такой подход — который Lokad называет «Количественной цепочкой поставок» — означает, что вместо настройки отдельных изолированных инструментов, весь поток принятия решений (прогнозирование → заказ → распределение → ценообразование) закодирован как единая согласованная модель. Это требует предварительной работы по анализу данных, но дает кастомизированный механизм, который оптимизирует все решения вместе — закупки, производство, пополнение запасов, ценообразование, ассортимент — вместо субоптимизации отдельных частей в изоляции ²⁷.

В основе Lokad лежит вероятностное прогнозирование. Lokad стал одним из первых пионеров, использующих полные распределения вероятностей для прогнозирования спроса, а не точечные прогнозы, и это было подтверждено в нейтральных испытаниях. На престижном конкурсе прогнозирования M5 команда Lokad заняла 6-е место в мировом рейтинге (из 909 команд) ²¹ — впечатляющий результат в задаче детального розничного прогнозирования. Примечательно, что M5 требовал вероятностных оценок (предсказания квантилей), что полностью соответствует философии Lokad. Это дало конкретное доказательство того, что технология Lokad может конкурировать с лучшими в мире по управлению неопределенностью спроса. Более важно, что акцент Lokad делается не только на точности прогноза ради самой точности, но и на использовании этих вероятностных прогнозов для улучшения решений. Компания часто утверждает, что за определённый предел, зацикливание на незначительном увеличении точности прогноза приносит уменьшающуюся отдачу; важнее — лучшее моделирование решений с учетом имеющейся неопределенности ²⁸. В практике это означает, что Lokad может принять некоторую ошибку прогноза, но гарантировать, что решения по запасам и ценообразованию будут устойчивы к этой ошибке (например, понимание стоимости отсутствия товара против его излишков и оптимизация в соответствии с этим ²⁹). Такой акцент на качестве решений вместо тщеславных прогнозных метрик освежает — он соответствует реальной экономике (влияние на прибыль), а не просто статистическим показателям.

Инженерный подход и масштабируемость: С технологической точки зрения, Lokad отличается высоким инженерным потенциалом и облачной архитектурой. Они разработали собственный технологический стек с нуля, включая специализированный язык программирования («Envision») для написания оптимизационных скриптов ³⁰. Система спроектирована для эффективной и экономичной обработки больших объемов данных. Реальные развертывания Lokad регулярно обрабатывают от гигабайтов до терабайтов данных (заказы, клики, транзакции) всего за несколько часов за ночь, выдавая решения на следующий день ³¹. Они достигают этого без загрузки всего в оперативную память; вместо этого, движок Lokad использует файлы с отображением на память, столбчное хранилище на диске и умное потоковое чтение, позволяющее обрабатывать данные, превышающие объем памяти, за счёт использования быстрых SSD ³². Такой подход напоминает оптимизированный конвейер для больших данных (что-то среднее между специализированным Spark и кастомным механизмом баз данных). Для пользователя это означает, что Lokad может масштабироваться до миллионов SKU или сложных сетей без необходимости в гигантском серверном парке или заоблачном счете за облачные услуги. Lokad явно подчеркивает, что для их запусков требуется удивительно мало оборудования, избегая ловушки, когда «нажатие кнопки запуска стоит сотни долларов» за облачные вычисления ¹⁵. Это тонкий, но решающий фактор, который отличает их от более тяжёлых корпоративных инструментов, которые могут обрабатывать большие данные, но часто с большими затратами или медленной производительностью. Способность Lokad быстро обрабатывать огромные ассортиментные наборы на стандартных облачных инстансах ³² является большим плюсом для масштабируемости и экономической эффективности.

Поскольку платформа Lokad в своей основе основана на коде, решения по управлению запасами, ценообразованию и ассортименту не являются отдельными модулями — они интегрированы в скрипты. Например, можно написать скрипт на Envision, который оценивает ценообразование и закупки вместе: «для каждого продукта учитывайте вероятностный спрос при различных ценовых точках, принимайте во внимание текущие запасы и сроки поставки, затем выбирайте цену, которая максимизирует ожидаемую маржу за вычетом затрат на хранение, при условии, что недостаток товаров не происходит слишком часто» ³. Это не гипотетически — именно такая логика реализуется в Lokad. Если товар перенасыщен, скрипт может решить его уценить для стимуляции продаж; если товар дефицитен, может быть повышена цена для распределения запасов в пользу наиболее ценных направлений ³³. Мало какой другой поставщик позволяет такой уровень взаимодействия между ценообразованием и управлением запасами в одной модели. По существу, Lokad генерирует кастомные политики принятия решений на основе данных: результатом является не просто «прогноз» или «план» — это набор конкретных решений (например, закупить такое количество единиц, установить такую цену), которые максимизируют бизнес-цель при неопределенности.

Lokad также гибко решает сложные задачи, такие как каннибализация продуктов и замещения. Если товары взаимосвязаны (как заменители или дополнения), это можно закодировать, предоставив в модель соответствующие данные или ограничения. Например, Lokad может учитывать соотношения «если товар A недоступен, X% его спроса переходит к товару B», полученные на основе исторических событий с нехваткой запасов ³⁴. Это позволяет оптимизации учитывать перераспределение спроса между товарами — то, чего многие инструменты не заметят, предполагая, что спрос на каждый SKU является независимым ³⁵. Анализируя прошлые данные, система Lokad может выявлять корреляции между товарами и каналами (например, как запуск нового похожего товара повлиял на продажи старого) и включать это в прогнозы спроса и решения ³⁶. Эта возможность крайне важна для принятия решений по ассортименту (какие SKU оставить/исключить) и для ценообразования (чтобы, например, не снижать цену на все похожие товары, когда уценка одного повысит продажи другого).

При интеграции внешних данных и конкурентной разведки Lokad обладает высокой гибкостью. Платформа может обрабатывать любой набор данных, предоставленный клиентом – от цен конкурентов, собранных с веб-сайтов, до Google Trends, прогнозов погоды или статистики надежности поставщиков. На самом деле, Lokad явно упоминает интеграцию «внешних сигналов, таких как ценообразование конкурентов», а также маркетинговых календарей в свои модели ¹⁷. Поскольку система является скриптовой средой, добавление нового источника данных относительно просто – отсутствуют жестко заданные ограничения на факторы, которые могут быть учтены. Например, если индекс цен конкурента может улучшить ваше ценообразовательное решение, Lokad позволяет встроить его в оптимизационную логику. Это контрастирует со многими готовыми решениями, которые по умолчанию используют только внутренние данные о продажах и запасах. Подход Lokad больше похож на «прозрачный ящик», а не на черный ящик: пользователи (с некоторыми навыками в области data science) могут видеть и изменять логику, добавлять новые предикторы и пробовать альтернативные алгоритмы. Недостаток в том, что это не простой интерфейс «укажи и кликай» для обычного планировщика – для настройки требуется «ученый по цепочке поставок» ³⁷. Точка зрения Lokad заключается в том, что первоначальные усилия окупаются в системе, которая точно соответствует бизнесу и способна действительно автоматизировать рутинные решения впоследствии. Действительно, у многих клиентов Lokad фактически имеется «мозг по прогнозированию и пополнению запасов», созданный специально для них; как только он настроен и проверен, он работает с минимальным вмешательством.

Говоря об автоматизации, Lokad, пожалуй, является ближайшим к «роботизированному планировщику цепочки поставок» на сегодняшний день. Идея заключается в том, что после того как скрипты настроены и протестированы, система может работать ежедневно (или в течение дня) для выработки рекомендованных решений без вмешательства человека ³⁸. На практике компании, использующие Lokad, часто автоматически генерируют заказы на закупку, планы распределения или обновления цен через Lokad, после чего планировщики проводят быструю проверку или просто реализуют рекомендации. Некоторые даже выполняют заказы автоматически, когда уверенность высокая. Это не означает, что человек никогда не участвует – но рабочая нагрузка существенно перераспределяется. Планировщики контролируют процесс и обрабатывают исключения (например, особые случаи, не учтенные моделью), а не занимаются ручными расчетами. Генеральный директор Lokad описал их идеал как полностью «роботизированную» цепочку поставок, где программное обеспечение непрерывно настраивает решения, а люди сосредотачиваются на стратегических выборах или решении крайних случаев ³⁸. Наш анализ показывает, что дизайн Lokad хорошо соответствует этому видению: за счет фокуса на качестве моделей принятия решений и использования технологий, дружественных автоматизации, они минимизируют необходимость ручных корректировок. Конечно, успех по-прежнему зависит от реализации – если модель настроена плохо или данные неверны, результаты страдают (на входе чепуха, на выходе чепуха). Lokad снижает эту проблему, тесно сотрудничая с клиентами по вопросам качества данных и валидации моделей. Тем не менее, можно заметить, что доверие играет роль: компании должны быть готовы доверять автоматизированной системе. Послужной список Lokad (без публичных фиаско и с рядом сильных кейс-стади) помогает укрепить это доверие, но потенциальным пользователям стоит подходить к любому «автопилоту» с осторожностью. В итоге Lokad предлагает единый, вероятностный и высокоавтоматизированный подход к оптимизации, который редок по своей глубине. Обратная сторона заключается в том, что это не готовое приложение с полочными решениями – требуется освоить новый способ работы (программировать решения для цепочки поставок). Для организаций, способных инвестировать в такую парадигму, Lokad в настоящее время устанавливает высокую планку для оптимизации цепочки поставок на базе ИИ.

Источники: Философия и технические детали Lokad основаны на их официальей литературе ^{26 21 3} и публичном бенчмаркинге в конкурсах по прогнозированию ²¹. Инженерные практики (кастомный DSL, обработка больших данных с использованием памяти) подтверждаются их техническими объяснениями ^{14 32}. Интеграция данных о ценообразовании и конкурентах в Lokad описана в их документации и примерах ^{3 17}. Позиция компании по автоматизации отражена в интервью и отзывах пользователей, указывающих на то, что после настройки система выдает решения с минимальным ручным вмешательством ³⁸.

2. RELEX Solutions – Планирование розничной торговли на базе ИИ (Интегрированное, но с некоторыми оговорками)

RELEX Solutions из Финляндии быстро зарекомендовала себя как выдающийся набор инструментов для планирования розничной торговли и цепочки поставок, часто упоминаемый наряду с устоявшимися гигантами в области прогнозирования и пополнения запасов. RELEX предлагает единую платформу, которая охватывает прогнозирование спроса, автоматическое пополнение запасов, распределение, планирование ассортимента, а также планирование рабочей силы и оптимизацию цен в одной системе ^{39 40}. Их основная сила (и первоначальный фокус) заключалась в сегменте продуктов питания и омниканальной розничной торговле – в условиях с огромным числом артикулов, магазинов и сложных промоакций. RELEX подчеркивает свою способность планировать одновременно для онлайн и офлайн каналов ⁴¹, что имеет большое значение для современных ритейлеров. Для игрока в сфере электронной коммерции или омниканальности ценностное предложение RELEX заключается в сквозном процессе планирования: обеспечение наличия нужного товара в нужном месте, в нужное время, по нужной цене и с подходящей акцией, всё это координируется посредством передовых алгоритмов.

Использование ИИ и «прагматичный ИИ»: RELEX активно продвигает применение ИИ/МЛ, и их генеральный директор Микко Kärkkäinen часто отстаивает концепцию «прагматичного ИИ» – то есть ИИ, который действительно приводит к измеримым улучшениям ключевых показателей розничной торговли. Они утверждают, что их модели машинного обучения обрабатывают «сотни факторов, влияющих на спрос», для повышения точности прогнозирования ⁴⁰. Например, Kärkkäinen отметил, что погода – это не один фактор, а «сотни различных факторов» (температура, влажность и т.д. в зависимости от местоположения и времени), которые могут влиять на спрос, и модели RELEX учитывают их все ⁴². Это иллюстрирует общий подход RELEX: охватить широкий спектр предиктивных сигналов – включая погоду, акции, праздники, тренды в социальных сетях, действия конкурентов, экономические показатели – и позволить алгоритмам находить закономерности. Преимущество в том, что система способна обнаруживать сложные взаимосвязи (например, жаркая волна в сочетании с праздничными выходными, вызывающими всплеск продаж напитков). Скептический взгляд заключается в том, что упоминание «сотен факторов» может быть скорее маркетинговым ходом, чем существенным. В прогнозировании добавление слишком большого количества входных данных может привести к эффекту убывающей отдачи или даже ухудшить точность, если модель переобучается на шуме ⁴³. И хотя RELEX говорит о прозрачности «прозрачного ящика», на деле, если алгоритм действительно использует сотни переменных, ни один человек не сможет полностью постичь его внутреннюю логику ⁴⁴. В итоге планировщикам приходится доверять черному ящику. RELEX пытается смягчить это, предоставляя инструменты для объяснения прогнозов (выделяя ключевые драйверы, например, «этот всплеск вызван жарой + акцией»), что полезно, но только до определенной степени ^{44 45}. Прагматичный подход, который они отстаивают, подразумевает, что им важнее не теоретическая элегантность, а все, что улучшает показатели – что приемлемо, но мы предупреждаем, что некоторые заявления (например, значительное снижение ошибок за счет добавления множества факторов) могут быть отобраны как удачные примеры ⁴⁶.

Говоря о результатах, у RELEX действительно есть множество примеров из практики, когда клиенты отмечали улучшение метрик: например, розничные торговцы наблюдали более высокую точность прогнозов и меньше случаев отсутствия товара, особенно в сложных для планирования ситуациях, таких как акции или сезонные пики спроса. Один из часто упоминаемых примеров: интегрировав прогнозы погоды, RELEX заявил о снижении ошибки прогноза до 75% для некоторых товаров, чувствительных к погоде во время необычных погодных явлений ⁴⁷. Мы относимся к таким драматичным статистическим данным с осторожностью – они могут относиться к конкретным ситуациям (например, к определенному мороженому во время неожиданной жаркой волны) вместо отражения общей ошибки прогноза. Тем не менее, это свидетельствует о том, что модели машинного обучения RELEX способны улавливать краткосрочные колебания спроса, которые старые системы упускали. По сути, RELEX сочетает классическое прогнозирование спроса с тем, что некоторые называют «чувствительностью спроса» – непрерывной корректировкой прогнозов с учетом свежих данных (продажи в точках, погода, поисковые запросы в Google и т.д.) для краткосрочных горизонтов ⁴⁸. Они продвигают идею «непрерывного, автоматизированного пересчета прогнозов» по мере изменения условий ⁴⁸. На практике это может означать, что система пересчитывает прогнозы на несколько следующих недель ежедневно или в течение дня по мере поступления новой информации, вместо того чтобы придерживаться ежемесячного прогноза. Это соответствует современным лучшим практикам и является одной из сильных сторон RELEX.

Совместная оптимизация – запасы, ассортимент и теперь ценообразование: Исторически RELEX преуспевал в области пополнения запасов и распределения – обеспечивая, чтобы каждый магазин или распределительный центр получал нужные товары на основе местного спроса с многоуровневой логикой. Они также обладали возможностями планирования ассортимента и даже оптимизации расположения товаров на полках (планограмм), что является ключевым для традиционной розничной торговли ⁴⁹. Однако оптимизация цен долгое время оставалась упущением. Признавая эту проблему, RELEX в 2022 году представил модуль оптимизации цен на базе ИИ ⁵⁰. По сути, они признали, что раздельное ценообразование является проблемой, и стремились объединить его с пакетом планирования. Их ценовое решение охватывает постановку базовых цен, проведение акций и предоставление скидок, и RELEX позиционирует его как тесно интегрированное с остальной системой ⁵¹. Например, пользователь может запланировать акцию в RELEX, и система порекомендует оптимальную глубину скидки и время её проведения, затем автоматически учтет влияние на запасы (обеспечивая, чтобы цепочка поставок могла удовлетворить рост спроса) ⁵². Это означает движение в сторону совместной оптимизации: ценообразование и планирование поставок в одном цикле. Пока неясно, оптимизирует ли движок RELEX действительно одновременно цену и запасы в одной модели или это хорошо синхронизованный последовательный процесс (сначала определение цены, затем корректировка запасов). В идеале, должен существовать один алгоритм, выбирающий комбинацию цены и запасов, максимизирующую прибыль с учетом ограничений. Мы подозреваем, что RELEX пока не достиг этой цели – вероятно, модуль ценообразования предлагает цены с учетом эластичности спроса, а затем система управления запасами адаптируется на втором этапе. Однако, поскольку вся система работает на единой платформе и в рамках единой модели данных, итерация может быть очень тесной. По крайней мере, они обеспечивают, чтобы промоакции или изменения цен, которые моделируют планировщики, проверялись на соответствие наличию товаров (например, «не планируйте большую акцию, если в наших распределительных центрах недостаточно запасов; или, если планируете, система сигнализирует о риске нехватки») ⁵³. Маркетинговые материалы RELEX утверждают, что они согласуют ценообразование и акции с цепочкой поставок, так что планы являются реалистичными и выполнимыми ⁵⁴, разрушая барьеры между отделами мерчендайзинга и управления цепочкой поставок.

С точки зрения пользовательского опыта, RELEX получает похвалу за объединение всех этих функций в одном связном интерфейсе. Планировщик по мерчендайзингу и специалист по цепочке поставок могут пользоваться одними и теми же прогнозами и видеть одни и те же ограничения в RELEX ⁵⁵. Это значительное улучшение по сравнению с компаниями, у которых для каждой функции используются отдельные инструменты (или таблицы), не взаимодействующие друг с другом. Однако интеграция – это не то же самое, что истинная оптимизация. RELEX предоставляет единое представление и обеспечивает согласованность (ценовая команда не будет безмятежно проводить акцию, которую цепочка поставок не сможет поддержать, если RELEX используется правильно). Но решает ли RELEX задачу оптимального определения цены + запасов совместно или просто облегчает людям координацию этих решений? Наш скептический взгляд таков, что на данный момент это, скорее, облегчение: инструмент ценообразования находит подходящую цену на основании эластичности спроса и целей продаж; затем инструмент управления запасами формирует план поставок. Они дополняют друг друга, но это не обязательно единый алгоритм максимизации прибыли, охватывающий оба аспекта ⁵⁶. Достижение единой целостной оптимизации за один шаг – задача сложная и то, что могут претендовать на нее только очень специализированные подходы (как у Lokad). Тем не менее, RELEX заслуживает признания за тесную интеграцию – это, вероятно, один из наиболее бесшовных пакетов для планирования с точки зрения интеграции данных и пользовательского интерфейса.

Архитектура и масштабируемость: Технологический стек RELEX достаточно продвинут и известен своей скоростью при масштабировании. Интересно, что основатели RELEX (с академическим образованием) создали на ранних этапах собственный in-memory колоночный базовый движок для быстрой обработки масштабного прогнозирования ⁵⁷. Эта «Live DataBase» позволяла им ежедневно вычислять прогнозы по каждому артикулу в магазине, в то время как конкуренты делали это еженедельно или ежемесячно, и запускалась на довольно обычном оборудовании благодаря оптимизации использования памяти. По сути, RELEX предварительно агрегирует и организует данные для быстрого извлечения и вычислений. Это стало отличительной чертой при замене устаревших инструментов: многие кейс-стади отмечают, что RELEX позволяет планировщикам переходить от агрегированного планирования к очень детальному, поскольку система способна обрабатывать гораздо больше данных без сбоев ⁵⁸. Для электронной коммерции это означает, что RELEX, вероятно, способен осуществлять планирование на уровне артикулов для десятков тысяч или миллионов товаров, регулярно обновляя прогнозы. Они поддерживают развертывание в облаке и могут масштабироваться горизонтально. Мы не столкнулись с отраслевыми жалобами на масштабируемость RELEX – на самом деле, их основное преимущество часто заключается в том, что они заменяют Excel или старые системы, неспособные обрабатывать такой уровень детализации, который возможен с RELEX ⁵⁹. Одна оговорка: данный in-memory подход может оказаться дорогим при неправильном использовании (если буквально пытаться хранить симуляцию для миллиона артикулов за 1000 дней в памяти). Но дизайн RELEX достаточно эффективен, и это не стало заметной проблемой, о которой сообщали публично. Они обслуживают огромные сети продуктовых магазинов (с тысячами магазинов, миллионами артикулов в целом), что представляет собой даже больше данных, чем обрабатывают многие чисто электронные коммерческие фирмы, так что объем не вызывает беспокойства. В итоге архитектура RELEX является современной и быстрой, хотя и опирается на интенсивное использование памяти. Они, вероятно, оптимизировали её достаточно хорошо, но пользователям все же следует соблюдать принципы правильного обращения с данными (некачественные данные на входе приводят к плохим результатам на выходе).

Автоматизация и роль пользователя: RELEX часто упоминает переход к “автономному планированию”, но также акцентирует внимание на поддержке принятия решений. Они не стремятся ликвидировать роль планировщиков; вместо этого они сосредоточены на повышении их эффективности. Система может автоматически генерировать прогнозы, заказы и даже заранее заполнять данные для внутренних переводов между магазинами или планограмм, но обычно человек проводит проверку/утверждение – по крайней мере, на начальном этапе ^{60 61}. Микко Карккайнен описал идеал как «автономное розничное планирование, которое самообучается и самонастраивается», разрушая барьеры между функциями планирования ⁶². На практике многие клиенты RELEX, вероятно, работают в полуавтоматическом режиме: программное обеспечение выполняет 90% тяжелой работы, а планировщики управляют исключениями или осуществляют контроль ⁶³. Например, у RELEX есть «исключения прогнозов» – если сгенерированный ИИ прогноз кажется подозрительно неверным (скажем, на 300% выше, чем в прошлом году без очевидной причины), система помечает его для проверки, а не просто пропускает ⁶⁴. Такой ограждающий механизм важен для создания доверия. Со временем, если ИИ будет показывать хорошие результаты, планировщики могут начать доверять ему больше и вмешиваться реже. RELEX утверждает, что их система самонастраивается (подбирая параметры по мере поступления данных), так что со временем потребуется меньше ручного вмешательства ⁶⁵. Мы также нашли пример, когда RELEX заявил, что их внедрение освободило планировщиков от постоянного тушения пожаров, позволяя им сосредоточиться на стратегических задачах ⁶⁶ – что подразумевает, что компании позволяют системе выполнять большинство ежедневных операций. Однако реальность может быть сложной: некоторые отзывы пользователей, собранные третьей стороной, отмечали, что отдельные части системы RELEX были «неуклюжими» или требовали обходных решений для некоторых ограничений (например, для моделирования лимитов грузоперевозок) ⁶⁷. Это показывает, что, несмотря на заявления об автономности, пользователи всё ещё могут столкнуться с ограничениями встроенных возможностей и вынуждены вручную решать некоторые проблемы. RELEX вовсе не чудо-решение; он значительно сокращает объём ручного труда, но любое представление о полностью автономной системе на данный момент было бы преувеличением.

Известные проблемы и внедрение: В отличие от некоторых конкурентов, у RELEX не было громких публичных провалов или судебных исков – в целом, у него хорошая репутация. Однако, будучи быстрорастущей компанией, некоторые реализации, вероятно, работают слабее, чем обещается в продажных презентациях. Внутренние разговоры намекают, что для очень больших и сложных розничных сред RELEX может столкнуться с проблемами – зачастую не из-за плохого программного обеспечения, а из-за трудностей интеграции данных или проблем организационных изменений ^{68 69}. Если данные розничного продавца хаотичны, никакая система ИИ не исправит это волшебным образом; RELEX может генерировать плохие планы, если получает неверные данные (и тогда, кого же обвинить – инструмент или данные?). Более того, RELEX быстро привлекает много клиентов, что может перегружать их сервисы и поддержку. Некоторые клиенты могут не получить столько внимания или кастомизации, особенно по сравнению с меньшим поставщиком, таким как Lokad, который работает очень тесно с каждым клиентом. Это не столько ошибка программного обеспечения, сколько фактор, влияющий на результаты – инструментарий настолько хорош, насколько хороши его внедрение и принятие. Поставщики любят хвастаться своим наилучшим показателем ROI (например, «X розничный продавец сократил запасы на 30% с помощью RELEX!»), но они редко публикуют случаи, когда ROI не был достигнут. Мы подозреваем, что у RELEX, как и у всех поставщиков, были проекты, не выполнившие обещанные КПЭ. Возможно, планировщики не доверяли системе достаточно и отменяли её решения, или проблемы с данными препятствовали оптимальной работе. Эти моменты сложно проверить публично. Примечательно, что даже конкурент (Blue Yonder) признал, что большинство неудач проектов связано с плохим управлением изменениями и интеграцией данных, а не с ошибками алгоритмов ⁷⁰. То же, вероятно, относится к RELEX – успех зависит от очистки данных и получения поддержки от пользователей для реального использования рекомендаций.

Еще один аспект: RELEX, как правило, интегрирует множество внешних данных для розничной торговли (например, данные о посещаемости с мобильных телефонов, Google Trends для анализа поискового интереса). Некоторые из этих данных менее актуальны для чистой электронной коммерции (например, посещаемость, что само собой разумеется), но это демонстрирует философию RELEX об использовании всех доступных сигналов ⁷¹. Для игрока в электронной коммерции RELEX может обрабатывать данные веб-аналитики или цены конкурентов в интернете, если они предоставлены, хотя их стандартное предложение настроено на розничные сценарии. Возможно, он не будет автоматически собирать цены конкурентов, как специализированный инструмент ценообразования, но если клиент предоставит такую информацию, оптимизация цен RELEX сможет её учитывать.

Вердикт по RELEX: Мы оцениваем RELEX очень высоко за его комплексный, интегрированный подход и современную технологическую базу. Он явно соответствует многим критериям: на одной платформе обрабатываются ассортимент, запасы и теперь ценообразование; активно используется машинное обучение (иногда, возможно, в ущерб); система способна масштабироваться до работы с огромными данными и делает это эффективно по замыслу; и поддерживается определённая степень автоматизации, хотя планировщики всё ещё остаются в процессе. Однако есть оговорки: некоторые утверждения о возможностях ИИ могут оказаться чересчур агрессивным маркетингом (сотни факторов звучат впечатляюще, но не всегда приводят к пропорциональному приросту ⁴³), и «совместная оптимизация» может быть не математически чистой – скорее, это интегрированный рабочий процесс планирования, а не единая оптимизационная модель для ценообразования и управления запасами (за исключением ограниченных случаев). Кроме того, будучи большим пакетом решений, он может не предложить ту же индивидуальную настройку, которую обеспечивает платформенный подход (например, у Lokad), и может потребовать больше усилий для внедрения в крупной организации (интеграция данных, обучение пользователей и т.д.). Также следует отметить, что фокус RELEX традиционно был на розничной торговле – для сложной производственной цепочки поставок могут быть пробелы в таких аспектах, как детальная оптимизация производственных мощностей, тогда как для розницы он на высоте. В целом, RELEX является лидером в области планирования розничной торговли следующего поколения, продвигаясь к планированию на базе ИИ и без силосов, с пониманием, что он еще не полностью автономен (пока) и не лишен интеграционных проблем. Наш скептицизм в основном связан с критическим анализом их самых смелых заявлений и гарантией того, что пользователи не будут воспринимать систему как волшебную таблетку – успех с RELEX всё ещё требует работы над данными и процессами.

Источники: Возможности RELEX обобщены на основе материалов компании и интервью с CEO ^{40 42}. Введение оптимизации цен в 2022 году отмечено в пресс-релизах ⁵⁰. Комментарии Микко Карккайнен по ИИ («сотни факторов», «самообучающееся, самонастраивающееся планирование») задокументированы в отраслевых статьях ^{42 62}. Отзывы пользователей (например, замечания о неуклюжих частях, проблемы с ограничениями грузоперевозок) были сообщены через агрегатор отзывов SelectHub ⁶⁷. Мы также приводим доказательства интегрированного подхода RELEX и оставшейся необходимости в человеческом контроле ^{53 60}. Сравнения с отраслевыми вызовами (замечания Blue Yonder о неудачах проектов ⁷⁰) и использование внешних данных ⁷¹ дают представление о сильных и слабых сторонах RELEX.

3. Blue Yonder – Легаси-гигант в переходном периоде (Обещания против Реальности)

Blue Yonder (ранее JDA Software) является одним из гигантов в области программного обеспечения для цепочки поставок, с историей, насчитывающей десятилетия в планировании розничной торговли и производства. Его пакет решений огромен и охватывает всё: от прогнозирования спроса и пополнения запасов до управления складами, транспортировки, планирования рабочей силы и, начиная с 2020 года, оптимизации цен (после приобретения специалиста по ценообразованию Revionics) ^{72 73}. Если вы – крупный розничный продавец или компания FMCG, Blue Yonder, вероятно, имеет решение для каждой части вашей цепочки поставок. Для игрока в электронной коммерции или омниканального бизнеса Blue Yonder предлагает возможности, разработанные для крупнейших розничных операций в мире. Однако с таким масштабом приходит бремя наследия: многие модули Blue Yonder изначально были отдельными продуктами (часто приобретаемыми компаниями), и интегрировать их в единое, современное целое – постоянная борьба. История многократных приобретений Blue Yonder (JDA сама была образована в результате слияний i2 Technologies, Manugistics и других) означает, что их технологический стек может ощущаться как лоскутное одеяло ⁷⁴.

Совместная оптимизация и интеграция: На бумаге Blue Yonder отмечает все пункты для совместной оптимизации. У него есть движок прогнозирования спроса («Luminate Demand Edge»), инструменты для управления запасами и пополнения (оптимизация по нескольким уровням и т.д.), а также движок оптимизации цен (Revionics, теперь ребрендированный как Luminate Pricing) ^{72 75}. Компания продвигает концепцию «от начала до конца», где эти компоненты работают вместе: например, прогноз спроса используется как для планирования запасов, так и для принятия решений по ценообразованию; движок оптимизации цен учитывает эластичность спроса (по сути, прогнозируя, как изменение цен повлияет на спрос); и всё объединено на их «Luminate Platform». В теории, используя все компоненты Blue Yonder, можно достичь скоординированного планирования: гарантировать, что действия команды по ценообразованию учитывают ограничения поставок и наоборот. На практике исторически эти модули были разрознены и лишь слабо связаны через интерфейсы данных. Например, у Revionics была своя база данных и пользовательский интерфейс в момент приобретения; их интеграция с планированием спроса JDA требовала ИТ-интеграции. Blue Yonder признала эту фрагментацию и в 2023 году объявила о масштабном архитектурном обновлении: переходе к единой модели данных и платформе, с активным использованием Snowflake (облачного хранилища данных) в качестве единого слоя данных ^{76 77}. Генеральный директор описал видение «операционной системы цепочки поставок», в которой все приложения Blue Yonder обмениваются данными свободно через общий облачный репозиторий ⁷⁷. По сути, они хотят устранить необходимость в устаревших пакетных интеграциях между, скажем, планированием спроса и ценообразованием – вместо этого всё будет читать/записывать в одни и те же облачные данные, оставаясь синхронизированными почти в режиме реального времени.

Это видение многообещающее, поскольку устраняет ключевую слабость (системы, работающие в изоляции). Если Blue Yonder сумеет это осуществить, клиент сможет получить по-настоящему комплексное планирование: больше не потребуется создавать кастомные интерфейсы для соединения модулей, по крайней мере, среди компонентов Blue Yonder ⁷⁸. Однако мы относимся к этому с некоторым скептицизмом. Это гигантская задача – переработать пакет решений такого масштаба, чтобы он работал на одной платформе. Blue Yonder фактически пытается преобразовать огромный объём устаревшего локального кода в облачные микросервисы, где Snowflake используется в качестве единственного источника правды. Их собственный консультант предостерег, что, хотя видение и выглядит хорошо, «полное устранение интеграций может быть чрезмерно оптимистичным» ⁷⁹. У крупных предприятий данные разбросаны повсюду; не всё будет удобно размещено в Snowflake ⁷⁹. Так что даже если внутренние модули Blue Yonder объединятся, всё равно потребуется интеграция с другими системами (SAP ERP и т.д.), поэтому это не будет решением «подключай и работай». Более того, переход происходит постепенно – Blue Yonder не проводит замену «бомбой сразу» (что могло бы оттолкнуть клиентов); они постепенно превращают старые модули в микросервисы и побуждают клиентов мигрировать в своём темпе ⁸⁰. Это означает, что на сегодняшний день многие клиенты Blue Yonder всё ещё используют смесь старых и новых решений: например, JDA demand planning работает локально, а Revionics – как SaaS, с передачей данных между ними ⁸¹. Полностью объединённая платформа может появиться только через год или два, и даже тогда существующим клиентам может потребоваться годы для миграции. Таким образом, пока что, «совместная оптимизация» с Blue Yonder часто всё ещё требует ручной координации. Например, розничный продавец может использовать Blue Yonder для ценообразования и планирования поставок, но его команда планирования должна гарантировать, что результаты работы команды по ценообразованию передаются в процессы планирования поставок – это пока не единый автоматизированный процесс.

Продвинутые алгоритмы против устаревших технологий: Blue Yonder действительно может похвастаться множеством современных алгоритмов. Исходная версия Blue Yonder (немецкий стартап в области ИИ, приобретённый JDA в 2018 году) принесла с собой множество интеллектуальной собственности в области машинного обучения для прогнозирования в розничной торговле ⁸². Сейчас сама компания Blue Yonder активно продвигает использование «объяснимого ИИ, машинного обучения и даже генеративного ИИ» во всех своих приложениях ⁸². У них глубокая экспертиза в области операционных исследований для таких задач, как оптимизация сети, развиваемая на протяжении десятилетий компаниями i2 и Manugistics (их предшественниками). Однако здесь следует быть очень осторожными: у Blue Yonder накопилось огромное количество технического долга. Большая часть их кода была написана в 1990-х и начале 2000-х годов для локального использования. Да, они обновили и адаптировали часть кода с использованием современных пользовательских интерфейсов или микросервисов, но в основе некоторых модулей всё ещё лежат предположения и ограничения старых архитектур (например, необходимость в базе данных Oracle или работа в однопоточном режиме и т.д.) ^{83 84}. Когда маркетинг Blue Yonder говорит «когнитивное, основанное на машинном обучении планирование», возникает вопрос: действительно ли это новая технология или просто старое в новой упаковке ^{85 86}? Часто это лишь постепенные улучшения: например, их прогнозирование спроса теперь может использовать модель машинного обучения для учета праздничного эффекта или воздействия погоды – что, безусловно, полезно, – но общая система может оставаться схожей со старой, просто с добавлением компонента ML ⁸⁷. Есть разница между тем, чтобы просто вставить ML-прогноз в устаревший планировочный движок и тем, чтобы перепроектировать сам движок для работы с ИИ. Blue Yonder находится в переходном периоде, поэтому одни его части являются передовыми, а другие – модернизированным наследием.

Конкретный (и поучительный) пример: i2 Technologies, которая теперь интегрирована в Blue Yonder, была известна своим мощным оптимизационным программным обеспечением и рядом неудачных проектов. Самым печально известным стал спор Dillard’s против i2. После того как JDA (Blue Yonder) приобрела i2 в 2010 году, ей досталась судебная тяжба, когда сеть универмагов Dillard’s подала в суд из-за неудачной реализации i2 в 2000-х годах. Присяжные присудили Dillard’s примерно $246 миллионов в виде компенсации, придя к выводу, что программное обеспечение i2 не выполнило свои обещания ^{23 24}. Это одно из крупнейших подобных судебных решений в корпоративном программном обеспечении. Случившееся примерно 15 лет назад, можно утверждать, что это уже древняя история, но она подчёркивает один момент: даже известные поставщики могут потерпеть колоссальные неудачи, если технологии завышены в обещаниях или реализованы неправильно. Blue Yonder пришлось уладить этот случай (за меньшую сумму по апелляции) и, предположительно, извлечь из него важные уроки. Мы упоминаем об этом не для того, чтобы выделить Blue Yonder (у каждого поставщика бывают неудачи), а чтобы усилить скептицизм: то, что поставщик большой и «лидирующий в отрасли», не гарантирует успех.

В пользу Blue Yonder стоит отметить, что в последние годы они стали более откровенными в вопросах решения подобных проблем. На партнерском саммите 2023 года Blue Yonder открыто обсудили «красные проекты» (неудачные реализации) и выяснили, что основными причинами были не плохие алгоритмы, а «неэффективное управление изменениями и проблемы миграции/интеграции данных» ⁷⁰. По сути, проекты проваливались потому, что данные заказчика были неправильно интегрированы/неочищены или пользователи не приняли систему, а не потому, что математика не работала. Это самоанализ соответствует тому, что мы наблюдаем по всему рынку и отмечали у других: математика может быть блестящей, но если организация или данные не готовы, проект терпит неудачу. Тот факт, что Blue Yonder акцентирует проблемы интеграции данных, многое говорит – это косвенно подчеркивает сложность их собственного набора инструментов. Если бы их модули были по-настоящему plug-and-play, интеграция данных не стала бы такой проблемной зоной. Переход к единому слою данных на базе Snowflake призван решить эту проблему, но, как мы уже говорили, это ещё в разработке ⁸⁸.

Текущие возможности для оптимизации ИИ: Давайте рассмотрим возможности Blue Yonder в наших ключевых областях, примерно на 2024 год:

• Прогнозирование спроса: Luminate Demand от Blue Yonder (особенно новый модуль «Demand Edge») действительно использует машинное обучение и может учитывать множество внешних факторов, таких как погода, события и ценовые сигналы ⁸⁹. Они также перешли к поддержке вероятностных прогнозов – возможно, не так естественно, как Lokad или ToolsGroup, но они позволяют планировщикам работать с доверительными интервалами или диапазонами сценариев, а не с одним числом ^{90 91}. Подход Blue Yonder, как описано в их материалах, заключается в том, чтобы непрерывно перестраивать прогноз с нуля с использованием последних данных, а не, например, использовать фиксированный сезонный профиль и корректировать его ⁹². Они утверждают, что модель самостоятельно корректируется с каждым новым фактическим значением и автоматически адаптируется к сдвигам в календаре и т.д. ⁹³. Это вполне соответствует передовым методам прогнозирования и отражает то, что делают RELEX и другие (постепенные обновления, без статичных параметров, которые планировщикам приходится сбрасывать). Blue Yonder также явно упоминает о фиксации неопределенности и оценке компромиссов затрат при перепредсказании или недопредсказании ⁹¹. Например, они обсуждают понимание риска отсутствия товара против его избытка и принятие компромиссных решений – что подразумевает экономическое оптимизационное мышление в связке прогнозирования и планирования ^{91 94}. В общем, возможности прогнозирования Blue Yonder на бумаге выглядят сильными и современными. Однако мы не видели, чтобы они публиковали нейтральные бенчмарки своей точности (например, они не присоединились публично к M5) ⁹⁵, поэтому утверждения о превосходстве трудно проверить.

• Управление запасами и пополнение: Это уже давно является основным направлением Blue Yonder (ещё со времён JDA и i2). Они предлагают надежную многоуровневую оптимизацию запасов (MEIO), которая может определить оптимальные уровни запасов по всей распределительной сети с учетом вариативности сроков поставок, неопределенности спроса, требуемых уровней обслуживания и т.д. ⁹⁶. Инструменты Blue Yonder могут генерировать рекомендуемые количества заказов, уровни страховых запасов и графики пополнения. Исторически эти алгоритмы представляли собой смесь правил и моделей ОП (операционного исследования) – например, с использованием эвристик или решателей линейного программирования для распределения запасов. Сегодня они, вероятно, включают прогнозы спроса на основе машинного обучения в эти расчеты, но основная логика (например, оптимизация позиций запасов) опирается на проверенные методы ОП. Blue Yonder, безусловно, способен справляться с масштабным планированием – многие крупные ритейлеры (из списка Fortune 500) использовали JDA для пополнения магазинов, что аналогично планированию для большого распределительного центра в e-commerce. Мы считаем, что возможности оптимизации запасов Blue Yonder надежны, хотя и не уникальны – ToolsGroup, SAP и другие также предлагают MEIO. Отличительной чертой станет то, насколько хорошо она интегрируется с другими элементами (спрос и цена).

• Ассортимент и мерчендайзинг: Blue Yonder предлагает инструменты управления категориями и планирования ассортимента, которые помогают решать, какие товары должны присутствовать в каких магазинах или онлайн-категориях ⁹⁷. Они могут анализировать показатели продукта, его атрибуты и местные предпочтения для формирования решений по ассортименту. В электронной коммерции «планирование ассортимента» может означать решение о том, какие SKU оставить или исключить, либо какие новые товары ввести. Решения Blue Yonder могут использовать атрибуты и данные о продажах для прогнозирования, как новый продукт может проявить себя (возможно, с использованием старого метода i2 «похожих товаров» для новых позиций). Обычно планирование ассортимента носит более периодический (сезонные обновления и т.д.) характер, а не непрерывное. Blue Yonder охватывает этот аспект, но часто этот модуль используется командами мерчендайзинга время от времени, а не ежедневно. Важно, что он существует, но для «оптимизации ИИ» нас больше интересуют повседневные решения по ценообразованию и управлению запасами.

• Оптимизация цен: После приобретения Revionics Blue Yonder получил один из ведущих ценовых движков в отрасли. Revionics используется многими супермаркетами, универсальными ритейлерами и т.д. для установления базовых повседневных цен, промо-скидок и уценок. Он использует ИИ для оценки ценовой эластичности (насколько изменение цены повлияет на спрос) и может также учитывать данные о ценах конкурентов ^{98 18}. Затем инструмент рекомендует изменения цен, которые позволяют достичь целей, таких как улучшение маржи или рост выручки, при этом соблюдая ограничения (например, окончание цены, известные ценовые разрывы у конкурентов и т.д.). Сейчас этот движок продается под брендом Luminate Pricing, и он довольно сложен и в теории замыкает цикл с прогнозированием спроса. Например, можно смоделировать: «Если мы снизим цену на 10%, прогнозируемый спрос возрастет на 20%, с чем наши запасы смогут/не смогут справиться». Blue Yonder позиционирует это как «автономное ценообразование на базе ИИ», которое может работать так часто, как требуется (даже в течение одного дня для e-commerce) ⁹⁹. Это один из самых сильных компонентов арсенала Blue Yonder, учитывая, что Revionics был специалистом с годами усовершенствования алгоритмов ценообразования.

Главный вопрос: насколько хорошо эти компоненты действительно работают вместе сегодня? Blue Yonder утверждает, что работают – ведь это суть платформы Luminate. Но, исходя из нашего исследования, если компания развернёт все эти модули, потребуется большая интеграционная работа и оркестрация процессов, чтобы действительно создать замкнутый оптимальный процесс ¹⁰⁰. Например, система ценообразования может еженедельно генерировать новый ценовой файл, который затем передается в систему прогнозирования для следующего расчета, после чего обновляется план запасов. Это совместное планирование, но не полностью унифицированная, мгновенная оптимизация. Возможно, процесс выполняется пакетно и последовательно (сначала расчет цены, затем расчет поставок). Достижение координации, приближенной к режиму реального времени, является задачей новой модели данных Snowflake, но если не все компоненты работают на этой новой архитектуре (а таких клиентов пока немного), реальность остаётся более традиционной. Короче говоря, Blue Yonder обладает всей функциональностью, необходимой для совместной оптимизации, но пользователю часто приходится самим быть интегратором. Это немного уступает поставщикам, которые изначально оптимизируют совместно как единый процесс.

Существенность ИИ/МЛ против шумихи: Маркетинг Blue Yonder иногда звучит как набор модных терминов – «когнитивный», «автономный», «основанный на ИИ/МЛ» и т.д. ¹⁰¹. Мы ищем реальное содержание за этими словами. И оно имеется: наследие Blue Yonder включает настоящую науку о данных – например, немецкая команда Blue Yonder победила в конкурсе по прогнозированию розничных продаж в 2014 году с использованием нейронных сетей ¹⁰², и компания владеет более чем 400 патентами (что, по крайней мере, свидетельствует о значительных затратах на НИОКР) ¹⁰³. Однако большое количество патентов не обязательно означает высокое качество продукта в эксплуатации. Скептический подход требует конкретных результатов: публиковал ли Blue Yonder когда-либо публичные сравнительные тесты (например, M5 и т.д.)? Публичных данных об этом нет ¹⁰⁴. Публикуют ли они кейс-стади «до/после» с конкретными цифрами? У них есть некоторые кейс-стади, но, как и у всех поставщиков, они обычно отбираются и лишены контекста (например, «Ритейлер X достиг повышения прибыли на 5% благодаря нашему ценообразованию» – по сравнению с каким базовым уровнем?) ¹⁰⁵. Таким образом, хотя Blue Yonder, без сомнения, нанимает умных специалистов по науке о данных и имеет некоторые очень передовые алгоритмы внутри компании, в качестве оценщика вам приходится в значительной степени полагаться на их слова и, возможно, на косвенные отчёты. Надо учитывать, что затраты и сложность могут подорвать эффект от модного ИИ.

Стоимость и сложность: Решения Blue Yonder, будучи корпоративного уровня, дороги и требуют значительных временных затрат на внедрение. Полное развертывание Blue Yonder может занимать от нескольких месяцев до нескольких лет, часто требуя армию консультантов (либо от Blue Yonder, либо от сертифицированных партнеров). Лицензирование программного обеспечения плюс затраты на услуги и оборудование/облачные решения делают общую стоимость владения довольно высокой. Для среднего e-commerce предприятия Blue Yonder может оказаться чрезмерно сложным или просто вне бюджета. Даже крупные компании сталкивались с трудностями: известный пример помимо Blue Yonder – провал проекта SAP у Lidl стоимостью 500 млн евро, который был отменён в 2018 году ¹⁰⁶ – что иллюстрирует, как мега-проекты могут рухнуть, пожирая бюджеты. Проекты Blue Yonder обычно не такого масштаба, но они всё равно являются значительными начинаниями. Один из комментариев партнёров отметил, что конкурент Manhattan Associates решил перестроить свою платформу с нуля (что требовало переработки для клиентов), в то время как Blue Yonder пытается идти по пути более плавной эволюции ¹⁰⁷. Оба подхода имеют свои издержки: подход Manhattan означает, что если вы хотите их новую технологию, вам практически придется начинать с нуля (что болезненно с самого начала), тогда как подход Blue Yonder означает, что вы можете использовать устаревшую технологию, ожидая обновлений (боль распределяется во времени). В любом случае, клиенты сталкиваются со сложностями при обновлении. Именно поэтому некоторые компании теперь готовы рассмотреть новых поставщиков SaaS, несмотря на наследие Blue Yonder – обещание более быстрого или дешевого развертывания привлекательно. В общем, оценивая Blue Yonder, учтите, что требуется значительные усилия; это не просто облачная регистрация, а зачастую масштабный проект трансформации.

Реальность автоматизации: Blue Yonder действительно говорит об «автономной цепочке поставок» – особенно после приобретения Panasonic в 2021 году, они говорят о привязке данных IoT к автоматизированным решениям и т.д. ¹⁰⁸. Однако мы оцениваем, что большинство клиентов Blue Yonder всё ещё работают в традиционном режиме: программное обеспечение даёт рекомендации, а человек принимает решение. То есть планировщики используют инструменты Blue Yonder для получения рекомендаций (количества заказов, распределения, цены), а затем обычно утверждают или корректируют их. Это схоже с типичным использованием RELEX – автоматизация до определенной степени, с обязательным человеческим контролем. Некоторые могут запускать отдельные части автоматически (например, автоматические заказы пополнения до определенных лимитов), но культура и процессы во многих крупных компаниях таковы, что система останется гибридной еще некоторое время. Таким образом, хотя технология Blue Yonder может многое автоматизировать, на практике компании часто внедряют её для поддержки планировщиков, а не для их замены. Со временем это может измениться по мере роста доверия или улучшения возможностей Blue Yonder в реальном времени. Но тот, кто купит Blue Yonder, ожидая полностью автономной цепочки поставок с первого дня, будет введен в заблуждение. Это скорее путь, по которому вы постепенно увеличиваете, сколько решений система принимает самостоятельно, по мере настройки исключений и привыкания.

Конкурентная разведка и многоканальность: Одним из положительных моментов является то, что ценообразование Blue Yonder (Revionics) явно учитывает данные о ценах конкурентов. Если у вас есть поток данных о ценах конкурентов, система может учитывать правила типа «не устанавливайте цену более чем на 5% выше, чем у конкурента X» или использовать модели эластичности, учитывающие разрывы в ценах конкурентов ^{18 108}. Это ценно для электронной коммерции, где ценовая прозрачность высока. Не все инструменты для управления цепочками поставок учитывают цены конкурентов, поэтому решение Blue Yonder по ценообразованию дает преимущество в этом аспекте. Что касается маркетплейсов (Amazon/eBay) или многоканальности, Blue Yonder не предлагает специфически управление маркетплейсами (например, ставки за рекламу или оптимизацию buy box – это вне его компетенции) ¹⁰⁹. Таким образом, вы можете использовать Blue Yonder для основного управления запасами и ценообразования, но вам все равно понадобятся другие инструменты для специфических тактик по каналам. Это не необычно; даже другие ведущие поставщики не охватывают этот аспект (Lokad или RELEX тоже не занимаются оптимизацией рекламы на Amazon). Конечно, Blue Yonder может агрегировать спрос по каналам для планирования, что является стандартным.

Одно, на что мы обращаем внимание, – это внутренние противоречия в сообщениях. Маркетинг Blue Yonder иногда утверждает о наличии как долгосрочной стратегической мощи, так и мгновенной оперативности в реальном времени, что может вводить в заблуждение. Например, они могут заявлять «персонализация и ценообразование в реальном времени», хотя их системы планирования (до недавнего времени) в основном работали пакетно (ночью, еженедельно) ⁸⁵. Они добавляют больше обновлений в реальном времени (интеграция со Snowflake может обеспечить поток данных почти в реальном времени). Но критически настроенный наблюдатель должен спросить: действительно ли ценообразование пересчитывается непрерывно или только по требованию? Действительно ли нам нужна «оптимизация ассортимента в реальном времени»? (Вероятно, нет; это обычно стратегический вопрос, а не то, что делается каждый час.) Поэтому следует внимательно анализировать, что Blue Yonder подразумевает под «в реальном времени» в каждом конкретном случае. Часто это означает, что они могут быстро реагировать при наличии триггера, а не то, что каждое решение постоянно оптимизируется каждую секунду ⁸⁶. Мы отмечаем это, чтобы предостеречь от чрезмерно раздуваемой терминологии.

Вопросы платформы Snowflake: Тонкий, но важный момент – активное использование Blue Yonder платформы Snowflake для своей новой архитектуры. Snowflake – это стороннее хранилище данных; оно мощное, но тарифицируется по объему хранения и вычислительным ресурсам. Если приложения Blue Yonder выполняют сложные запросы на Snowflake «под капотом», эти затраты могут быть переложены на заказчика (в зависимости от структуры контрактов). Система планирования может требовать значительных вычислительных ресурсов – много обработки данных. Если не оптимизировать, это может привести к значительному счету от Snowflake. Партнер Blue Yonder, JBF Consulting, даже предупреждал о возможном «шоке от счета» – сравнивая это со старыми методами тарификации мейнфреймов, где большее использование стоило значительно дороже ¹¹⁰. Идея такова: если вы запускаете много сценариев или очень масштабные планы в новой системе Blue Yonder, вы можете непреднамеренно быстро исчерпать кредиты Snowflake ¹¹¹. Мы ожидаем, что Blue Yonder оптимизирует и заключит определенные соглашения для смягчения этого эффекта, но это то, за чем пользователям следует следить. Это подчеркивает, что «облако» не означает автоматическую дешевизну – выбор архитектуры имеет значение. В контрасте с подходом Lokad, который избегал переложения затрат на дорогостоящие слои именно по этой причине ¹⁵, использование Snowflake в Blue Yonder обеспечивает гибкость, но потенциально за счет дополнительных расходов. Всё будет зависеть от схем использования.

Общая оценка Blue Yonder: Мы оцениваем Blue Yonder немного ниже, чем более специализированные решения «нового поколения», с точки зрения реализации видения оптимизации с помощью ИИ, однако он остаётся внушительным игроком. У него самый богатый функционал – десятилетия накопленного опыта, заложенного в его инструментах, и множество успешных внедрений в крупных предприятиях. Тем не менее, с технической скептической точки зрения мы видим Blue Yonder как поставщика, находящегося в стадии трансформации. Они говорят о ИИ, интеграции и автоматизации, но многое из этого является ориентированным на будущее или продиктованным маркетингом; текущая реальность для клиентов более обыкновенна: силосы постепенно объединяются, а функции модернизируются. Существует своего рода «доверьтесь нам — всё будет потрясающе через пару лет, как только трансформация завершится». Это может быть приемлемо, если вы уже инвестировали в Blue Yonder, но новые покупатели могут задаться вопросом, не способна ли новая система сократить этот временной разрыв. Платформа Blue Yonder, безусловно, способна поддерживать работу электронной коммерции в масштабах — множество крупных омниканальных ритейлеров используют её — так что вопрос возможностей не стоит. Проблема же заключается в эффективности и гибкости: обеспечит ли она быстрый возврат инвестиций или вам придётся два года заниматься её внедрением и настройкой? Будут ли различные модули действительно работать как единое целое или ваша команда в итоге будет вручную связывать их выводы? Вот эти моменты вызывают настороженность. В итоге, Blue Yonder — мощная, но тяжёлая система; она находится в процессе переосмысления самого себя для того, чтобы идти в ногу с передовыми технологиями. Пока это переосмысление не будет полностью реализовано и доказано, потенциальные пользователи должны быть готовы к проблемам интеграции, техническому долгу и значительным усилиям, необходимым для достижения блестящих результатов, изображённых на слайдах продаж. Видение Blue Yonder впечатляет, но мы, как скептики, остаёмся настороже, ожидая, когда исполнение догонит обещания.

Источники: Стратегия интеграции Blue Yonder и переход Snowflake на новую платформу задокументированы в анонсах Blue Yonder и анализах партнёров ^{76 77}. Предостережения от партнёра (JBF Consulting) относительно оптимизма по интеграции и затрат упоминаются ^{79 16}. Примеры наследуемых проблем и судебного разбирательства (Dillard’s против i2) взяты из новостных репортажей ^{23 24}. Использование машинного обучения для прогнозирования спроса и переход к непрерывному прогнозированию отмечены в их блогах ^{89 92}. Возможности ценообразования через Revionics и обработка цен конкурентами указаны в описаниях продуктов ^{98 18}. Обсуждение работы в реальном времени против пакетной обработки и маркетинговые противоречия основаны на широких маркетинговых заявлениях Blue Yonder по сравнению с известными техническими ограничениями ^{85 86}. Мы также опираемся на анализ «Обзор Blue Yonder» для критических замечаний относительно их усилий в области ИИ и интеграции ^{83 101}.

4. ToolsGroup – специалист по вероятностному управлению запасами, расширяющийся в область ИИ для розничной торговли

ToolsGroup — ветеран в области планирования цепочки поставок, известный прежде всего своим прогнозированием спроса и оптимизацией запасов. Его флагманское программное обеспечение, исторически называемое SO99+ (Service Optimizer 99+), было ведущим решением для планирования запасов с учётом уровня сервиса и многоэтажной оптимизации ^{112 113}. Проще говоря, ToolsGroup отлично справлялся с вопросом: «Какой минимальный запас мне нужен в каждой точке для обеспечения 99%-го уровня сервиса (или другой заданной цели) в условиях неопределённости?» Это сделало его популярным среди дистрибьюторов и производителей, работающих с множеством SKU и стремящихся избежать как дефицита, так и переполнения запасов. Примечательно, что ToolsGroup был одним из первых коммерческих инструментов, внедривших вероятностное прогнозирование и планирование (примерно в 2000-х годах), выступая за отказ от прогнозов с одной точкой в пользу использования полного распределения возможного спроса ^{114 115}. Этот подход, когда-то новаторский, ныне признан лучшей практикой — и действительно, другие поставщики последовали его примеру. Во многом ToolsGroup стал одним из ранних пионеров того, что мы теперь называем «оптимизацией запасов, основанной на ИИ», даже если тогда они не столь активно использовали модное слово ИИ.

Для электронной коммерции и других сложных бизнесов с широким ассортиментом и нерегулярным спросом сильная сторона ToolsGroup в вероятностном моделировании имеет огромное значение. Они естественным образом справляются с товарами из «длинного хвоста», которые продаются спорадически: вместо того чтобы, скажем, прогнозировать 2 единицы каждый месяц (что может ввести в заблуждение, если фактические продажи в большинстве месяцев равны 0, а в одном месяце достигают 10), они строят вероятность спроса, отражающую эту спорадичность ¹¹⁶. Затем их система оптимизации определяет, сколько запасов необходимо иметь, чтобы, например, вероятность их исчерпания до пополнения составляла всего 5%. Это идеально для продавцов электронной коммерции с большим числом медленно продаваемых товаров — ToolsGroup не завышает прогнозы лишь для достижения цели, а планирует страховой запас, соответствующий реальной волатильности. Кроме того, у них имеются механизмы для прогнозирования новых продуктов (с использованием аналогий или моделей на основе атрибутов для прогнозирования нового SKU по похожим товарам) ¹¹⁷, а также они учитывают акции и сезонность, корректируя распределение спроса соответственно.

Исторически ToolsGroup сосредотачивался на стороне предложения: прогнозировании спроса, расчёте страхового запаса и планировании пополнения. Они не предлагали решения для оптимизации цен или ассортимента. Признав, что эти компоненты дополняют планирование запасов, ToolsGroup сделал стратегический шаг: в 2018-2019 годах они приобрели компанию JustEnough ^{118 119}. JustEnough представляла собой программное обеспечение, ориентированное на розничную торговлю, с решениями для финансового планирования мерчендайзинга, формирования ассортимента, распределения и динамического ценообразования. Оно было известно тем, что помогало ритейлерам планировать распределение товаров по магазинам, формировать ассортимент для каждого магазина и оптимизировать markdown’ы (скидочные графики для товаров на исходе жизненного цикла). Приобретая JustEnough (которая ранее была частью розничной софт-компании MI9), ToolsGroup вышел за рамки чисто цепочки поставок и расширился в более широкую область планирования розничной торговли. Теперь они предлагают интегрированное решение, объединяющее их движок SO99+ с возможностями JustEnough, с целью охватить всё — от стратегического планирования до исполнения, как для цепочки поставок, так и для мерчендайзинга в ритейле ^{120 121}.

Проблемы интеграции: Каждый раз, когда поставщик объединяет две разные платформы, возникает вопрос интеграции. ToolsGroup работает над унификацией модели данных и рабочих процессов SO99+ и компонентов, полученных из JustEnough. Они упоминали, что добились «единой модели данных для тактического и операционного планирования», что обеспечивает единое представление о ситуации ¹²². Например, они запустили концепцию под названием «Ритейл в реальном времени», которая связывает планировочную систему JustEnough с «Инвентарным хабом», позволяющим данным поступать почти в режиме реального времени ¹²³. Это подразумевает, что по мере совершения продаж или изменения запасов информация быстро поступает в планировочный движок, позволяя оперативно реагировать (например, переназначать запасы). Они утверждают, что это позволяет осуществлять динамичное, непрерывное планирование, а не фиксированные периодические расчёты ¹²⁴. Это сходная философия с другими подходами: разорвать границу между операционными данными и планированием, чтобы можно было менять планы «на лету».

Однако маркетинговые заявления ToolsGroup о «Ритейле в реальном времени, единственном решении, которое реагирует на поведение покупателей в моменте» звучат несколько преувеличенно ¹²⁵. Конечно, если их система обновляется часто, это хорошо, но не каждое решение может или должно приниматься мгновенно. Перераспределение запасов или обновление прогноза в разгар сезона — да, это может происходить часто. Полное переоптимизирование ассортимента или финансового плана «в моменте» кажется менее вероятным — такие решения обычно требуют больше времени и принимаются еженедельно или ежемесячно. Таким образом, как и у других поставщиков, термин «в реальном времени» скорее относится к отдельным уровням (например, ребалансировка запасов, корректировка краткосрочных прогнозов), а не ко всем аспектам (например, полной переоценке стратегии). Каждый поставщик теперь рекламирует «в реальном времени» в той или иной форме ¹²⁶, часто подразумевая, что данные и рекомендации могут обновляться в течение нескольких минут или часов, что обычно достаточно. Генерального директора ToolsGroup процитировали, что ритейлерам необходимо быстро адаптироваться, чтобы предотвратить эрозию маржи при изменении спроса ¹²⁷ — что верно, и данные, поступающие почти в реальном времени, в этом помогают ¹²⁸. Главное, действительно ли система ToolsGroup автоматически действует на этих данных или лишь уведомляет планировщика. Они заявляют, что система «автоматически пересчитывает и рекомендует заказы или переносы, как только поступает новая информация» ¹²⁸. Если на практике это работает, то это мощное преимущество: например, при внезапном скачке онлайн-продаж система может предложить немедленное перераспределение запасов из медленного магазина на склад для электронной коммерции. Мы не видели независимых подтверждений того, насколько полностью автоматизированы эти процессы у клиентов, но ToolsGroup явно стремится к этому.

С интеграцией JustEnough в идеальном случае пользователь ToolsGroup может осуществлять сквозное планирование: планировать ассортимент по каналам, первоначально распределять товары по магазинам, использовать движок SO99+ для пополнения и поддержания уровней запасов, а затем применять оптимизацию markdown для распродажи товаров на исходе их жизненного цикла. Совместная оптимизация проявляется, если эти компоненты взаимодействуют между собой: например, если инструмент планирования markdown сообщает модели прогноза спроса, что некоторые товары будут продаваться со скидкой 50% в следующем месяце, прогноз для этих товаров должен скорректироваться, что затем изменяет рекомендуемые уровни запасов. ToolsGroup указывает, что их единая модель данных предусматривает наличие таких взаимосвязей (акции и планы markdown, интегрированные в модель спроса) ^{129 130}. Однако, скорее всего, оптимизация проводится последовательно: сначала определяется стратегия markdown, затем оценивается её влияние на запасы, а не один алгоритм, который одновременно выбирает и markdown, и уровень запасов. Это всё же существенный шаг вперёд по сравнению с разрозненными системами. Подобен подходу RELEX: интегрированные данные обеспечивают согласованность, но это не единая оптимизационная задача, решаемая одновременно для ценообразования и цепочки поставок ¹³¹.

Критерии передовых технологий: ToolsGroup явно выделяется в области вероятностного прогнозирования и управления неопределённостью. В течение десятилетий они настаивали на том, что прогнозы с одной точкой неадекватны и что планирование должно учитывать вариабельность ⁷. Их система выдаёт не просто «ожидаемое значение», а целое распределение (например, P10, P50, P90 спроса) и затем использует его для расчёта целевых уровней запасов, соответствующих требуемому уровню сервиса или минимизации общих затрат ¹³². Например, вместо того чтобы говорить «прогноз равен 100, давайте оставим 110 для страховки», они говорят «существует 95%-ная вероятность, что спрос будет ≤ X, поэтому мы держим X, чтобы обеспечить 95%-ный уровень сервиса» ¹³². Такой подход естественным образом учитывает неопределённость спроса, и ToolsGroup также принимает во внимание неопределённость времени поставки в этих расчётах (например, если сроки поставки варьируются, страховой запас корректируется соответствующим образом). Планируя с помощью вероятностей, ToolsGroup естественным образом снижает количество непредвиденных ситуаций — меньше дефицита и чрезмерных запасов. Они также иногда отмечают, что использование их вероятностных данных может улучшить работу других систем: например, можно использовать показатели риска скорректированного спроса от ToolsGroup в ERP, такой как SAP APO, для её улучшения ¹³³. Фактически, ToolsGroup когда-то утверждали, что их движок может продлить срок службы устаревших систем, предоставляя лучшие входные данные ¹³³ — что подразумевает, что их основная ценность заключается в математических расчётах, а не в эффектном интерфейсе.

Говоря об интерфейсе, исторически у ToolsGroup был несколько утилитарный дизайн — скорее инструмент для аналитиков или планировщиков, сосредоточенный на цифрах, с меньшим акцентом на красивые панели управления. В последние годы они модернизировали его (добавив веб-интерфейсы и т.д.) ¹³⁴. Однако их основной аудиторией традиционно были аналитики цепочки поставок, которым нравился их сложный движок, даже если интерфейс выглядел устаревшим. В настоящее время они делают акцент на автоматизации планирования для снижения рабочей нагрузки. В материалах ToolsGroup утверждается, что «встроенная автоматизация сокращает рабочую нагрузку планировщиков до 90%» ¹³⁵. Они часто приводят результаты клиентов, такие как сокращение рабочей нагрузки планировщиков на 40–90% и сокращение запасов на 20–30% после внедрения их системы. Эти цифры выглядят смело. Мы трактуем их с осторожностью: сокращение рабочей нагрузки на 90% могло произойти в случае, когда компания сократила штат планировщиков с 10 до 1, если ранее планировщики в основном занимались ликвидацией кризисных ситуаций и ускорением процессов, а ToolsGroup смогла упорядочить этот хаос ¹³⁶. Но это, вероятно, исключительный случай. Снижение запасов на 20–30% обычно означает, что в компании изначально было много лишних запасов; более типичным улучшением было бы 10–15%, если они не были настолько неэффективными ранее ¹³⁷. Тем не менее, тот факт, что ToolsGroup даже предлагает такие диапазоны, указывает на их стремление автоматизировать рутинные задачи по прогнозированию и пополнению запасов, освобождая планировщиков от постоянного исправления ошибок. Вероятностный подход действительно должен приводить к меньшему числу чрезвычайных ситуаций (поскольку, учитывая неопределённость заранее, вас реже застигнут врасплох), что в свою очередь означает меньше срочных случаев и ручного перераспределения ¹³⁸. Мы остаёмся настороже, поскольку маркетинг, как правило, использует лучшие сценарии. Приятно видеть, что они хотя бы представляют это в виде диапазона (сокращение нагрузки на 40–90%), что подразумевает, что результаты могут сильно варьироваться в зависимости от клиента ¹³⁶.

Долгая история ToolsGroup (основана в 1993 году) означает, что у них есть стабильность и глубокая экспертиза в отрасли ¹³⁹. Возможно, они не так велики, как Blue Yonder, или не так разрекламированы, как некоторые стартапы в области ИИ, но у них есть преданная клиентская база и репутация создателей мощных алгоритмов. Многие их клиенты работают в производстве, дистрибьюции, обслуживании послепродажного рынка, а также в розничной торговле. Для компании электронной коммерции, которая в первую очередь озабочена запасами — не дефицитом или избытком — ToolsGroup является зрелым решением. Их возможности многоуровневой оптимизации полезны, если у вас есть несколько центров выполнения заказов или глобальная сеть. Они могут оптимизировать не только на каждом отдельном узле, но и по всей сети (например, сколько запасов держать на региональных складах по сравнению с центральным). Они обеспечат доставку запасов туда, где это необходимо, при этом общий уровень запасов останется низким.

Слабые стороны: Наибольший пробел у ToolsGroup — это оптимизация цен. Приобретение JustEnough привело к появлению оптимизации markdown (которая является ценообразованием, но только для сценариев уценки или распродажи) ^{140 141}. Это полезно для сезонной или модной электронной коммерции, где необходимо систематически избавляться от устаревших запасов. Однако у ToolsGroup до сих пор отсутствует надежная возможность динамического ежедневного ценообразования, аналогичная Revionics от Blue Yonder или специализированным поставщикам цен. Возможно, у них есть базовая аналитика эластичности цен или они полагаются на партнеров. Если приоритет клиента — оптимизировать продажные цены (для обеспечения маржи или конкурентных преимуществ) на ежедневной основе, ToolsGroup не является самым сильным выбором. Их ДНК больше связано с планированием поставок — «как эффективно удовлетворить спрос, если цены заданы». Они начинают решать вопрос формирования спроса с помощью компонента markdown и планирования акций, но полная оптимизация цен для обычного ценообразования — не их сильная сторона ¹⁴². Таким образом, с точки зрения совместной оптимизации, ToolsGroup может оптимизировать запасы при заданной цене, но не подскажет лучшую цену для максимизации прибыли (за исключением конечного этапа через предложения по markdown). Это важное различие: оптимизация от ToolsGroup преимущественно ориентирована на поставки (уровни запасов, их пополнение), в то время как поставщики, такие как Blue Yonder или RELEX, инвестировали в ценовые движки, чтобы также предлагать ориентированные на спрос действия (изменения цен, стратегии акций) ^{142 143}. Для некоторых компаний это приемлемо — они могут использовать другой инструмент для ценообразования или устанавливать цены на основе стратегии, — но это означает, что ToolsGroup упускает часть священного грааля совместной оптимизации.

Технологический стек: Сейчас ToolsGroup предлагает облачную SaaS-версию и провел ребрендинг некоторых компонентов, присвоив им имена вроде «Inventory Hub» и «Fulfill.io», чтобы модернизировать свой имидж. Под капотом тяжелые вычисления, вероятно, все еще основаны на высоко оптимизированном C++ или аналогичном коде, который дорабатывался годами. Жалоб на производительность ToolsGroup не поступало – у них есть клиенты с миллионами комбинаций SKU и местоположений, и они справляются. Если что, уязвимость ToolsGroup может заключаться в том, что его воспринимают как «инструмент оптимизатора», требующий квалифицированной настройки для достижения максимальной эффективности ^{144 145}. Они добавляют больше готовых к использованию методов машинного обучения, таких как обнаружение спроса (корректировки краткосрочных прогнозов с учетом последних трендов) и автоматическое определение факторов, влияющих на спрос ^{145 146}. Например, они могут запускать алгоритмы определения важности признаков, чтобы сообщить пользователю, какие переменные (цена, погода, акции) оказывают наибольшее влияние на прогноз ¹⁴⁷. Они даже развеяли миф в одном из блогов о том, что вероятностное прогнозирование не может учитывать человеческое суждение — разъяснив, что планировщики могут вводить корректировки, и система будет обрабатывать их соответствующим образом (с учетом исторической предвзятости конкретного планировщика) ¹⁴⁸. Это отражает сбалансированный подход: ToolsGroup не стремится полностью исключить участие человека; они предоставляют сложный движок и допускают человеческий ввод, но математика гарантирует, что этот ввод не нарушит статистическую целостность (например, если планировщик постоянно завышает, система учитывает эту предвзятость) ^{146 148}.

ToolsGroup способен обрабатывать каннибализацию и мультиканальность в определенной степени. Их вероятностные модели могут учитывать взаимосвязанные товары при соответствующей настройке (вероятно, вам придется определить группы товаров-замен или использовать их машинное обучение для кластеризации связанных позиций) ¹⁴⁹. Это не полностью автоматизировано, но у них есть возможность моделирования, например, когда продукт A закончится, часть спроса перейдет к продукту B ¹⁴⁹. Они писали о трудностях мультиканального планирования (агрегация спроса из нескольких источников) и отмечали, что стандартные прогнозы, основанные на одном числе, не работают в таких случаях ¹⁵⁰. Решение ToolsGroup может, например, создать общий прогноз спроса по всем каналам и даже помочь распределить запасы по каналам, если это необходимо ¹⁵¹. Многие участники электронной коммерции также продают на торговых площадках или имеют несколько сайтов; ToolsGroup, вероятно, порекомендует сначала планировать глобально, а затем оптимально распределять запасы (с их системой, гарантирующей, что, например, вы не направите все запасы на свой собственный сайт, если Amazon генерирует больший спрос, и т.д.). Распределение по каналам зачастую можно регулировать с помощью простых бизнес-правил, но хорошо, что их подход по своей сути поддерживает мультиканальность, работая с вероятностями (которые естественным образом допускают объединение и разделение прогнозов по мере необходимости) ¹⁵¹.

Пользовательский опыт после приобретения заслуживает внимания. RELEX (созданная как единая платформа) может показаться более целостной, чем объединение ToolsGroup и JustEnough, которые ранее были отдельными. Возможно, ToolsGroup переработала интерфейс для создания бесшовного ощущения, но некоторые пользователи все еще могут ощущать разницу между модулем запасов и модулем ассортимента, например ^{152 153}. Мы не видели отзывов пользователей о новой объединенной платформе, но это может стать источником трения. Они, безусловно, интегрировали планирование акций с прогнозированием (так что повышение объема продаж из акций включается в прогнозы) ^{154 155}, что является важным. Как скептики, мы посоветуем потенциальным пользователям запросить демонстрацию полного рабочего процесса (например, от планирования акции до наблюдения за изменением плана запасов), чтобы убедиться, что интеграция проходит так гладко, как заявлено.

Репутация: ToolsGroup имеет множество кейсов, фокусирующихся на снижении запасов и повышении уровня сервиса — это их сильная сторона. У них не было громких провалов в публичном пространстве, как у некоторых более крупных игроков, возможно, потому что они меньше по размеру и тесно управляют проектами. Некоторые старые клиенты JustEnough были унаследованы, а возможности JustEnough для очень крупных ритейлеров, возможно, были ограничены (она была рассчитана больше на средний рынок), поэтому ToolsGroup, вероятно, пришлось это усилить ^{154 156}. Это стоит учитывать, если вы являетесь ритейлером высшего класса — убедитесь, что модуль ассортимента/планирования масштабируется в соответствии с объемом ваших данных. Сила ToolsGroup в вычислительных возможностях внушает доверие, хотя интеграция ритейловых составляющих могла потребовать определенной переработки.

В заключение, ToolsGroup является весьма надежным вариантом для компаний, стремящихся оптимизировать запасы и уровни сервиса с использованием передовой математики, теперь дополненной возможностями ритейлового планирования. Мы относим его к числу лидеров по техническому подходу благодаря длительному использованию вероятностных моделей и проверенного оптимизационного движка. Он соответствует многим нашим критериям: моделирование неопределенности (отлично), экономическая оптимизация (по своей сути оптимизирует баланс между сервисом и затратами, что является экономической целью), масштабируемость (как правило, хорошая, справляется с миллионами комбинаций SKU и локаций) и растущей степени автоматизации (клиенты часто значительно сокращают ручное планирование). Однако в части ценообразования для совместной оптимизации он несколько уступает — возможно, потребуется дополнительное решение или стратегия для динамического ценообразования, если это ключевой момент вашего бизнеса, поскольку ToolsGroup сам не оптимизирует ваши ежедневные цены ^{140 142}. Кроме того, будучи относительно небольшим поставщиком, ToolsGroup может не обладать широкой экосистемой или большой командой по внедрению, как у крупных фирм — но это может быть плюсом, если это означает более непосредственное внимание со стороны их экспертов. Наш скептический вывод таков, что ToolsGroup, несмотря на менее эффектный маркетинг, на самом деле был пионером во многих аспектах того, что сейчас называют «ИИ в цепочке поставок» (вероятностное прогнозирование, автоматизация) ^{114 115}, но его не всегда признавали как «ИИ», поскольку он занимался этим задолго до того, как термин стал модным. Теперь, когда они добавили модные термины в свое сообщение, по сути это тот же надежный движок с современной отделкой. Компаниям следует смотреть не на модные слова, а оценивать суть — для ToolsGroup суть заключается в прочной математике цепочки поставок, при этом новая задача — насколько хорошо они интегрируют возможности ритейлового планирования в эту систему.

Источники: Историческая направленность ToolsGroup и его вероятностный подход описаны в их публикациях и сторонних анализах ^{112 114}. Интеграция JustEnough и заявления о ритейле в режиме реального времени взяты из анонсов ToolsGroup ^{118 123}. Мы цитируем заявления ToolsGroup о снижении рабочей нагрузки и запасов ^{135 136} и отмечаем скептицизм по поводу того, что это лучшие показатели ¹³⁷. Недостаточная сила в ежедневной оптимизации цен выделена на основе знаний отрасли и предложения ToolsGroup (или его отсутствия) в этой области ^{140 142}. Обработка мультиканальности и каннибализации ссылается на блоги и материалы ToolsGroup ^{149 151}. Дополнительно мы используем независимый контекст, например, упоминания «устаревших поставщиков», полагающихся на приобретения (Logility/Garvis, Kinaxis/Rubikloud) для контраста с проблемой интеграции приобретения ToolsGroup ¹⁵⁷. Вопросы интеграции пользовательского опыта выведены из особенностей платформ и доступных комментариев (например, заявление о единой модели данных ToolsGroup ¹²²).

5. o9 Solutions – Интегрированное планирование «цифровой мозг» с высокими амбициями

o9 Solutions — новая компания (основана в 2009 году), которая быстро завоевывает популярность, позиционируя себя как «цифровой мозг» следующего поколения для интегрированного бизнес-планирования. Платформа o9 построена на идее корпоративного графа знаний — по сути, единой модели данных всего бизнеса — в сочетании с передовой аналитикой и ИИ для поддержки принятия решений в областях планирования спроса, управления поставками, SNOP/IBP (планирование продаж и операций) и даже управления доходами. Проще говоря, o9 стремится стать единственной платформой, где все функции планирования (прогнозирование, цепочка поставок, коммерческое и финансовое планирование) объединяются, работая на алгоритмах ИИ и интеграции данных в режиме реального времени ^{147 158}.

Интегрированный охват: o9 охватывает широкий спектр: прогнозирование спроса, планирование цепочки поставок (от закупок до производства и распределения), а также имеет модули для таких задач, как планирование цен и акций ^{159 160}. Они активно продвигают «Интегрированное бизнес-планирование (IBP)», что означает, что планы по спросу, поставкам и финансам синхронизированы в o9 ¹⁶¹. Это соответствует тенденции разрушения информационных барьеров — не только в цепочке поставок, но и между цепочкой поставок и коммерческим планированием. Например, если отдел продаж планирует акцию, план поставок в o9 узнает об этом мгновенно; если на стороне поставок возникает ограничение, финансовый план сразу видит его влияние. Это целостный подход, к которому стремятся многие крупные предприятия.

Для совместной оптимизации o9 действительно предлагает инструменты оптимизации цен: они упоминают интеграцию планирования спроса с моделями эластичности и внешними контрольными листами факторов для определения оптимального времени изменения цен ¹⁵⁹. Они также обладают возможностями оптимизации акций, чтобы анализировать историческую эффективность промо-акций и планировать будущие кампании. Хотя o9 не является специализированным поставщиком цен, у него есть компоненты для корректировки спроса через ценообразование и интеграции этого в решения по управлению запасами. Вероятно, этот подход более высокого уровня (например, сценарное планирование ценовых стратегий) и не столь детализирован, как Revionics для ежедневных изменений цен, но он охватывает как акции, так и ценообразование в контексте общего планирования. Таким образом, в отличие от Kinaxis (который исторически не занимался ценообразованием), o9 в определенной степени решает вопросы доходной составляющей, что является плюсом в наших критериях совместной оптимизации.

ИИ и аналитика: o9 позиционирует себя как платформа, основанная на ИИ. Под капотом она включает в себя ряд аналитических инструментов:

• Прогностическая аналитика: статистическое прогнозирование и модели машинного обучения для спроса и поставок ¹⁴⁷.
• Прескриптивная оптимизация: у нее есть оптимизационные движки (вероятно, решатели методов линейного/целочисленного программирования и т.д.) для планировочных сценариев ¹⁵⁸.
• Симуляция и сценарное планирование: встроенный анализ «что если», позволяющий пользователям легко моделировать различные сценарии спроса и поставок ¹⁶².
• Генеративный ИИ и НЛП: недавно o9 акцентировала внимание на использовании генеративного ИИ (аналог ChatGPT) для таких задач, как запрос плана на естественном языке или автоматическая генерация аналитических выводов ¹⁶³. Это новая тенденция для улучшения пользовательского опыта, а не основа математической модели.
• Открытая архитектура: o9 позволяет интеграцию с библиотеками R/Python ¹⁶⁴, что означает, что специалисты по данным могут подключать собственные алгоритмы при необходимости. Такая открытость привлекательна для продвинутых пользователей, желающих расширить возможности ИИ платформы.

Эти функции позволяют сделать вывод, что ИИ o9 — это не просто поверхностный слой; он достаточно глубоко интегрирован. Они представляют ИИ/машинное обучение не как «встроенное дополнение», а как неотъемлемую часть аналитического движка ¹⁶⁵. Например, o9 может использовать модели машинного обучения для обнаружения спроса (аналогично RELEX, корректируя краткосрочные прогнозы с учетом последних данных). Они также подчеркивают наличие «цифрового двойника» предприятия, на котором выполняется оптимизация для выдачи прескриптивных рекомендаций ^{166 158}. Эта концепция заключается в том, что модель o9 так точно отражает вашу реальную цепочку поставок (мощности, ограничения и т.д.), что способна точно симулировать результаты и предлагать действия (например, если определенный завод выходит из строя, система может предложить перенаправить производство на другой завод и перераспределить запасы соответствующим образом).

Технический стек: o9 построена как современное облачное решение, часто развертываемое на платформе Microsoft Azure. Они выделяют:

• Язык интегрированного бизнес-планирования (IBPL) — специальная среда скриптов в o9 для создания моделей и отчетов ¹⁶⁷. Это аналогично Envision от Lokad или языку моделирования AIMMS, позволяющему настраивать процессы сверх стандартной конфигурации.
• Большие данные и обработка в памяти: они используют сочетание технологий; упоминания о Hadoop и техниках обработки в памяти указывают на то, что они стремятся обрабатывать большие объемы данных с использованием распределенного хранения и быстрого доступа к памяти. Возможно, базовые данные хранятся в Hadoop (или аналогичной распределенной файловой системе), а затем загружаются фрагменты в память для быстрого расчета.
• Графовые базы данных: Forbes отметил использование o9 концепций графовых баз данных ¹⁶⁸, что соответствует их подходу «графа знаний» — представлению сущностей (товаров, клиентов, поставщиков) и отношений между ними в виде графа, что может быть мощным для определенных запросов, например, для определения того, как сбой одного звена повлияет на всю сеть ¹⁶⁹.
• API и интеграция: у них есть открытые API для подключения к ERP-системам и другим платформам, признавая, что интеграция является ключевым аспектом ¹⁷⁰.

Таким образом, технически o9 является довольно облачным решением, рассчитанным на масштабирование. Можно ожидать, что оно сможет обрабатывать большие объемы прогнозирования, модели цепочки поставок и т.д., используя комбинацию памяти и распределенных вычислений. Вероятно, для каждого клиента потребуется значительная настройка (например, построение цифрового двойника их цепочки поставок). Наличие специального скриптового языка означает, что продвинутые клиенты могут глубоко адаптировать систему, но это также означает, что решение не является полностью готовым к использованию «из коробки» — потребуется определенное моделирование (аналогично философии Lokad, хотя o9 также имеет больше готовых шаблонов для стандартных процессов, поскольку они нацелены на стандартизированные процессы крупных предприятий).

Независимая экспертиза: o9 демонстрирует быстрый рост и имеет высокопрофильных клиентов (например, они объявили о сделке с Toyota в 2025 году ¹⁷¹). Независимые статьи подчеркивают инновационность o9: например, материал Dallas Innovates обсуждал их «Цифровой мозг» и то, как он разрушает изолированность ¹⁷². Forbes отметил их технологическую дифференциацию, например, использование графовой БД и продвинутой оптимизации ¹⁶⁹. Это придает уверенности, что o9 не просто маркетинговый ход – они привлекают внимание за настоящие инновации. Кроме того, они сотрудничают с крупными SI (системными интеграторами), такими как HCL, а также с технологическими компаниями, такими как Microsoft, что демонстрирует доверие к их платформе ¹⁷³.

Скептический взгляд – Проблемы: Хотя видение o9 привлекательно, мы проявляем осторожность в нескольких направлениях:

• Избыток модных слов: o9 свободно использует такие термины, как «автономная цепочка поставок», «цифровой двойник», «граф знаний», «генеративный ИИ». Некоторые из этих концепций действительно присутствуют в продукте, но они могут затмевать базовые принципы. Например, многие поставщики проводят сценарное планирование и называют это цифровым двойником – упаковка этого под модными названиями от o9 не означает автоматически, что продукт лучше. Настоящий вопрос заключается в том, насколько эффективно они могут внедрить эти идеи для клиента, а не просто упомянуть их.
• Сложность интеграции: Построение единой цифровой модели крупного предприятия является сложной задачей. Это означает подключение к множеству источников данных (ERP, CRM, MES и т.д.), очистку данных и их отображение в структуре o9. Если качество данных низкое или они разделены на изолированные системы, проект o9 может столкнуться с трудностями. Успех платформы, как отметил один анализ, «зависит от качества данных, бесшовной интеграции… и принятия пользователями» ¹⁶⁹. Это верно для всего программного обеспечения планирования, однако широкий охват o9 означает, что он затрагивает множество систем – что увеличивает объем интеграционных работ. Некоторые пользователи могут посчитать подавляющим необходимость одновременно цифровизировать каждый аспект планирования.
• Принятие пользователями: Если корпоративная культура привыкла разделять процессы планирования, переход на единую платформу, такую как o9, может стать серьёзным изменением. Инструмент может быть отличным, но если, например, финансовая команда не доверяет прогнозам, основанным на цепочке поставок, они могут сопротивляться. То, что o9 является единственным источником правды, требует организационного согласования, что может быть непросто (это не технический недостаток o9, а реальная проблема на практике).
• Доказанная окупаемость инвестиций: o9 имеет кейс-стади и быстро растет, что подразумевает, что он приносит ценность. Однако, как относительно молодой продукт, данные о его долгосрочной эффективности в публичном доступе ограничены. Некоторые клиенты восторгаются им, другим он может показаться сложным. Вопрос в том, превосходят ли его результаты (улучшение сервиса, сокращение запасов и т.д.) старые подходы. Учитывая, что он зачастую заменяет либо устаревшие системы, либо процессы в Excel/ручные методы в крупных компаниях, можно ожидать значительных улучшений, хотя каждая среда уникальна.

В сравнении с другими участниками исследования, фокус o9 несколько шире (не только цепочка поставок, но и общий IBP). Что касается совместной оптимизации запасов и ценообразования, o9 соответствует требованиям, поскольку имеет модули для обоих направлений, однако их оптимизация ценообразования может быть не такой глубокой, как у Lokad или Blue Yonder. Возможно, они полагаются больше на сценарный анализ (например, «вот как может измениться спрос при разных ценовых уровнях»), после чего планировщики принимают решения, а не автоматически генерируют оптимальные цены ежедневно. Они упоминают «PriceAI» на Microsoft’s app source, который корректирует цены на основе рыночных данных и целей ¹⁷⁴, что подразумевает наличие хотя бы некоторой функции автоматического динамического ценообразования. Если это так, o9 может потенциально оптимизировать цены без участия пользователя, например, для интернет-магазина, с учетом правил и данных о конкурентах. Без прямой обратной связи пользователей мы остаемся осторожно оптимистичными относительно того, что ценообразование o9 является достойным, хотя оно не выделяется как их основное отличие.

Там, где o9, вероятно, превосходит, это сценарное планирование и межфункциональная координация. Пользователь может проигрывать сценарии «что если» (например, «Что, если мы повысим цены на 5% в этой категории, а ключевой поставщик задержится на 2 недели? Как это скажется на выручке и запасах?»), и o9 способен смоделировать всю цепочку последствий. Это мощный инструмент для принятия решений, несмотря на то, что для интерпретации и использования этих данных требуются квалифицированные специалисты. Он больше опирается на модель “человек в цикле” (система генерирует инсайты, а человек принимает решение), нежели чем на чистую автоматизацию. Однако они движутся в сторону более автоматизированных рекомендаций. В маркетинге они позиционируют себя как систему «управления решениями» или «интеллекта решений», что означает стремление автоматизировать и рутинные решения.

Текущее положение на рынке: Согласно аналитическим отчетам (IDC, Gartner и т.д.), o9 часто позиционируется как лидер или визионер благодаря своей современной технологии и быстрому росту. Сообщается, что их подписной доход вырос на 37% в 2024 году ¹⁷⁵, что свидетельствует о динамике. У них также есть значимые победы (пример с Toyota и другие компании из списка Fortune 500). Это говорит о том, что на практике крупные компании рассматривают o9 как жизнеспособную альтернативу таким традиционным игрокам, как SAP или Kinaxis, в области планирования.

Стоит отметить, что o9 не застрахован от общих проблем корпоративного программного обеспечения. Внедрение может быть непростым; успех зачастую зависит от партнера по внедрению (поскольку многие крупные SI реализуют o9 для клиентов). Если проект реализован неудачно, инструмент могут обвинить в провале. Мы не сталкивались с конкретными кошмарными историями, связанными с o9 – что может означать, что пока не было крупных публичных неудач, либо что рано делать выводы. Это также может свидетельствовать о том, что они часто дополняют, а не заменяют полностью все системы на начальном этапе (некоторые клиенты могут использовать o9 для отдельных аспектов планирования и постепенно внедрять его).

Наша оценка: Мы рассматриваем o9 Solutions как серьезного претендента, предлагающего по-настоящему современную архитектуру и интегрированную философию. Он соответствует нашим критериям в нескольких аспектах: он действительно учитывает ценообразование и продвижение как часть планирования, а не как послеthought (хотя глубина оптимизации в этом направлении может быть умеренной, интеграция присутствует) ^{159 160}. Он справляется с неопределенностью с помощью продвинутого прогнозирования (вероятно, поддерживает вероятностное или, по крайней мере, сценарное планирование, учитывая акцент на рисках и обнаружении) и создан для масштабируемости и скорости, используя облачные вычисления и in‑memory технологии там, где это уместно ¹⁷⁶, хотя мы будем следить за затратами, если используется много in‑memory (аналогичные соображения, как у Kinaxis относительно скорости и использования памяти). Его подход к автоматизации является несколько гибридным: он автоматизирует аналитику и может выдавать предписывающие рекомендации, но мы предполагаем, что многие пользователи o9 всё ещё используют его как инструмент поддержки принятия решений, а не как полностью автоматизированную систему с замкнутым циклом. Тем не менее, видение «автономной» цепочки поставок явно прослеживается в их сообщениях – они даже называют свою платформу «цифровым мозгом на базе ИИ» для этой цели ¹⁷².

Мы остаемся скептичными к любым излишним обещаниям (например, если кто-то подразумевает, что o9 без усилий объединит все аспекты планирования за одну ночь – на это потребуется работа). Однако этот скептицизм смягчается тем фактом, что o9 продемонстрировал свою способность посредством растущей клиентской базы. По сути, это одна из тех платформ, которая могла бы дать много результатов при полном использовании своего потенциала, хотя степень автоматизации принятия решений в разных компаниях может варьироваться.

Если рассматривать ранжирование, при узкой специализации (оптимизация запасов/цен) o9 мог бы занимать место чуть ниже таких игроков, как Lokad или RELEX, поскольку они целенаправленно решают именно эту проблему (Lokad) или работают в конкретной отрасли (RELEX для розничной торговли) с проверенными алгоритмами. o9 охватывает более широкий спектр, и поэтому у него могут отсутствовать узкоспециализированные алгоритмы в некоторых нишах, однако он хорошо покрывает большую часть процессов и технологически актуален. Мы даем o9 высокие оценки за видение и надежную техническую основу, с единственным условием, что мы хотели бы видеть больше публичных доказательств достигнутых результатов (например, помог ли он компаниям достичь определенного процента автоматизации или сокращения запасов, и т.д., помимо анекдотичных утверждений).

Источники: Возможности o9 обобщены на основе официальных источников ^{161 159} и обзора, написанного Lokad, подчёркивающего его технические особенности ^{167 176}. Независимые статьи, подтверждающие подход o9 и его успех, цитируются ^{172 169}. Наши скептические замечания ссылаются на общее оценивание модных слов по сравнению с реальностью ¹⁶⁹. Информация о модуле ценообразования o9 и планировании продвижения взята из описаний на их сайте ^{159 160}. Мы также отмечаем примеры их роста и побед клиентов, о которых сообщается в пресс‑релизах ^{175 171}.

6. Kinaxis – Быстрый лидер «конкуррентного планирования», которому не хватает компонента ценообразования

Kinaxis – канадский поставщик, известный своей платформой RapidResponse, которая на протяжении десятилетий является оплотом в планировании цепочек поставок (особенно в высокотехнологичном и автомобильном секторах). Фирменной особенностью Kinaxis является конкуррентное планирование – возможность обновления всех частей плана цепочки поставок (спрос, предложение, запасы, мощности) в режиме реального времени, а также возможность одновременной работы нескольких планировщиков с одними и теми же данными. По сути, Kinaxis стал пионером сверхбыстрого in‑memory движка для планирования, который мог пересчитывать планы «на лету», когда что‑то менялось, предоставляя пользователям мгновенный анализ «что если» и каскадные обновления ^{177 13}. Это было революционно 15 лет назад, когда большинство планирования выполнялось пакетно. Он остаётся очень популярным для Sales & Operations Planning (S&OP) и операционного планирования в условиях сложного производства.

Однако исторически Kinaxis фокусировался на уравновешивании спроса и предложения – а не на ценообразовании или управлении доходами. Их клиенты зачастую являются производителями по принципу «build-to-stock» или «build-to-order», для которых важны точность прогнозов, выполнение обязательств по поставкам и соблюдение уровней сервиса, а не динамическое ценообразование. До недавнего времени у Kinaxis не было встроенного модуля продвинутого статистического прогнозирования; клиенты либо импортировали прогнозы, либо использовали базовые методы. Осознав сдвиг рынка в сторону ИИ, Kinaxis начал добавлять прогнозирование и аналитику на основе машинного обучения посредством приобретений и партнерств. В частности, в 2020 году Kinaxis приобрёл Rubikloud – стартап в сфере ИИ, специализирующийся на прогнозировании спроса и аналитике для розничной торговли ¹⁷⁸. Они также вступили в партнёрство для внедрения возможностей вероятностного прогнозирования. По сути, это были дополнения (bolt‑ons) для устранения пробелов ^{178 157}. Например, технология Rubikloud могла обеспечить лучшее определение спроса для розничной торговли/CPG, дополняя сильные стороны Kinaxis в планировании поставок. Однако интеграция этих возможностей в RapidResponse остаётся продолжающимся процессом.

С нашей точки зрения, Kinaxis отстаёт в совместной оптимизации запасов и ценообразования, поскольку в значительной степени не затрагивает аспект ценообразования. Это, прежде всего, инструмент планирования цепочек поставок (спрос, предложение, запасы, мощности, возможно, финансовые показатели S&OP), а не средство мерчендайзинга или ценообразования. Даже после приобретения Rubikloud – который предоставлял решения с некоторым розничным ИИ для промоакций – основное предложение Kinaxis всё ещё лишено оптимизации цен. Возможно, они позволяют моделировать сценарий, при котором план спроса просчитывается с различными ценовыми предположениями, но механизма для рекомендации цен у них нет. Таким образом, если компании требуются интегрированные решения для принятия ценовых решений, Kinaxis придётся сочетать с отдельным решением для ценообразования. Это критический пробел в рамках совместной оптимизации, поэтому мы снижаем оценку Kinaxis в контексте комплексной AI‑оптимизации.

Что касается работы с неопределённостью, первоначальный подход Kinaxis был более детерминированным. Он опирался на один прогноз (часто предоставленный пользователем или являющийся результатом консенсусного плана), после чего выполнял распространение поставок. Они изначально не предлагали вероятностное прогнозирование или оптимизацию запасов безопасности; вместо этого пользователи устанавливали правила для запасов, и Kinaxis следовал им. С недавними улучшениями они внедрили элементы вероятностного планирования (вероятно, посредством партнёрств) для расчёта, например, уровней буфера при неопределённости. Однако нельзя сказать, что Kinaxis был пионером в использовании вероятностных методов – он догоняет конкурентов через дополнения. Сейчас в их сообщениях присутствуют элементы AI/ML, и у них есть решение под брендом «Planning.AI», но подробностей мало. Похоже, что в основном происходит интеграция прогнозирования на основе машинного обучения и, возможно, обнаружения аномалий, а не разработка стохастической оптимизации с нуля. Действительно, критический анализ отметил, что Kinaxis по сути представляет собой эволюционирующую устаревшую архитектуру: детерминированное ядро с добавлением новых AI‑компонентов ¹⁷⁹. Это вызывает вопросы о согласованности технологического стека. Новые AI‑модули могут быть не полностью интегрированы (например, вам всё ещё придётся запускать отдельный процесс для ML‑прогноза, а затем загружать его в in‑memory движок).

In‑memory конкурентный движок Kinaxis является одновременно его сильной стороной и ахиллесовой пятой. Он обеспечивает чрезвычайно быстрые расчёты и моделирование сценариев для умеренных объёмов данных, но если загрузить в него крайне большие данные, можно столкнуться с ограничениями памяти и производительности ^{180 181}. Это подобно супер‑мощной таблице, с которой могут работать сразу несколько человек – отлично для интерактивного использования, но не предназначено, скажем, для анализа миллиардов записей одновременно. Обычно Kinaxis работает на агрегированном уровне (недельные периоды, группы продуктов или SKU в зависимости от ситуации). Если компания попытается использовать Kinaxis, например, для планирования миллионов комбинаций SKU-клиент в реальном времени, у неё могут возникнуть трудности или потребуется колоссальное количество ОЗУ и серверных кластеров. Это известный компромисс: Kinaxis выбирает скорость за счёт масштабируемости. Они решают эту проблему, позволяя разгружать некоторые детали (например, с помощью эвристик или упрощённых предположений для мелких деталей). Однако по своей природе система не так ориентирована на «большие данные», как, например, подход Lokad или o9 ^{182 183}. Например, один источник отметил, что компании могут столкнуться с порогами затрат/производительности, если их данные огромны, если они не инвестируют в мощное оборудование для Kinaxis ¹⁸⁰. Kinaxis осознаёт это и, вероятно, работает над распределением вычислений (особенно сейчас с облачными развертываниями), но это ограничение продиктовано его конструкцией.

С другой стороны, Kinaxis известен сильным сценарным планированием и принятием решений с участием человека. Планировщики используют его для совместной работы и быстрого реагирования на изменения (например, внезапный скачок спроса или проблемы с поставщиком). Речь идёт не столько об автоматизации каждого решения, сколько о том, чтобы направлять человеческих планировщиков к принятию лучших и более быстрых решений. Kinaxis часто продвигает синергию «человек + ИИ», а не полную автономию ^{184 185}. Они даже назвали свои возможности в области ИИ «Maestro» – платформой оркестрации, предназначенной для помощи планировщикам, а не для их замены ^{186 187}. В наших критериях мы отдаём предпочтение большей автоматизации, но можно утверждать, что философия Kinaxis прагматична: пусть люди делают то, что у них получается лучше всего (оценка, обработка исключительных случаев), а машины мгновенно выполняют вычисления. Недостатком является то, что система всё ещё требует большего участия планировщиков и не сокращает трудозатраты так существенно, как, например, заявляют Lokad или ToolsGroup.

Kinaxis публично не участвовала в конкурсах по прогнозированию или в чем-то подобном, и, будучи платформой, её алгоритмическое совершенство в отрыве от других компонентов оценить сложнее. Её ценность доказана в многих компаниях за счёт повышения гибкости и улучшения сервисных показателей (существуют кейс-стади по сокращению запасов, ускорению циклов планирования и т.д., хотя мы не будем приводить конкретные примеры, так как они часто поступают из маркетинга Kinaxis). Кроме того, приобретение Rubikloud компанией Kinaxis свидетельствует о том, что она осознала необходимость в более качественном прогнозировании с помощью AI/ML, особенно для обслуживания сегментов розничной торговли и потребительских товаров, а также чтобы не отставать от AI-трендов. Rubikloud привнесла экспертные знания в области AI для прогнозирования спроса и даже определения цен для розничной торговли (у Rubikloud были продукты для оптимизации промоакций). Но интеграция Rubikloud в Kinaxis, вероятно, означает, что эти функции существуют как отдельные модули или сервисы, а не как глубоко интегрированная оптимизация. Критика в обзоре MQ заключалась в том, что новые функции Kinaxis являются «дополнениями», вызывающими вопросы к связности технологического стека ¹⁵⁷ – например, является ли компонент Rubikloud лишь слабо связанным?

Конкурентная позиция: В «магическом квадрате» Гартнера 2024 по планированию цепочек поставок Kinaxis по-прежнему была лидером, во многом благодаря своему отличному опыту исполнения (множество клиентов, стабильные финансовые показатели) ¹³. Но с технической точки зрения её воспринимают как развивающуюся, а не по-настоящему передовую в области AI. Гартнер отметил достоинства в области автоматизации и согласованности, однако независимый анализ выявил противоречия: Kinaxis заявляет о поддержке работы в реальном времени и любого уровня детализации, но на деле масштабирование детализации и работы в реальном времени сложно, даже для Kinaxis ¹⁸¹. Параллелизм Kinaxis превосходен для краткосрочного перепланирования и моделирования, но он не является изначально вероятностным или направленным на оптимизацию затрат – всё равно необходимо задавать правила и просматривать результаты, вместо того чтобы система самостоятельно оптимизировала целевую функцию (хотя у Kinaxis есть некоторые оптимизационные решатели для конкретных задач, таких как распределение поставок, это не глобальная оптимизация всех решений).

Для интеграции ценообразования и рыночных данных Kinaxis не собирает нативно цены конкурентов и не принимает решения по установлению цен. Возможно, она может учитывать такие факторы спроса, как цена, в качестве входных данных для своих прогнозов, если они предоставлены, но сама по себе эти данные не собирает. Приобретение Rubikloud, возможно, дало им возможность учитывать факторы промоакций и, возможно, использовать AI для анализа их эффективности. Однако повседневное ценообразование не входит в их сферу.

Оценка: Kinaxis остаётся одним из ведущих решений для планирования цепочек поставок в сложных производственных и дистрибуционных сценариях, где критически важны скорость реакции и совместная работа. Безусловно, оно помогает компаниям очень быстро проводить сценарные анализы «что если» и поддерживать синхронность планов. Однако, согласно нашему определению оптимизации цепочек поставок с поддержкой AI, включающей ценообразование и полностью автоматизированное принятие решений, Kinaxis отстаёт. Оно рассматривает планирование как задачу, которую выполняют специалисты при поддержке мощных инструментов, а не как процесс, который система полностью автоматизирует от начала до конца. Оно не оптимизирует ценообразование или ассортимент (за исключением обеспечения того, чтобы планы поставок соответствовали существующему ассортиментному плану). Таким образом, в рейтинге совместной оптимизации Kinaxis будет ниже, поскольку оптимизация происходит преимущественно в рамках отдельного сегмента цепочки поставок. Мы также настороженно относимся к его зависимости от in-memory технологий – хотя они превосходны для интерактивного использования, они могут оказаться дорогостоящими и требовать упрощения данных для очень больших задач ^{180 183}. Например, если компания электронной коммерции попытается использовать Kinaxis для перепланирования 100 миллионов комбинаций SKU и местоположений каждую минуту, это не будет подходящим инструментом; он лучше подходит для планирования на высоком уровне, например, для тысяч семейств SKU и т.д.

Также следует учитывать, что типичные клиенты Kinaxis (например, производитель электронной техники или поставщик автокомпонентов) могут не нуждаться в оптимизации цен с помощью Kinaxis, поскольку ценообразованием часто занимаются отдельные коммерческие команды или используют схемы наценки в этих отраслях. Поэтому Kinaxis не делал этого приоритетом. Но по мере того, как мир переходит к более интегрированным решениям и AI, Kinaxis придётся либо расшириться в этих областях, либо рисковать выглядеть устаревшей.

Отмечаем, что Kinaxis начала сотрудничество с другими технологическими компаниями (например, было объявлено о партнёрстве с Databricks для поддержки AI и сокращения фрагментации ¹⁸⁸). Это свидетельствует о том, что они понимают необходимость лучше работать с большими данными и AI, используя современные платформы данных. Это хороший шаг, но он подчёркивает, что они добавляют новые компоненты к устаревшему ядру.

В заключение, Kinaxis представляет собой своего рода смесь плюсов и минусов. Он отлично справляется с тем, для чего был создан – быстрым, параллельным планированием цепочек поставок с участием человека – и доказал свою ценность в этой области. Но в контексте данного исследования по целостной оптимизации с использованием AI Kinaxis не обладает ключевыми ингредиентами (ценообразование, полная автоматизация, вероятностная оптимизация) и имеет техническую архитектуру, которая, хотя и эффективна для определённого масштаба, не способна масштабироваться экономически эффективно для работы с огромными объёмами данных или учитывать неопределённость самым элегантным способом. Компании с крупномасштабными розничными сетями или требующие решений по ценообразованию могут посчитать Kinaxis недостаточным без дополнительного расширения функционала. Таким образом, мы оцениваем Kinaxis ниже по шкале инноваций в оптимизации с использованием AI, хотя признаём его сильное послужное число в планировании цепочек поставок. Это классический пример солидного игрока, пытающегося переосмыслить себя: он добавляет AI-функции (как технологии Rubikloud) и рекламирует «Planning AI» в маркетинге ¹⁸⁹, но мы советуем потенциальным пользователям заглянуть под капот – большая часть AI Kinaxis может оказаться поверхностными дополнениями или точечными решениями, а не преобразованным ядром на данный момент ¹⁸⁹.

Источники: Одновременное планирование Kinaxis и наследие подхода на основе in-memory технологий отмечены в анализах ^{177 180}. Добавление AI посредством приобретения Rubikloud задокументировано ¹⁷⁸. Критика AI-дополнений и проблем масштабируемости исходит из обзора Lokad на Gartner MQ ^{157 13}. Заявления Kinaxis об автоматизации и реальность ограничений памяти цитируются ^{13 181}. Мы также ссылаемся на заявления Kinaxis о комбинировании человеческого интеллекта с AI (на их сайте и в маркетинговых материалах используются термины вроде «человеческий интеллект с AI» ¹⁸⁴). Партнёрство с Databricks для усиления обработки AI-данных упоминается в материале BusinessWire ¹⁸⁸, что демонстрирует их намерение устранить некоторые недостатки.

Заключение: Поиск баланса между хайпом и реальностью в оптимизации цепочек поставок с использованием AI

В данном рыночном исследовании мы применили критический, основанный на доказательствах подход к области оптимизации цепочек поставок с использованием AI. Результаты показывают, что на рынке присутствуют немногим действительно способные игроки и множество притворщиков. Концепция сквозной оптимизации запасов, ценообразования и ассортимента в условиях неопределенности чрезвычайно требовательна – она требует строгих математических расчётов, масштабируемых технологий и доверия к автоматизации, которое не способны обеспечить все поставщики.

Lokad выделяется своим единым, вероятностным подходом и акцентом на оптимизации решений вместо разрозненного планирования. Это и есть то, что подразумевается под «поддерживаемым AI»: индивидуальное моделирование бизнеса, вероятностные прогнозы, напрямую влияющие на экономические правила принятия решений, и автоматизация, позволяющая системам работать практически без вмешательства ^{21 3}. Эффективность его облачной архитектуры по затратам ³² и ощутимые доказательства, такие как результаты участия в конкурсе M5 ²¹, дополнительно укрепляют его лидерский статус. Недостатком является необходимость квалифицированной настройки – цена за гибкость и глубину.

RELEX и Blue Yonder, как крупные поставщики комплексных решений, предлагают широкий функционал и стремятся к модернизации. RELEX блистает в розничной торговле благодаря своему AI-оттенку и интегрированной платформе, охватывающей всё – от расположения полок до ценообразования – с использованием прагматичного AI, обрабатывающего бесчисленные сигналы ^{40 50}. Мы обнаружили, что сильные стороны RELEX в вероятностном прогнозировании и безупречном пользовательском опыте частично компенсируются тем, что часть заявленной «автономии» всё ещё требует человеческого управления и тщательной проверки данных ^{60 11}. Blue Yonder, будучи силой в цепочках поставок на протяжении десятилетий, явно располагает всеми необходимыми компонентами (особенно после интеграции Revionics для ценообразования) и глубокими отраслевыми алгоритмами ^{72 98}. Однако это латание на ходу: наш анализ выявил, что единое видение Blue Yonder «Luminate» остаётся скорее идеей, чем полностью реализованным на практике ^{76 78}. Клиентам следует осторожно относиться к разрывам в интеграции и техническому долгу, стоящему за AI-слоганами – судебное разбирательство с Dillard’s ярко демонстрирует, что происходит, когда обещания опережают реальность. И RELEX, и Blue Yonder являются лидерами по возможностям, но требуется скептический взгляд, чтобы отделить их подлинные инновации (например, непрерывное перепрогнозирование RELEX, проверенные алгоритмы MEIO от Blue Yonder) от маркетинговых преувеличений (например, заявлений о полном охвате в реальном времени).

ToolsGroup происходит из наследия количественной строгости (бывший пионером вероятностной оптимизации запасов) и теперь дополнен возможностями розничного планирования посредством приобретений. Мы обнаружили, что ToolsGroup обладает технической силой в управлении неопределённостью и автоматизации планирования поставок ^{7 135}, и оно достаточно откровенно заявляет о том, что делает (обеспечение уровня сервиса и управление запасами) и что не делает (ежедневная оптимизация цен) ^{140 142}. Его задача – полностью интегрировать новые возможности мерчендайзинга, чтобы обеспечить совместную оптимизацию, а не последовательное планирование. Тем не менее, его акцент на математике оптимизации вместо поверхностного маркетинга освежает в отрасли, где некоторые новички утопают в модных терминах.

o9 Solutions представляет новую волну «AI-платформ» и действительно впечатляет современной технологической базой и широким интегрированным охватом. Она стремится стать «цифровым мозгом», охватывающим всё планирование, и использует передовые идеи, такие как графы знаний и открытые алгоритмические хабы ^{167 169}. Наш скептицизм в отношении o9 не связан с её технологией (которая выглядит надёжной), а с сложностью реализации концепции универсальной платформы на практике. Она обещает многое – и, вероятно, способна быстро предоставить отдельные решения (есть доказательства успешных проектов) – но компаниям следует быть осторожными, чтобы не увлечься грандиозным видением без обеспечения пошаговой ценности. Плотность модных слов вокруг o9 высока, поэтому потенциальные пользователи должны требовать конкретных демонстраций для решения своих специфических задач (например, как именно o9 будет совместно оптимизировать наше ценообразование и запасы, используя наши данные). Потенциал, безусловно, имеется.

Наконец, Kinaxis (а также SAP или Oracle, если говорить в общих чертах) демонстрируют, что лидерство в традиционном планировании цепочек поставок не означает автоматического лидерства в оптимизации с использованием AI. Движок параллельного планирования Kinaxis превосходен для тех задач, для которых он был создан – быстрого перепланирования с участием человека – но это подчёркивает одну тему: многие устоявшиеся компании интегрируют AI-функции в свои устаревшие ядра ^{178 179}. Они могут отметить, что «есть AI/ML», но делают это фрагментарно, иногда поверхностно. Отсутствие интеграции ценообразования в Kinaxis является явным недостатком в исследовании, где ценится совместная оптимизация. SAP и Oracle, которые здесь рассмотрены мельком, следуют схожей схеме: огромные портфели с примесями AI (SAP рекламирует «Business AI» по всему своему ассортименту ¹⁹⁰, Oracle акцентирует внимание на «компонуемой архитектуре» с AI ¹⁹¹), но эти гиганты в основном по-прежнему предлагают модульные решения, которые пользователям приходится самостоятельно объединять. Бремя интеграции часто ложится на клиента или требует дорогостоящих консультантов, в то время как ранее рассмотренные поставщики стремятся обеспечить более бесшовный опыт. И, как отмечают критики Gartner MQ, эти крупные игроки зачастую пользуются статусом лидера благодаря своему размеру и связям, а не техническому превосходству ^{192 193}.

Основные выводы:

• Остерегайтесь модных слов: Многие поставщики свободно используют такие термины, как «поддерживаемый AI, когнитивный, автономный». Наше исследование показало, что без глубокого анализа технической документации или независимых исследований легко оказаться введённым в заблуждение. Например, поставщик, заявляющий о «планировании с AI в реальном времени», может всё ещё полагаться на ночные пакетные расчёты с некоторыми ML-прогнозами – по сути, это старое в новой упаковке ^{85 86}. Всегда требуйте конкретики: что именно делает AI? Как он тестируется или валидируется? Могут ли они количественно доказать улучшения? Скептический подход подразумевает требование прозрачности, и мы этим и занялись – выяснив, например, что некоторый «AI» просто означает применение XGBoost или нейронных сетей для прогнозирования вместо ARIMA, что, в принципе, нормально, но не является революционным.

• Интеграция — это ключ (и ахиллесова пята): Священная цель – единая система, которая оптимизирует традиционно разрозненные области (запасы, ценообразование, ассортимент). Однако, реальность такова, что поставщики исходят из разных сфер и объединяют возможности, «сшивая» их вместе. Lokad обошёл эту проблему по замыслу (построив единое моделирование через программный код). RELEX разработал большинство решений внутри компании, что придаёт целостность, но даже ему пришлось позже добавить ценообразование. Blue Yonder и ToolsGroup выбрали путь, обусловленный приобретениями, и всё ещё объединяют эти компоненты ^{76 118}. Текущее состояние большинства предложений – «интегрированное, но не идеально единое». Компаниям следует быть готовыми к значительным усилиям для обеспечения слаженной работы всех частей. Поставщики, переходящие на общие платформы данных (Blue Yonder со Snowflake, ToolsGroup с Inventory Hub и т.д.), движутся в правильном направлении, но это длительный процесс. Пока же следует предполагать, что межфункциональная оптимизация потребует итеративных процессов и человеческого контроля, чтобы ничего не ускользнуло.

• Вероятностная и экономическая оптимизация являются обязательными в условиях неопределённости: Нам было приятно обнаружить, что важность вероятностного прогнозирования теперь широко признаётся. Все ведущие поставщики в нашем исследовании либо выполняют это нативно, либо, по крайней мере, заявляют о такой поддержке. Это положительное развитие по сравнению с эпохой детерминистских планов, которые часто приводили к неприятным сюрпризам. Аналогичным образом наблюдается тенденция к включению соображений затрат и прибыли – по сути, переход от чисто ориентированного на уровень обслуживания или коэффициент заполнения мышления к решениям, оптимальным с точки зрения прибыли ¹⁹⁴. Тем не менее, степень этого вариирует. ToolsGroup и Lokad чётко оптимизируют в соответствии с целями по сервису или прибыли. RELEX и Blue Yonder учитывают компромиссы затрат в некоторых планах (например, балансируя затраты от завышенных и заниженных прогнозов ¹⁹⁵). Пользователи, оценивающие решения, должны обращать внимание на то, насколько хорошо инструмент способен расставлять приоритеты с учётом экономической ценности (например, не рассматривая все перебои с запасами как равные – перебой с низкомаржинальным товаром не столь критичен, как с высокомаржинальным и т.д.). Если поставщик не может легко учитывать себестоимость единицы, затраты на хранение, ценовую эластичность и прочее, то никакое количество AI-волшебства не даст по-настоящему оптимального результата. Он просто предложит «приемлемый» план, что может означать упущенную выгоду.

• Автоматизация против управления – человеческий фактор: Основной темой во всех анализах поставщиков был уровень достижимой автоматизации по сравнению с необходимостью человеческого контроля. Существует баланс между крайней автоматизацией (настроил – и забыл) и гибкостью для пользователя. Некоторые поставщики склонны к автоматизации (Lokad нацеливается на неё, RELEX предлагает её, но затем добавляет множество настраиваемых пользователем рычагов ¹¹). Другие, такие как Kinaxis, отдают предпочтение тому, чтобы предоставить пользователям больше контроля за счёт уменьшения автоматизации. Идеальный выбор зависит от культуры и зрелости компании. Скептическая позиция этого исследования заключается в том, что многие поставщики обещают «автономное планирование», но на деле обычно достигается лишь полуавтономия ^{60 196}. Компаниям не следует обольщаться модными словами, думая, что они могут распустить свою команду планирования после установки системы ИИ. Вместо этого им следует стремиться поднимать роль команды планирования: пусть ИИ справляется с рутинной работой и подсчетом чисел, а люди занимаются исключениями, стратегией и проверкой. Со временем, если появится доверие, системе можно предоставить больше автономии. Поставщики, способствующие такому переходу (обеспечивая прозрачность, возможности переопределения и обучение на основе переопределений), скорее всего, достигнут наилучших результатов. В этом отношении подход «стеклянного ящика» (как у Lokad или ToolsGroup, где можно увидеть и настроить логику) может внушать больше доверия, чем чистый «черный ящик», который выдаёт ответы без объяснений.

• Доказательства и строгость против шумихи: Наконец, мета-замечание: рынок программного обеспечения для цепочек поставок изобилует аналитическими отчетами, спонсируемыми кейс-стади и приукрашенными заявлениями по окупаемости инвестиций. Мы намеренно отложили их в сторону в этом исследовании, и благодаря этому заметили разрыв между некоторыми популярными представлениями и технической реальностью. Например, Magic Quadrant от Gartner может включать X в число лидеров из-за рыночного присутствия, в то время как с технической точки зрения X может отставать в области ИИ (например, у Oracle и Logility были намеки на это). Между тем, поставщик, которого даже не замечают некоторые аналитики (возможно, потому что он не платит за участие), может предлагать радикальные инновации ^{25 192}. Поэтому лицам, принимающим решения, было бы разумно заглянуть за рамки глянцевых квадрантов и вместо этого изучить архитектурные технические документы, выступления технических специалистов клиентов или даже запросить небольшой прототипный проект. Когда поставщика просят доказать работоспособность его технологии на части вашей проблемы (скажем, провести proof-of-concept для одной продуктовой линии в течение 8 недель), это часто выявляет, насколько весомы аргументы за его решение. Мы обнаружили, например, что поставщики, участвующие во внешних конкурсах или публикующие технические блоги (Lokad, часть команды Blue Yonder, блоги ToolsGroup), как правило, более приземлены в реальности – они подвергают свои идеи анализу ¹⁰³. Это хороший знак. В отличие от них, поставщики, у которых есть лишь общие маркетинговые фразы и отсутствуют технические подробности, возможно, скрывают недостаток глубины.

В заключение, рынок оптимизации цепочек поставок на основе ИИ созревает, но всё ещё характеризуется большими обещаниями и неравномерной реализацией. Компаниям, ищущим решения, следует сопоставлять заявления любого поставщика с объективными фактами: демонстрирует ли поставщик совместную оптимизацию или просто говорит об интеграции? Могут ли они количественно оценивать неопределённость или по-прежнему полагаются на упрощённые буферы? Используют ли они ИИ осмысленно (например, показывая хорошие результаты в нейтральных оценках) или просто присыпают старые методы терминами об ИИ? Задавая эти сложные вопросы – как мы сделали в этом исследовании – можно прорезать сквозь шум. Награда заключается в нахождении тех немногих решений, которые действительно продвигают современное состояние искусства, а не просто подпитывают шумиху. К 2025 году технологии уже существуют, чтобы революционизировать решения в области цепочек поставок (от вероятностного прогнозирования до автоматизированного ценообразования), но выбор поставщика требует умения отделять настоящие инновации от «промывания ИИ». Мы надеемся, что этот отчет помог прояснить это различие, предоставив более ясное понимание того, какие поставщики действительно раздвигают границы, а какие кипят модной терминологией.

Сноски