Обзор Getron, поставщика программного обеспечения для управления цепочками поставок на базе ИИ

От Léon Levinas-Ménard
Последнее обновление: Апрель, 2025

Вернуться к Анализ рынка

Getron, основанная в 2003 году и позиционирующая себя как «ваш партнер по данным и ИИ», предлагает набор интегрированных программных инструментов, предназначенных для оптимизации управления запасами и цепочками поставок. Платформа включает предписывающие, предиктивные и диагностические сервисы — в том числе автоматизированные операции по перемещению запасов, прогнозирование цен и затрат, а также управление заказами — всё это предоставляется через облачное SaaS/PaaS решение на базе Microsoft Azure. Обещая быстрое внедрение (уже за две недели) и быструю окупаемость инвестиций, решение Getron построено вокруг запатентованной структуры данных (GDS) и интерфейса массовой настройки без кода, предназначенных для упрощения установки правил и интеграции с ERP. Однако критический анализ общедоступной информации показывает, что, несмотря на заявления о принятии решений с помощью ИИ и объяснимости (xAI), технические детали остаются расплывчатыми в части используемых алгоритмов и методов оптимизации.

История и развитие компании

Согласно профилю в LinkedIn, Getron была основана в 2003 году и позиционирует себя как универсальный «партнер по данным и ИИ», обслуживая секторы розничной торговли, здравоохранения, производства, энергетики и автомобилестроения1. Хотя некоторые интернет-поиски намекают на возможные события по приобретению, общедоступных доказательств значимых сделок в истории компании не найдено.

Обзор продукта и его функциональности

Getron предлагает интегрированный набор услуг на базе ИИ, направленный на решение различных проблем управления запасами и цепочками поставок:

  • Getron PST (Prescriptive Stock Transactions): Предназначен для генерации и автоматического выполнения рабочих заказов по перемещению запасов между складами, поставщиками и магазинами, с использованием «технологии на базе xAI», которая объясняет принимаемые решения2.
  • Getron ARE (Action Recommended Entities): Сфокусирован на оптимизации уценок, стратегиях повторных покупок и рекомендациях по исключению товаров из ассортимента.
  • Getron PBD (Predictive Business Diagnostics): Обеспечивает предиктивную диагностику на основе множества ключевых показателей и информативные дашборды.
  • Getron PSP (Prescriptive Supply Planning): Обеспечивает долгосрочное планирование поставок с прогнозированием спроса и анализом сценариев.
  • Getron PRIX (Prescriptive Cost and Pricing): Одновременно прогнозирует затраты, спрос и цены, учитывая эластичность цен и сезонные колебания.
  • Getron OMP (Order Management & Planning): Оптимизирует рабочие процессы управления заказами и интегрируется с ERP-системами клиентов.

Технологии и архитектура

Getron делает акцент на гибкой, облачно-нативной модели предоставления услуг, основанной на принципах SaaS/PaaS. Всё решение размещено в Microsoft Azure, что обещает быстрое развертывание и снижение затрат на оборудование34. Одним из ключевых технологических заявлений является использование запатентованной «Структуры данных Getron (GDS)», которая преобразует необработанные входные данные для эффективной обработки, якобы снижая необходимость в специализированных командах data science. Кроме того, интерфейс массовой настройки (MCI) позиционируется как платформа без кода, позволяющая клиентам устанавливать собственные бизнес-правила и бесшовно интегрироваться с ERP-системами сторонних производителей, хотя деталей технической реализации раскрыто немного5.

Модель развертывания и запуска

Маркетинговые материалы подчеркивают способность Getron начать работу «за 2 недели» с последующей окупаемостью инвестиций уже через 2 месяца. Все решение предоставляется через облачную модель, которая исключает необходимость локальных установок и использует возможности безопасности и производительности Azure. Такой подход к быстрому внедрению контрастирует с традиционными, более медленными развертываниями корпоративного программного обеспечения, хотя данные обещания сопровождаются оговоркой о скудности общедоступных технических доказательств, поддерживающих столь сжатые временные рамки4.

Анализ компонентов ИИ, МЛ и оптимизации

Getron утверждает, что его платформа использует искусственный интеллект для генерации конкретных рабочих заказов, продвинутого прогнозирования спроса и оптимизации уровней запасов с помощью мультимодельных подходов. Использование «объяснимого ИИ (xAI)» выделяется как способ обеспечения прозрачности принятия решений. Однако более детальный анализ выявляет несколько вызывающих сомнения моментов:

  • Неясные методологии: Несмотря на частые упоминания ИИ/МЛ, предоставляется мало подробной информации о конкретных алгоритмах, архитектурах моделей или используемых методах оптимизации.
  • Требования к данным и заявления: Наблюдается явное противоречие между заявлениями об эффективной работе с минимальными историческими данными и рекомендациями, предполагающими использование данных минимум за два года для учета сезонности.
  • Подход к оптимизации: Хотя система, по заявлению, занимается оптимизацией запасов, стратегиями уценки и рекомендациями по затратам/ценам, остается неясным, основаны ли они на сложных, динамических алгоритмах машинного обучения или же на эвристических и статистических методах.

Вакансии и технологический стек

Информация на странице карьеры Getron подчеркивает удаленный, гибкий рабочий процесс и разнообразную команду, однако предоставляет немного деталей о базовом технологическом стеке. Косвенные данные от сторонних источников намекают на использование стандартных веб-технологий (HTML5, Apache Server и т.д.), но подробности о серверных языках программирования или библиотеках ИИ/МЛ не раскрываются6.

Getron против Lokad

Явно прослеживается контраст между предложением Getron и хорошо задокументированной количественной платформой управления цепочками поставок Lokad. В то время как Getron продвигает быстро внедряемый, интегрированный набор инструментов на основе запатентованной структуры данных и конфигурационного интерфейса без кода, его технические раскрытия остаются ограниченными, а основы ИИ/МЛ во многом непроверены. В отличие от этого, Lokad — основанная в 2008 году — следует строгой, основанной на исследованиях эволюции в оптимизации цепочек поставок. Платформа Lokad использует специализированный доменный язык (Envision) для создания оптимизированных «приложений» и применяет передовое вероятностное прогнозирование, методы глубокого обучения и даже дифференцируемое программирование для поддержки принятия высокоточных решений в режиме реального времени7. Там, где Getron делает акцент на быстрой окупаемости инвестиций и простоте, Lokad инвестирует в создание полностью прозрачного, модульного и математически обоснованного подхода к автоматизации принятия решений в цепочках поставок, хотя это требует более высокой технической подготовки от его пользователей.

Заключение

Getron представляет привлекательную концепцию с помощью интегрированного набора услуг на базе ИИ, направленных на трансформацию управления запасами и цепочками поставок, обещая быстрое развертывание и улучшение операционных показателей. Однако обзор выявляет существенные пробелы в технической прозрачности, касающиеся методов ИИ/МЛ и оптимизации. По сравнению с технологически зрелыми платформами, такими как Lokad — демонстрирующими глубокую, обоснованную исследованиями приверженность количественной оптимизации цепочек поставок — подход Getron может быть проще в развертывании, но уступает в предоставлении проверяемых деталей. Предприятиям, рассматривающим Getron, следует взвесить преимущества быстрого внедрения против необходимости наличия надежной, четко сформулированной технологической основы, и им, возможно, потребуется дальнейшая независимая техническая проверка перед полномасштабным внедрением.

Источники