Il existe sur le marché une multitude de solution de Supply Chain Planning, l’approche reste assez similaire avec la possibilité d’utiliser des algorithmes de prévisions se basant sur les méthodes de séries chronologiques (time series) classiques ou plus récents de Machine Learning.
L’efficacité de chaque approche dépend du cas d’usage:
niveau de hiérarchie, produit, lieu, et objectif des prévisions (réapprovisionnement ou allocation des magasins, des entrepôts, etc…).

Concernant le réapprovisionnement et l’allocation, nous avons pu apparaître des solutions se basant sur une optimisation complète du réseau logistique, incluant une suggestion de tous les transferts à considérer : fournisseur → entrepôt, inter-magasins, entrepôt → magasin.

Grâce à notre expérience au cours des 15 dernières années, nous avons constaté que le choix d’une solution doit prioriser l’évolutivité, la simplicité d’utilisation, et la qualité du support (notamment pour le SaaS). Des modèles complexes difficiles à comprendre n’aident pas les équipes métier à améliorer leur efficacité.

Il est aussi possible aujourd’hui, grâce aux outils de Microsoft Azure, Gloogle Cloud, AWS et autres, de créer des modèles sur-mesure via des partenaires à taille humaine. une alternative intéressante pour certaines enseignes ou CPGers qui préfèrent éviter les solutions packagées.