Benchmark 2024 des APIs d’Optimisation de Tournées
Depuis sa création, Kardinal développe une technologie d’optimisation tournée vers un objectif central : permettre la modélisation fine et fiable des contraintes métier complexes, spécifiques à chaque secteur d’activité et à chaque client.
Cette approche algorithmique orientée “réalisme opérationnel” repose sur une conviction forte : la pertinence d’un moteur de Vehicle Routing & Scheduling (VRS) ne se limite pas à ses performances de calcul, mais dépend surtout de sa capacité à représenter fidèlement la réalité métier.
Afin d’évaluer de façon rigoureuse cette capacité — la nôtre comme celle des principaux fournisseurs d’API VRS — nous avons mené un benchmark indépendant et reproductible durant l’été 2024.
L’objectif : comparer de manière quantitative la couverture fonctionnelle de huit solutions VRS du marché sur un périmètre commun de contraintes opérationnelles et de fonctionnalités de modélisation du moteur.
Méthodologie
Source des données : seules les documentations publiques des APIs ont été utilisées, garantissant une évaluation équitable et transparente.
Périmètre d’analyse : 63 contraintes et fonctionnalités représentatives, issues de cas d’usage réels, et supportées par au moins deux fournisseurs pour garantir la comparabilité.
Critère de scoring : prise en charge explicite, documentée, et utilisable via API de chaque contrainte métier.
Fournisseurs évalués : Google, NextBillion.ai, Solvice, GraphHopper, Verso, Routific et Mapbox, en plus de Kardinal.
Ce benchmark ne vise pas à comparer les performances algorithmiques (vitesse ou optimalité), mais à mesurer la capacité de modélisation fonctionnelle, critère déterminant dans des contextes métiers exigeants.
Étape 1 : Constitution du panel de contraintes évaluées
La première étape du benchmark a consisté à établir un référentiel représentatif des contraintes métier prises en charge par les principales APIs d’optimisation de tournées (Vehicle Routing & Scheduling).
Pour cela, nous avons réalisé un inventaire exhaustif des contraintes explicitement documentées dans les APIs publiques des fournisseurs évalués. Ce travail a permis de constituer une base complète des fonctionnalités disponibles sur le marché.
Afin de garantir la comparabilité des solutions et de se concentrer sur un socle commun de besoins significatifs, seules les contraintes / fonctionnalités présentes chez au moins deux fournisseurs ont été conservées dans le périmètre final d’analyse (63 retenues sur un total de 87 identifiées). Cette sélection permet d’exclure les cas marginaux tout en conservant une couverture fonctionnelle large et pertinente.
La liste complète des contraintes retenues, accompagnée de leur définition, est disponible ici.
Étape 2 : Classification des contraintes par type
Les contraintes ont été regroupées en catégories correspondant aux principaux axes de modélisation des problématiques de VRS :
- Capacités avancées du moteur d’optimisation : cette catégorie fait référence à des caractéristiques structurantes du moteur d’optimisation telles que l’optimisation lexicographique, la modélisation des coûts, l’optimisation continue, la gestion du trafic prédictif avancé ou l’optimisation incrémentale.
- Objectifs d’optimisation : cette catégorie regroupe les différents objectifs métiers que l’algorithme peut gérer.
- Profils de vitesse : cette catégorie rassemble la diversité des types de véhicules que l’algorithme peut prendre en compte.
- Contraintes de ressources : cette catégorie réunit les contraintes appliquées aux ressources (véhicule / conducteur), telles que la capacité, les fenêtres temporelles ou les temps de pause.
- Contraintes d’ordres : cette catégorie fait référence aux contraintes relatives aux ordres de mission, telles que les ramassages/livraisons, les exigences de compétences, etc.
- Contraintes d’enchaînement d’ordres : cette catégorie concerne les contraintes qui enchaînent plusieurs commandes entre elles (par exemple, le séquencement d’ordres dans une chaîne spécifique).
- Contraintes d’affectation : cette catégorie rassemble les contraintes qui lient les ressources aux ordres (par exemple, la compatibilité d’une ressource avec des livraisons spécifiques).
Étape 3 : Classification des contraintes par secteur d'activité
Les contraintes / fonctionnalités ont été regroupées en catégories correspondant aux principaux secteurs d’activité nécessitant l’utilisation de VRS :
Transport des déchets
Livraison de produits frais
Coursiers urbains
Livraison de colis
Transport longue distance / Lots complets (FTL)
Affrètement
Transport en lots incomplets (LTL)
Commerce de détail
Services terrain / Interventions sur sites
Résultats
Partie 1 : Analyse comparative de la couverture des contraintes métier par les acteurs du marché
Chaque moteur a été évalué sur un total de 63 contraintes métier couvrant les domaines suivants : contraintes sur les ordres, contraintes sur les ressources, objectifs d’optimisation, profils de vitesse, etc. Le score final repose sur le ratio de contraintes prises en charge par chaque solution.
Rang | Acteur | # Contraintes | % Couverture | Catégorie | 1 | Kardinal | 59 | 94% | Premium |
|---|---|---|---|---|
2 | Google | 44 | 70% | Premium |
3 | NextBillion.ai | 44 | 70% | Premium |
4 | Solvice | 41 | 65% | Advanced |
5 | GraphHopper | 40 | 63% | Advanced |
6 | Verso | 26 | 41% | Basic |
8 | Routific | 26 | 41% | Basic |
9 | Mapbox | 18 | 29% | Basic |
Analyse
L’analyse met en lumière les écarts de couverture fonctionnelle entre les solutions, et identifie les acteurs les plus adaptés aux cas d’usage complexes :
La typologie suivante a été définie :
VRS basiques : < 50 % de couverture
VRS standards : entre 50 % et 70 %
VRS premium : > 70 %
Kardinal se distingue par une capacité de modélisation largement supérieure, avec une couverture de 94 % du référentiel métier. Ce résultat atteste de la maturité technique de son moteur et de sa capacité à traiter des cas multi-contraintes à forte complexité opérationnelle.
Partie 2 : Benchmark des solutions selon les catégories de contraintes
Ce graphique radar compare les principales solutions d’optimisation de tournées selon 7 grandes familles de fonctionnalités et de contraintes (détaillées dans la partie Méthodologie). Chaque axe représente une dimension clé d’un moteur d’optimisation, et les scores (de 0 à 1) montrent le taux de couverture de chaque acteur sur cette dimension.
Le graphique radar ci-dessous est interactif. En cliquant sur les noms des acteurs vous pouvez les ajouter / supprimer :
Dimensions évaluées
Capacités avancées du moteur : optimisation continue, coûts personnalisés, lexicographie, etc.
Objectifs d’optimisation : gestion de multiples objectifs métiers.
Profils de vitesse : diversité et spécificité des véhicules.
Contraintes sur les ressources : fenêtres horaires, pauses, limites de capacité, etc.
Contraintes sur les ordres : gestion de couples pickup/delivery, compétences requises.
Contraintes d’enchaînement d’ordres: enchaînements logiques imposés.
Contraintes d’affectation : règles complexes entre ressources et tâches.
Synthèse comparative
Kardinal : Moteur leader sur toutes les dimensions, avec des scores proches de 1.0. Performance exceptionnelle sur les dimensions critiques (affectation, séquences, optimisation multi-objectifs). Adapté aux environnements logistiques réglementés ou critiques (ex. déchets, livraisons sensibles).
Google : Performant sur les fonctionnalités avancées et les séquences, mais moins flexible sur les contraintes d’affectation ou de modélisation fine.
NextBillion.ai : Bon équilibre général. Moins personnalisable dans l’optimisation multi-objectifs.
Solvice : Spécialiste de l’optimisation lexicographique. Couverture partielle des contraintes complexes.
GraphHopper : Profil stable mais en retrait, notamment sur les dimensions avancées.
Verso & Routific : Ciblent des cas simples. Faible performance sur les contraintes complexes.
Mapbox : Solution cartographique avec une très faible couverture métier.
Partie 3 : Analyse de la capacité des acteurs à répondre aux contraintes des différents secteurs d'activité
Cette section mesure la capacité de chaque moteur à répondre aux contraintes spécifiques de secteurs verticaux. Les scores (%) indiquent la part des contraintes sectorielles prises en charge pour chaque domaine.
Secteur | Kardinal | NextBillion | Google | Solvice | GraphHopper | Verso | Routific | Mapbox |
|---|---|---|---|---|---|---|---|---|
Transport de déchets | 97.7% | 79.5% | 79.5% | 68.2% | 65.9% | 54.5% | 52.3% | 31.8% |
Livraison de produits frais | 91.3% | 71.7% | 65.2% | 76.1% | 65.2% | 54.5% | 52.3% | 31.8% |
Coursiers urbains | 95.5% | 70.5% | 75.0% | 75.0% | 72.7% | 50.0% | 47.7% | 34.1% |
Livraison de colis | 90.2% | 78.0% | 68.3% | 78.0% | 70.7% | 56.1% | 53.7% | 31.7% |
Transport en lot complet | 97.3% | 81.1% | 78.4% | 67.6% | 70.3% | 56.8% | 54.1% | 32.4% |
Affrètement | 97.6% | 75.6% | 75.6% | 70.7% | 65.9% | 56.1% | 56.1% | 34.1% |
Transport en lot incomplet | 91.8% | 73.5% | 67.3% | 67.3% | 61.2% | 44.9% | 44.9% | 26.5% |
Retail | 90.7% | 72.1% | 67.4% | 79.1% | 69.8% | 53.5% | 53.5% | 30.2% |
Interventions sur site | 97.3% | 75.7% | 81.1% | 70.3% | 67.6% | 54.1% | 48.6% | 32.4% |
Analyse
Kardinal affiche une excellente performance transversale, avec une couverture supérieure à 90 % dans tous les secteurs. C’est le seul acteur à proposer un tel niveau d’adaptabilité.
NextBillion.ai et Google forment un duo solide, avec des scores cohérents autour de 70–80 %, mais inférieurs à Kardinal sur tous les cas d’usage.
Solvice montre de bonnes performances sur certains marchés comme le retail, la livraison de produits frais ou les colis, mais décroche dans les secteurs plus complexes (ex : longue distance ou déchets).
GraphHopper offre une couverture moyenne, souvent entre 65 % et 72 %, sans pic distinctif sur un secteur particulier.
Verso, Routific et Mapbox affichent des scores nettement inférieurs, généralement inférieurs à 55 %, voire en dessous de 35 % pour Mapbox. Leur capacité à adresser des secteurs métiers exigeants est donc très limitée.
Ressources
