Investissement

Spécialisée dans l’optimisation de la supply chain, la start-up vaudoise GenLots lève un million de francs

La start-up lausannoise GenLots a levé un million de francs pour développer ses solutions SaaS qui utilisent le machine learning pour optimiser la chaîne d'approvisionnement des entreprises industrielles.

Les cofondateurs de GenLots. (Source: GenLots)
Les cofondateurs de GenLots. (Source: GenLots)

La jeune pousse GenLots a levé plus d’un million de francs auprès de la société de capital-risque berlinoise Fly Ventures et de ACE & company. Cette start-up installée à l’Innovation Park de l’EPFL est spécialisée dans les solutions SaaS dédiées à l’optimisation de la chaîne d'approvisionnement et des processus d’achat à l’aide du machine learning.

GenLots explique que cet investissement doit lui permettre d’intensifier ses ventes, de répondre plus rapidement aux demandes des clients, et de modéliser de nouveaux algorithmes dédiés à l’optimisation de variables d’approvisionnement (comme le stock de sûreté) ou aux prévisions des besoins en matériaux. Surtout, la start-up lausannoise veut proposer plus largement sa technologie Artificial Supply Chain Brain. Cette solution utilise l’apprentissage par renforcement (reinforcement learning) pour réduire le coût total de possession (TCO) des entreprises industrielles qui commandent des matières premières. «Les économies sont réalisées grâce à une réduction des stocks, une diminution des commandes et une utilisation optimale des prix fournisseurs, le tout étant calculé par le logiciel», précise la start-up, qui lance également Opportunity Dashboard, un outil complémentaire de planification des commandes de matière première.

GenLots a été cofondée en 2017 par Simon Schenker, ingénieur formé à l’EPFZ et un entrepreneur genevois. La jeune pousse compte parmi ses clients le fabricant belgo-suisse de chocolat Barry Callebaut, le spécialiste alémanique des composants et systèmes de connexion électrique et optique Huber + Suhner ou encore le groupe pharmaceutique Merck.

Tags
Webcode
DPF8_163642