eCommerce Optimierungssoftware

Zuletzt geändert: 2. Februar 2025

Einleitung

Der Markt für eCommerce-Optimierungssoftware ist voll von kühnen Behauptungen über AI-getriebene Magie, aber ein genauer Blick unter die Haube zeigt, dass nur wenige Anbieter wirklich das Versprechen erfüllen, Inventar, Preise und Sortimente mit modernster Technologie gemeinsam zu optimieren. In dieser Studie bewerten wir führende Lösungen für reine eCommerce (Online-Händler ohne physische Geschäfte) und ordnen die relevantesten Anbieter - einschließlich Lokad, RELEX Solutions, Blue Yonder und ToolsGroup - nach ihren technischen Vorzügen und Fallstricken. Lokad tritt als Anführer hervor aufgrund seines einheitlichen, probabilistischen Ansatzes und hohen Automatisierungsgrades, während RELEX und Blue Yonder umfassende Suiten bieten, gemildert durch Black-Box-AI-Komplexität und Altlasten. ToolsGroup bietet bewährte Bestandsoptimierung auf der Grundlage solider Mathematik, sieht sich jedoch Integrationsherausforderungen gegenüber, wenn es in Preisgestaltung und Sortiment expandiert. Dabei wenden wir eine tief skeptische Linse an: Wir durchschneiden Marketing-Fluff, prüfen Anbieteransprüche gegen unabhängige Beweise und heben die oft ungesagten Vorbehalte hervor (z.B. das Versäumnis, Entscheidungen ganzheitlich zu optimieren, oder die Abhängigkeit von teuren Architekturen). Das Ziel ist eine erzählgetriebene, technische Analyse, die Wahrheit über Hype stellt, damit eCommerce-Spieler verstehen können, wer wirklich den Stand der Technik vorantreibt - und wer zurückbleibt.

Der Goldstandard Kriterien: Gemeinsame Optimierung & Fortgeschrittene Technik

Jeder Anbieter kann sich über AI oder Big Data brüsten, aber eine echte Optimierung eines eCommerce-Geschäfts erfordert die Erfüllung eines hohen technischen und funktionalen Kriteriums. An erster Stelle steht die gemeinsame Optimierung: die Fähigkeit, Bestandsniveaus, Preisgestaltung und Produktassortiment gleichzeitig zu optimieren. Diese isoliert zu behandeln - wie viele ältere Systeme es tun - ist grundsätzlich fehlerhaft, da sie eng miteinander verknüpft sind (Preisgestaltung beeinflusst die Nachfrage, die den Bestand beeinflusst, Änderungen im Sortiment beeinflussen beide, usw.). Eine eCommerce-Optimierungslösung muss alle drei koordinieren; zum Beispiel könnte sie sich entscheiden, weniger von einem Produkt zu lagern und es früher zu rabattieren, wenn Prognosen langsame Verkäufe zeigen, oder die Preise für bestimmte Artikel erhöhen, um Stockouts zu vermeiden. Lösungen, die den Bestand optimieren, aber die Preisgestaltung ignorieren, oder umgekehrt, lassen Geld auf dem Tisch liegen und sind von Design her suboptimal.

Jenseits der gemeinsamen Optimierung sollten wirklich modernste Lösungen moderne Techniken und Architekturen nutzen:

• Probabilistische Prognose: Anstatt Einzelpunkt-Nachfrageprognosen zu verwenden, sollten Wahrscheinlichkeitsverteilungen verwendet werden, um die Unsicherheit der Nachfrage zu erfassen. Dies ist entscheidend für eCommerce mit seinen volatilen Nachfragemustern und der “Long Tail” von SKUs. Traditionelle Tools (z.B. alte SAP- oder Oracle-Module), die eine Zahl und einen Sicherheitsbestand produzieren, beurteilen oft die tatsächliche Variabilität falsch ^{1 2}. Führende Anbieter betonen nun probabilistische oder “stochastische” Modelle, die den Bereich der Ergebnisse quantifizieren.
• Wirtschaftliche Optimierung: Entscheidungen sollten von wirtschaftlichen Zielen (Gewinn, Kosten, Service-Level-Ziele) und nicht nur von heuristischen Regeln getrieben werden. Zum Beispiel wird ein wirklich optimiertes System die Gewinnmargen und Haltekosten von Produkten berücksichtigen, wenn es Bestandsniveaus und Preise festlegt. Es wird Aktionen priorisieren, die den erwarteten Gewinn maximieren oder die Gesamtkosten minimieren, anstatt blind einen Füllstand zu erreichen. Dies erfordert die Einbettung von Kosten-/Einnahmenparametern in die Algorithmen.
• Skalierbarkeit und Kosteneffizienz: eCommerce-Daten sind massiv (potenziell Millionen von SKUs, tägliche Transaktionen, mehrere Kanäle). Die Software muss große Datenmengen ohne exorbitante Hardwarekosten oder träge Leistung bewältigen können. Architekturen, die naiv alles im Speicher (RAM) halten, können in großem Maßstab prohibitiv teuer werden. Moderne Designs nutzen Cloud-Computing klug, z.B. verteilte Verarbeitung, datenbasierte Datenspeicher und effiziente Algorithmen. Eine Lösung, die eine riesige Serverfarm oder kostspielige Plattformen (wie übermäßige Nutzung von Snowflakes Datencloud) benötigt, könnte den ROI erodieren. Umgekehrt kann cleveres Engineering terabytegroße Datensätze innerhalb von Stunden auf Commodity-Cloud-Instanzen verarbeiten ^{3 4}.
• Kannibalisierungs- und Substitutionseffekte: Bei Sortiments- und Preisentscheidungen muss das System berücksichtigen, dass Produkte die Nachfrage nach einander beeinflussen. Wenn zum Beispiel zwei Produkte nahe Substitute sind, wird das Weglassen eines Produkts die Nachfrage auf das andere verlagern (ein Kannibalisierungseffekt). Dies erfordert mehr als eine einfache OLAP-Analyse oder manuell definierte Produktgruppen; es erfordert Modelle, die Querelastizitäten oder Anhangsraten lernen. Viele ältere Tools gehen davon aus, dass die Nachfrage nach jedem Produkt unabhängig ist, was zu Fehlern sowohl in der Prognose als auch in der Sortimentsplanung führt. Ein Anbieter auf dem neuesten Stand der Technik sollte solche Beziehungen explizit modellieren (z.B. durch den Einsatz von maschinellem Lernen auf Transaktionsdaten, um Produktneigungen abzuleiten).
• Marktplatz- und Wettbewerbsauswirkungen: Reine E-Commerce-Player werden oft von Marktplatzdynamiken beeinflusst - zum Beispiel Wettbewerb auf Amazon oder eBay, Drittanbieterverkäufer usw. Optimierungssoftware sollte idealerweise Signale wie Wettbewerbspreise oder Marktplatzausfälle berücksichtigen. Wenige tun dies gut. Es ist eine komplexe, aber zunehmend relevante Grenze: Wenn zum Beispiel ein Wettbewerber bei einem beliebten Artikel ausverkauft ist, sollte Ihr System diese Gelegenheit erkennen und Ihren Preis oder Ihre Werbeausgaben entsprechend anpassen. Ebenso sollte das System, wenn Sie sowohl direkt als auch auf Marktplätzen verkaufen, über die Kanäle hinweg optimieren (um beispielsweise eine Überbestückung für Ihre eigene Website zu vermeiden, wenn das Produkt über Amazon FBA verkauft wird).
• Multi-Channel- und Omni-Channel-Fähigkeiten: Auch ohne physische Geschäfte kann ein E-Commerce-Händler mehrere Online-Kanäle haben (eigene Website, Marktplätze, vielleicht regionale Websites). Die Optimierungsmaschine sollte die Multi-Channel-Nachfrage und das Inventar ganzheitlich behandeln - und erkennen, dass zum Beispiel das Inventar geteilt ist oder dass Preisentscheidungen auf einem Kanal einen anderen beeinflussen könnten. “End-to-End”-Planung ist nicht nur ein Schlagwort; es bedeutet, dass die Software das gesamte Bild sieht (von Lieferanten zu Kunden, über alle Verkaufsströme hinweg).
• Hoher Grad an Automatisierung (“Robotisierung”): Das ultimative Versprechen dieser Systeme ist die autonome Entscheidungsfindung. Sie sollten theoretisch in der Lage sein, unbeaufsichtigt zu laufen, Nachbestellungen, Preisaktualisierungen usw. zu produzieren, ohne dass die Benutzer jeden Tag an den Reglern drehen. In Wirklichkeit erlauben alle Anbieter noch Benutzerkonfigurationen, aber wir bevorzugen diejenigen, die die Notwendigkeit für menschliches Tweaking minimieren. Hüten Sie sich vor Lösungen, die mit Automatisierung prahlen, aber Dutzende von Knöpfen (Parameter, Gewichtungsfaktoren, Regeln) freilegen - das ist ein innerer Widerspruch. Wahre Automatisierung kommt von der Erlaubnis, dass die Algorithmen optimale Einstellungen finden, und nicht von der Aufforderung an die Benutzer, ständig neu zu kalibrieren. Die besten Systeme verwenden Techniken wie selbstlernende Modelle, die sich anpassen, wenn neue Daten eintreffen, so dass die Entscheidungen im Laufe der Zeit optimal bleiben, ohne manuelle Eingriffe ⁵. Je weniger “Treiber”-Einstellungen ein Benutzer pflegen muss, desto glaubwürdiger ist die Automatisierung.
• Robuste, kosteneffektive Architektur: Wir haben die Kosteneffizienz angesprochen, aber es lohnt sich, sie explizit zu erwähnen: Einige moderne Lösungen haben Cloud-Datenlager (wie Snowflake) zur Skalierung angenommen. Dies kann Infrastrukturprobleme beseitigen, führt aber ein nutzungsbasiertes Kostenmodell ein. Wenn ein Planungstool das Durchwühlen riesiger Daten auf einer Plattform wie Snowflake erfordert, können die Kosten in die Höhe schnellen (ähnlich wie IBMs MIPS-basierte Preisgestaltung in den 1990er Jahren, bei der mehr CPU-Nutzung exponentiell höhere Gebühren bedeutete). Eine ideale Lösung behandelt Big Data mit intelligenten Algorithmen, um die Cloud-Nutzung (und damit die Kosten) vernünftig zu halten ⁴. Ebenso könnten Lösungen, die durch Akquisitionen aufgebaut wurden, zu einem Flickenteppich von Modulen auf verschiedenen Technologie-Stacks werden, was zu hohen Integrationskosten für den Kunden führt (entweder in Geld oder in Systemlatenz). Cloud-nativ und von Grund auf integriert zu sein, ist ein Vorteil, aber nur, wenn die Architektur wirklich redundante Datenbewegungen eliminiert, ohne neue Engpässe einzuführen.

Mit diesen festgelegten Kriterien wenden wir uns nun den Anbietern zu. Wir stufen Lokad, RELEX, Blue Yonder und ToolsGroup als die relevantesten Akteure für die Optimierung des eCommerce ein und bewerten jeden nach den oben genannten Benchmarks. Die Analyse ist erzählend im Stil - sie konzentriert sich darauf, wie jeder Anbieter das Problem angeht und wo Skepsis angebracht ist - eher als eine Feature-Checkliste. Wichtig ist, dass wir uns auf glaubwürdige Beweise (und direkte Zitate) stützen, wo immer möglich, und die häufige Falle vermeiden, die Behauptungen der Anbieter für bare Münze zu nehmen.

1. Lokad – Vereinheitlichte Quantitative Optimierung mit Probabilistischem Rückgrat

Lokad sticht als Anbieter hervor, der explizit auf die Idee der gemeinsamen Optimierung mit Hilfe von Spitzentechnologie aufgebaut ist. Im Gegensatz zur traditionellen Supply-Chain-Software kommt Lokad nicht als Satz von Modulen (Prognose, MRP, etc.) zum Anpassen, sondern als programmatische Plattform, auf der eine vereinheitlichte Optimierungslogik für jeden Kunden implementiert wird. Dieser Ansatz, den sie als “Quantitative Supply Chain” bezeichnen, erfordert möglicherweise mehr Datenwissenschaft im Voraus, liefert aber eine Lösung, die alle Entscheidungen gemeinsam optimiert - Bestand, Preisgestaltung, Nachschub, alles in einem. Lokads Philosophie ist, dass Prognosen nur Mittel zum Zweck sind; das wahre Ziel ist es, Entscheidungen zu optimieren (z.B. wie viel zu kaufen, welchen Preis zu setzen), indem alle Einschränkungen und wirtschaftlichen Kompromisse berücksichtigt werden.

Im Kern steht die probabilistische Prognose. Lokad war ein früher Pionier bei der Verwendung von vollständigen Wahrscheinlichkeitsverteilungen für die Nachfrage und hat seine Fähigkeiten sogar im neutralen Bereich der Prognosewettbewerbe unter Beweis gestellt. Im renommierten M5-Prognosewettbewerb (2020) belegte ein Lokad-Team den 6. Platz weltweit von 909 Teams ⁶ - eine beeindruckende Bestätigung ihrer Technologie, da M5 sich auf granulare Einzelhandelsdaten konzentrierte (die Art von Daten, mit denen eCommerce-Unternehmen konfrontiert sind). Bemerkenswert ist, dass M5 probabilistische (Quantil-) Prognosen erforderte, was Lokads Stärke entspricht. Dieses Ergebnis zeigt nicht nur akademische Fähigkeiten, sondern auch praktische Relevanz: Ihre Prognosen gehörten zu den besten, was jede Optimierung von Bestand und Preisgestaltung untermauert. Darüber hinaus hat der CEO des Unternehmens betont, dass jenseits eines bestimmten Punktes Gewinne bei der Prognosegenauigkeit im Vergleich zu einer besseren Entscheidungsmodellierung abnehmen ⁷. Mit anderen Worten, Lokad betont die Optimierung der Entscheidungen (Bestellmengen, Zuweisungen, etc.) mit Hilfe der probabilistischen Prognosen, anstatt eine winzige Verbesserung der Prognosegenauigkeit zu verfolgen, die die Ergebnisse möglicherweise nicht wesentlich beeinflusst. Diese Sichtweise ist erfrischend und wichtig für den eCommerce: Sie erkennt an, dass die Bewältigung von Dingen wie Ausverkäufen, intermittierender Nachfrage und Substitutionseffekten oft wichtiger ist als eine kleine prozentuale Verbesserung einer Prognosemetrik ⁷.

Technologisch gesehen ist Lokad hochmodern und stark technikgetrieben. Sie haben ihren eigenen Cloud-nativen Technologie-Stack entwickelt (einschließlich einer benutzerdefinierten domänenspezifischen Sprache namens “Envision” zum Schreiben von Optimierungsskripten). Dieser Stack ist darauf ausgelegt, große Datenmengen effizient und wirtschaftlich zu verarbeiten. So verarbeitet das System von Lokad routinemäßig Gigabytes bis Terabytes an Kundendaten (Bestellungen, Klicks usw.) innerhalb weniger Stunden über Nacht, um Entscheidungen für den nächsten Tag zu treffen ^{8 3}. Um dies zu erreichen, vermeiden sie es, alles in den RAM zu laden; stattdessen verwenden sie speichergekoppelte Dateien und auf Festplatten basierenden spaltenorientierten Speicher, wodurch Datensätze, die größer als der Speicher eines Rechners sind, transparent durch Auslagerung auf schnelle SSDs behandelt werden können ^{3 9}. Sie weisen ausdrücklich darauf hin, dass Envision (ihr Motor) Datensätze unterstützt, die größer sind als der Speicher des gesamten Clusters, indem “geschickt auf NVMe-Laufwerke ausgelagert wird”, und dass peinlich parallele Operationen automatisch über Kerne/Maschinen verteilt werden ³. Die Nettoauswirkung: Lokad kann extrem große SKU-Sortimente skalieren, ohne dass der Kunde in absurde Mengen an RAM oder spezialisierte Geräte investieren muss. Tatsächlich betonen sie, dass sie wenig Hardware zum Laufen benötigen - sie vermeiden Situationen, in denen “das Drücken einer Ausführungstaste Hunderte von Dollar” an Cloud-Gebühren kostet ⁴. Dies ist ein subtiler, aber entscheidender Punkt: Er unterscheidet sie von einigen schweren Unternehmenssystemen, die technisch gesehen große Datenmengen verarbeiten können, aber zu hohen Kosten. Lokads Ansatz ähnelt eher einer optimierten Big-Data-Pipeline, vergleichbar mit Apache Spark oder Google BigQuery, aber speziell für Supply-Chain-Berechnungen entwickelt. Dieser Fokus auf Effizienz hält die Lösung kosteneffektiv, während sie skaliert - ein großer Pluspunkt für eTailer mit Millionen von Datensätzen.

Die Behandlung von Preisen und Sortimenten bei Lokad erfolgt nicht über separate Module, sondern über dieselbe Optimierungslogik. Da die Plattform im Wesentlichen codegesteuert ist, kann man die Interaktionen modellieren. Zum Beispiel kann man ein Skript schreiben, das sagt: “Für jedes Produkt, berücksichtigen Sie die probabilistische Nachfrage zu verschiedenen Preispunkten, berücksichtigen Sie die Lagerverfügbarkeit und die Nachbestellungszeit, und wählen Sie dann den Preis, der die erwartete Marge minus Haltekosten maximiert, unter der Bedingung, dass nicht zu oft ausverkauft wird” - dies ist eine vereinfachte Beschreibung, aber sie veranschaulicht, dass Preis und Bestand gemeinsam entschieden werden können. Wenn ein Produkt überbestückt ist, könnte der Code entscheiden, einen Rabatt zu gewähren, um den Verkauf zu beschleunigen; wenn es knapp ist, könnte er den Preis erhöhen, um das Inventar den am höchsten zahlenden Kunden zuzuweisen. Nur wenige andere Anbieter ermöglichen diese Art von Interaktion. Lokads Lösung erzeugt im Grunde genommen ihre eigenen Entscheidungspolitiken, die auf die Daten des Händlers zugeschnitten sind.

Kannibalisierungs- und Substitutionseffekte werden natürlich behandelt, wenn man die richtigen Daten füttert. Zum Beispiel kann man eine Eingabe von “Wenn Artikel A nicht verfügbar ist, wie viel von seiner Nachfrage geht zu Artikel B” einbeziehen - solche Beziehungen können aus historischen Daten gelernt werden (durch Analyse vergangener Ausverkäufe oder Sortimentsänderungen) und dann in die Optimierung eingespeist werden. Da Envision eine vollständige Programmiersprache ist, können diese komplexen Nachfragedynamiken kodiert werden. Lokads Literatur deutet darauf hin, dass sie dies aktiv tun: Das System “deckt Korrelationen zwischen Produkten, Kanälen und Zeiträumen auf” und trifft entsprechend Entscheidungen, anstatt anzunehmen, dass jede SKU unabhängig ist ¹⁰. Es stützt sich nicht auf einfache Zeitreihenextrapolationen; es berechnet volle Wahrscheinlichkeitsverteilungen für die Nachfrage, die Werbeaktionen, Ausverkäufe, saisonale Verschiebungen usw. berücksichtigen ¹¹. Indem diese Faktoren erfasst werden (einschließlich wann die Nachfrage aufgrund von Nichtverfügbarkeit verloren ging), vermeidet Lokad das klassische Problem der Müll-Eingabe bei der Prognose auf voreingenommenen Verkaufsdaten.

Ein weiterer Bereich, in dem Lokad glänzt, ist die Wettbewerbsintelligenz und die Integration externer Daten. Die Plattform kann alle relevanten Daten aufnehmen - z.B. Wettbewerbspreise, Web-Traffic, sogar Marketing-Kampagnenkalender - als zusätzliche Eingangssignale. Sie erwähnen ausdrücklich die Möglichkeit, “externe Signale wie Wettbewerbspreise” und Marketingkalender zu integrieren und aufgrund des programmatischen Designs leicht mit neuen Algorithmen oder Eingaben zu experimentieren ¹². Praktisch gesehen, wenn ein eCommerce-Unternehmen, sagen wir, gescrapte Daten von Wettbewerbspreisen hat oder weiß, dass der Lagerbestand eines Marktplatzpartners ein Indikator ist, können sie das in Lokads Modell einstecken, um Entscheidungen zu verfeinern. Dies ist weitaus flexibler als die meisten Out-of-the-Box-Lösungen, die möglicherweise nur interne Daten verarbeiten können. Es spricht für einen “Glasbox”-Ansatz: Statt die Logik zu verbergen, lässt Lokad Sie sie anpassen. Allerdings erfordert Lokads Ansatz einen Supply Chain Scientist zur Konfiguration - es ist keine Point-and-Click-Benutzeroberfläche für einen Anfänger. Dies könnte von einigen als Nachteil angesehen werden; der Gewinn ist jedoch eine Lösung, die genau auf das Geschäft zugeschnitten ist und Entscheidungen wirklich automatisieren kann, gegeben die einzigartigen Regeln des Geschäfts.

Automatisierung und Autonomie: Lokad ist wohl der am nächsten an einem “vollständig robotisierten” Supply Chain-Planer in dieser Gruppe. Die Philosophie ist, dass, sobald die Skripte (Logik) eingerichtet und validiert sind, das System täglich (oder innerhalb des Tages) laufen kann und empfohlene Entscheidungen ohne menschliches Eingreifen produziert. Viele Lokad-Nutzer vertrauen ihm effektiv, Bestellungen und Preisvorschläge zu produzieren, die die Planer dann kurz überprüfen oder sogar automatisch ausführen. Da das System selbstadaptiv ist (es trainiert die Prognosen jeden Tag mit den neuesten Daten und optimiert entsprechend neu), erfordert es keine manuelle Parameterabstimmung. Tatsächlich kritisiert Lokad recht deutlich die Branchengewohnheit des endlosen Abstimmens - sie betonen, dass ihr System “nicht auf simplen Zeitreihenmethoden basiert” und ohne ständige manuelle “Abstimmung” von den Nutzern funktioniert ¹⁰. Die schwere Arbeit der Anpassung an Saisonalität, Ereignisse, unregelmäßige Nachfrage wird von den Algorithmen und nicht von den Planern, die Prognosen anpassen, geleistet. Ein wichtiger Aspekt ist die Handlungsfähigkeit: Lokad gibt Entscheidungen (oder handlungsorientierte Empfehlungen) aus, anstatt nur Diagnosen. Zum Beispiel wird es, anstatt nur darauf hinzuweisen, dass ein bestimmter Artikel möglicherweise ausverkauft sein könnte (wie es einige “Control Tower”-Dashboards tun), direkt eine Bestellmenge oder eine Preisänderung empfehlen, um dies zu beheben. Es zielt darauf ab, “korrigierende Maßnahmen zu empfehlen, anstatt einfach einen Alarm auszulösen”, was entscheidend ist, wenn man einen unbeaufsichtigten Betrieb wünscht ¹³. In einer schnelllebigen eCommerce-Umgebung reicht ein System, das Ihnen nur sagt, dass es ein Problem gibt, nicht aus - Sie wollen, dass es Ihnen sagt, was Sie dagegen tun sollen, oder es sogar tut. Lokad ist darauf ausgelegt, Letzteres zu tun.

Angesichts dieses Lobes, wo sollte man skeptisch gegenüber Lokad sein? Die Hauptvorsicht ist, dass Lokads Ansatz stark individuell und technisch ist. Es ist kein Plug-and-Play-SaaS, bei dem man es einschaltet und sofort eine schöne Benutzeroberfläche mit allen Antworten sieht. Es erfordert ein gewisses Maß an Datenreife und Vertrauen in quantitative Methoden von der Benutzerfirma. Es gibt auch eine implizite Abhängigkeit vom Lokad-Team (“Supply Chain Scientists”), insbesondere während der Ersteinrichtung - effektiv agieren sie als Ihr erweitertes Team, um die Lösung zu implementieren. Dies ist ein anderes Modell als beispielsweise die Installation einer gut definierten Software. Wenn ein Kunde nicht bereit ist, sich auf diesen kollaborativen, techniklastigen Prozess einzulassen, könnte er Schwierigkeiten haben. Allerdings ermöglicht dieses Modell auch die Tiefe der Optimierung. Es ist ein klassischer Trade-off: Flexibilität und Leistung vs. Benutzerfreundlichkeit. Lokad optimiert eindeutig für Leistung und Flexibilität.

Aus einer Marktplatzperspektive scheint Lokads Wertversprechen besonders auf die Bedürfnisse des E-Commerce abgestimmt zu sein. E-Commerce-Unternehmen jonglieren mit vielen Herausforderungen - Ausverkäufe, Überbestände, volatile Nachfragespitzen durch Promotionen oder Influencer-Hits, etc. - und sie greifen oft auf zusammengestückelte Tools (BI-Dashboards, Ad-hoc-Python-Skripte, etc.) zurück, um Lücken zu füllen, die ihr ERP oder WMS hinterlässt. Lokad positioniert sich im Grunde als die spezialisierte Schicht, die all diese Signale aufnimmt und einen nahezu optimalen Plan ausgibt. Sie stellen sich ausdrücklich in Kontrast zu simplen Tools, die von Marktplätzen oder ERPs bereitgestellt werden, und merken an, dass diese nur einen “Bruchteil” dessen abdecken, womit E-Commerce-Unternehmen zu tun haben ^{14 15}. Zum Beispiel könnte ein Amazon-Marktplatz Ihnen eine Nachfrageprognose für die nächste Woche geben - aber er wird Ihre Supply Chain-Kosten oder Ihr Multi-Warehouse-Inventar nicht integrieren. Lokads Technologie ist darauf ausgelegt, jedes relevante Signal bis hinunter auf SKU-Ebene zu verarbeiten, ohne zu brechen und ohne dass die Nutzer manuell mit Tabellen jonglieren müssen ¹⁶. Dies ist ein starkes Wertversprechen, wenn es wie beworben geliefert wird.

Um Lokad zusammenzufassen: Es rangiert an der Spitze unserer Liste aufgrund seiner ganzheitlichen Optimierungsfähigkeit und fortschrittlichen Technologie. Es erfüllt das Kriterium der gemeinsamen Optimierung direkt - Bestand, Preisgestaltung und mehr können gemeinsam über seine programmatische Plattform optimiert werden. Es nutzt probabilistische Prognosen und wirtschaftliche Treiber (sie machten Quantilprognosen, bevor es cool war, wie ihr Erfolg im M5-Wettbewerb zeigt ⁶) und scheut sich nicht vor komplexen Effekten wie Substitution oder Multi-Channel-Korrelationen. Seine Architektur ist skalierbar und kosteneffizient, vermeidet die Falle des Brute-Force-In-Memory-Computing ^{3 4}. Die Automatisierung ist sehr hoch, mit minimalem manuellen Tuning erforderlich und einem Fokus auf die Erzeugung von Entscheidungen, nicht nur Einblicke ¹³. Die Skepsis, die man Lokad entgegenbringen könnte, betrifft weniger die Frage, ob die Technik funktioniert - die Beweise deuten darauf hin, dass sie es tut - sondern eher, ob eine Organisation bereit ist, eine so datenwissenschaftlich schwere Lösung zu akzeptieren. Es gibt auch die Frage nach der Erfolgsbilanz in größeren Maßstäben; Lokad ist kleiner als einige Wettbewerber, obwohl es bemerkenswerte Kunden hat (z.B. Industrie-Nachmarkt-Distributoren, Mode-eTailer, etc., laut ihren Fallstudien). Angesichts all dessen verdient Lokad eine Top-Bewertung als wirklich hochmoderner E-Commerce-Optimierungsanbieter in unserer Studie.

2. RELEX Solutions - KI-gesteuerte Einzelhandelsoptimierung (mit Vorbehalten)

RELEX Solutions ist ein in Finnland geborener Anbieter, der schnell im Bereich der Einzelhandelsplanung aufgestiegen ist und oft im gleichen Atemzug mit den etablierten Giganten für Prognose und Nachschub genannt wird. RELEX bietet eine einheitliche Plattform an, die die Nachfrageprognose, die Bestandsauffüllung, die Zuteilung, das Sortiment, die Personalplanung und neuerdings die Preis- und Promotions-Optimierung abdeckt. Ihre Kernstärke liegt im Lebensmittel- und Einzelhandel (einschließlich stationärer Handel), aber sie werben aktiv auch bei E-Commerce-Playern und betonen ihre Fähigkeit, über Online- und Offline-Kanäle hinweg zu planen. Für reine E-Commerce-Nutzer liegt der Wert von RELEX in seiner End-to-End-Planung - sicherzustellen, dass das richtige Inventar am richtigen Ort ist, mit dem richtigen Preis und den richtigen Aktionen, unter Verwendung fortschrittlicher Algorithmen zur Reaktion auf Nachfrageänderungen.

RELEX bewirbt stark seinen Einsatz von KI und maschinellem Lernen. Tatsächlich ist sein CEO Mikko Kärkkäinen ein ausgesprochener Befürworter von “pragmatischer KI” im Einzelhandel. Laut Kärkkäinen verarbeiten “KI-gesteuerte Bestandsverwaltungssysteme Hunderte von nachfragebeeinflussenden Faktoren”, um die Prognosegenauigkeit zu erhöhen ¹⁷. Er hebt sogar hervor, dass so etwas wie Wetterdaten nicht ein Faktor, sondern “Hunderte von verschiedenen Faktoren” (Temperatur, Luftfeuchtigkeit, etc.) sind, die ihre maschinellen Lernmodelle berücksichtigen ¹⁸. Dies veranschaulicht RELEXs Ansatz: ein weites Netz für prädiktive Signale (Wetter, Aktionen, Feiertage, Social Media Trends, etc.) auswerfen und ML verwenden, um sie mit den Verkäufen zu korrelieren. Der Vorteil ist, dass das System komplexe Muster erkennen kann (z.B. wie eine plötzliche Hitzewelle die Nachfrage nach bestimmten Getränken in Kombination mit einem Feiertagswochenende beeinflusst). Die skeptische Sichtweise ist jedoch, dass das Anpreisen von “Hunderten von Faktoren” mehr Marketing als bedeutende Verbesserung sein könnte. Bei Prognosen führt das Hinzufügen weiterer Eingaben nach einem bestimmten Punkt zu abnehmenden Erträgen oder kann sogar die Genauigkeit verschlechtern, wenn das Modell Rauschen überanpasst. Es macht das Modell auch zu einer Black Box - es ist praktisch unmöglich für einen Menschen, ein Modell zu verstehen, das tatsächlich Hunderte von Variablen verwendet. RELEX versucht, die Bedenken hinsichtlich der Black-Box durch die Befürwortung eines “Glasbox”-Ansatzes (Transparenz in KI) zu entkräften. Sie haben darüber gesprochen, Einblick in Prognosen und nicht nur ein Ergebnis zu geben, so dass Planer die Schlüsseltreiber sehen können. Aber realistisch gesehen wird ein neuronales Netzwerk oder ein Gradient-Boosting-Modell mit Hunderten von Merkmalen nicht vollständig interpretierbar sein. Planer werden dem System vertrauen müssen. Dies ist ein allgemeiner Kompromiss mit KI/ML: RELEX steht auf der Seite von “werfen Sie viele Daten auf das Problem und lassen Sie die Algorithmen es herausfinden.”

Erzielt dies Ergebnisse? Die Kunden von RELEX berichten oft von verbesserten Prognosen und weniger Ausverkäufen, insbesondere in promotionalen und saisonalen Situationen, in denen traditionelle Methoden Schwierigkeiten hatten. Zum Beispiel integriert RELEX Wettervorhersagen und hat eine Reduzierung des Prognosefehlers um bis zu 75% für bestimmte wetterempfindliche Produkte bei ungewöhnlichem Wetter behauptet ¹⁹. Wir nehmen solche spezifischen Behauptungen mit einer Prise Salz - sie könnten ausgewählt sein. Dennoch fügt der Ansatz von RELEX wahrscheinlich Wert in der kurzfristigen Prognose (“Demand Sensing”) hinzu, indem er Prognosen auf Basis der neuesten Informationen anpasst. Im Wesentlichen feinabstimmen ihre ML-Modelle kontinuierlich die Basisprognose mit neuen Datensignalen. Dies ähnelt dem, was einige als Demand Sensing bezeichnen (Verwendung von nahezu Echtzeitdaten zur Aktualisierung von Kurzzeitprognosen). RELEX verschmilzt in seinen Materialien Demand Sensing mit seiner breiteren ML-Prognose, anstatt es als separates Modul zu behandeln. Sie befürworten „kontinuierliches, automatisiertes Nachprognostizieren“, wenn sich Situationen ändern.

Wie gut deckt RELEX auf der gemeinsamen Optimierungs-Front Preisgestaltung und Sortiment zusätzlich zum Inventar ab? Historisch gesehen war RELEX am stärksten in der Nachfüllung und Zuweisung (Sicherstellung, dass Geschäfte oder DCs nicht ausgehen). Sortimentsplanung (Entscheidung, welche Produkte zu welchen Geschäften oder welche SKUs zu tragen sind) war ebenfalls Teil ihrer Suite, ebenso wie Planogramm-Optimierung (Raumplanung). Preisoptimierung war eine Lücke bis vor kurzem - aber 2022 führte RELEX eine KI-gesteuerte Preisoptimierung ein ^{20 21}. Sie positionieren es als nahtlos vereint mit ihrer Promotionsplanung. Zum Beispiel teilen ihr Promotionsplanungstool und ihr Preisoptimierungstool die gleichen Daten und UI, so dass ein Einzelhändler eine Promotion planen und das System den optimalen Rabatttiefe, Timing usw. empfehlen kann, und dann werden die Inventarimplikationen automatisch berücksichtigt. Dies geht sicherlich in Richtung gemeinsame Optimierung. Es ist jedoch unklar, ob RELEX wirklich Preis und Inventar zusammen optimiert oder ob es dies immer noch sequenziell tut (erst den Preis festlegen, dann passt sich der Inventarfluss an). In einer idealen gemeinsamen Optimierung würden Sie Inventarbeschränkungen berücksichtigen, wenn Sie Preise festlegen (z.B. fördern Sie nicht aggressiv einen Artikel, wenn das Angebot eingeschränkt ist). Die integrierte Plattform von RELEX ermöglicht wahrscheinlich solches übergreifendes Denken - z.B. würde ihr System bemerken “wir haben nicht genug Lagerbestand im DC, um diese Promotion in allen Geschäften zu unterstützen” und könnte es markieren oder anpassen. Sie erwähnen die Abstimmung von Preisgestaltung und Promotionen mit der Supply Chain, um sicherzustellen, dass Pläne ausführbar sind ²². Also, RELEX ist sich der Notwendigkeit bewusst, Silos zu durchbrechen.

Eine Insider-Perspektive: Der Reiz von RELEX besteht darin, dass es alles (Nachfrage, Versorgung, Betrieb) in eine Plattform für den Benutzer bringt. Zum Beispiel können Warenplaner gemeinsame Prognosen und Beschränkungen über Abteilungen hinweg sehen ²². Das bedeutet, dass ein Planer die Auswirkungen einer Preisentscheidung auf die Supply Chain und umgekehrt verstehen kann. Diese Sichtbarkeit ist eine große Verbesserung gegenüber isolierten Tools. Aber Sichtbarkeit ist nicht dasselbe wie vollständige algorithmische Optimierung. Wir vermuten, dass RELEX zwar ein sehr kohärentes Benutzererlebnis und Datenmodell bietet, einige der Entscheidungsfindungen aber immer noch schrittweise sein könnten. Die Preisoptimierung könnte einen idealen Preis ausgeben, das Inventarmodul plant dann darum. Die enge Integration stellt sicher, dass sie nicht in Konflikt geraten, aber sie löst nicht unbedingt ein einziges Optimierungsproblem, das den Gewinn unter Berücksichtigung der Inventarkosten gleichzeitig maximiert. Die Erreichung des Letzteren ist komplex und nicht viele Anbieter (außer vielleicht Lokad, wie besprochen) versuchen es explizit.

Aus der Sicht der Technologiearchitektur ist RELEX ziemlich fortschrittlich. Sie haben in den frühen Tagen ihre eigene In-Memory-Datenbank-Engine gebaut (eine spaltenorientierte DB, die für Zeitreihen und hierarchische Daten optimiert ist), die es ihnen ermöglichte, Prognosen für Tausende von Geschäften x SKUs schnell zu berechnen. Viele Fallstudien zitieren RELEX, das Tabellenkalkulationen und Legacy-Systeme ersetzt und sofort in der Lage ist, viel mehr Datengranularität zu handhaben (wie von wöchentlicher zu täglicher Planung zu wechseln, oder spezifische Planung für Geschäfte anstelle von Einheitsgröße). Für den E-Commerce bedeutet dies, dass RELEX wahrscheinlich SKU-Level-Prognosen für einen globalen Online-Shop ohne Probleme handhaben kann. Sie haben Cloud-Implementierungen und können skalieren. Wir haben keine spezifischen Kostenbeschwerden über die Technik von RELEX gefunden; wenn überhaupt, sind sie stolz auf effiziente Berechnung (ihre akademischen Gründer haben die Algorithmen stark optimiert). Eine Sache, die sie haben, ist ein In-Memory-“Live-Datenbank”-Konzept, das, wenn es falsch konfiguriert ist, viel RAM benötigen könnte - aber das ist spekulativ. Im Allgemeinen war die Skalierbarkeit von RELEX kein rotes Tuch auf dem Markt; sie bedienen riesige Lebensmittelketten mit Zehntausenden von SKUs und vielen Geschäften, was einem ähnlichen oder größeren Datenvolumen entspricht, als viele E-Tailer haben.

Automatisierung und die Rolle der Planer: RELEX spricht oft von “autonomer Planung”, aber auch von “erweiterten Entscheidungen”. Sie positionieren ihr Werkzeug nicht als eine Blackbox, die den Planer entfernt. Tatsächlich betonen sie die Benutzerfreundlichkeit - z.B. ihre Benutzeroberfläche, konfigurierbare Dashboards und Ausnahmeverwaltung. Das System generiert automatisch Bestellungen oder Transferempfehlungen, aber in der Regel überprüft und genehmigt ein Planer (insbesondere in den frühen Phasen der Einführung). RELEX hat ein Konzept von “Prognoseausnahmen”, bei dem, wenn die KI-Prognose aufgrund einer Anomalie zu stark abweicht, sie markiert wird. Sie haben auch eine Simulationsfähigkeit, bei der Planer sehen können, warum das System etwas vorschlägt (zumindest in groben Begriffen, wie “weil das Wetter heiß war, prognostizieren wir +50% Anstieg”). Mikko Kärkkäinen hat gesagt: “Best-in-Class-Lösungen nutzen pragmatische KI und Rechenleistung, um Aufgaben zu optimieren… autonom ohne menschliches Eingreifen” ²³, und er beschreibt auch “autonome Einzelhandelsplanung, die selbstlernend und selbstabstimmend Silos abbaut” ⁵. Also zumindest in der Vision strebt RELEX ein weitgehend selbstfahrendes System an. Wir bleiben hier etwas skeptisch gegenüber voller Autonomie: Große Einzelhändler, die RELEX nutzen, haben immer noch Planungsteams. Aber diese Teams verwalten wahrscheinlich jetzt nach Ausnahme, was eine Form von teilweiser Autonomie ist.

Eine der Widersprüche zu beobachten bei RELEX (und ähnlichen Anbietern) ist das Versprechen von extremer Flexibilität und extremer Automatisierung. Sie behaupten, das System sei sehr flexibel (z.B. kann man konfigurieren, wie die Preisregeln funktionieren, oder Prognosemodelle anpassen), doch sie behaupten auch, es stimme sich selbst ab. Es gibt eine Spannung: Wenn ein Benutzer viel manuell überschreiben kann, könnte das System in der Praxis auf diese manuellen Einstellungen angewiesen sein. Wenn sie der KI wirklich vertrauen, sollten sie weniger und weniger überschreiben müssen. RELEX’s Bezugnahme auf “Selbstabstimmung” impliziert das Letztere - dass das System mit der Zeit weniger manuelle Parameteranpassungen benötigen wird ⁵. Wir haben gesehen, dass RELEX’s Ansatz die Planer mehr zu Aufsichtspersonen macht. Zum Beispiel bemerkte ein Artikel, dass RELEX’s System die Planer von manuellen Aufgaben befreite, um sich auf strategische Züge zu konzentrieren ²⁴. Dennoch sagte eine Quelle von SelectHub, dass einige Benutzer Teile von RELEX “unhandlich” fanden und Probleme hatten, wie das Prognostizieren bestimmter Einschränkungen (Frachtgrenzen), die Workarounds erforderten ²⁵. Dies deutet darauf hin, dass es nicht alles Magie ist; Benutzer stoßen immer noch auf Kanten, an denen sie eingreifen müssen oder wo das Werkzeug nicht so reibungslos ist.

Bekannte Probleme oder Bedenken: Es gibt keine öffentlich dokumentierten “Fehler”-Fälle für RELEX, wie es sie für einige gibt (keine Schlagzeilen über Klagen). Das Unternehmen hat im Allgemeinen einen positiven Ruf. Allerdings erwähnt anonymes Insider-Gespräch manchmal, dass die Implementierung von RELEX in sehr großen, komplexen Umgebungen Probleme aufwerfen kann. Zum Beispiel kann die Datenintegration eine Herausforderung sein (Müll rein, Müll raus - wenn die Daten des Kunden ein Durcheinander sind, könnte RELEX schlechte Pläne ausspucken, und die Schuld geht entweder auf das Werkzeug oder die Daten). Auch das aggressive Wachstum von RELEX (sie haben viele Kunden schnell an Bord gebracht) bedeutet, dass einige Kunden möglicherweise nicht die gleiche Handhaltung bekommen, wie sie zum Beispiel Lokad bietet. Dies ist keine Kritik an der Software per se, sondern an realen Ergebnissen: Wie viele RELEX-Projekte erfüllen die versprochenen KPIs? Anbieter lieben es, Verbesserungen im besten Fall zu zitieren (“X% Lagerreduktion bei Y-Kunde!”), erwähnen aber selten Fälle, in denen die Zahlen nicht realisiert wurden. Wir vermuten, dass RELEX, wie alle Anbieter, einige Projekte hatte, die unterliefert haben, möglicherweise aufgrund schlechter Veränderungsmanagement oder weil der Einzelhändler dem System nicht genug vertraute, um darauf zu reagieren. Auf einem Partnergipfel gab sogar Blue Yonder zu, dass ineffektives Veränderungsmanagement und Datenprobleme die meisten Projektfehler verursachen ²⁶ - das Gleiche gilt wahrscheinlich auch für RELEX-Implementierungen.

Ein weiterer bemerkenswerter Aspekt: RELEX neigt dazu, viele externe Daten zu integrieren, einschließlich Dinge wie Google Trends, mobile Standortdaten für Fußgängerprognosen usw. Für einen eCommerce-Spieler sind einige davon (wie Fußgänger) irrelevant, andere (Wetter, Trends) sind es. Man sollte sich fragen: Brauche ich wirklich all diese Datenfeeds? Für einige E-Businesses könnten einfache Modelle auf Verkaufshistorie fast genauso gut sein. RELEX wird sicherlich die Idee verkaufen, dass mehr Daten bessere Prognosen liefern. Die Ergebnisse des M5-Wettbewerbs (an dem RELEX, soweit wir wissen, nicht öffentlich teilgenommen hat) zeigten, dass ausgefeilte Modelle einfachere Modelle übertrafen, aber oft nur mit kleinen Margen. Die Top-Methoden waren oft Ensembles vieler Modelle, nicht unähnlich dem, was RELEX intern machen könnte. Aber interessanterweise hat ein reiner Machine-Learning-Ansatz traditionelle Methoden in diesen Wettbewerben nicht kategorisch zerquetscht - eine Kombination von sorgfältig abgestimmten statistischen Modellen neigte dazu zu gewinnen. Wenn wir also die Behauptungen von RELEX gegen Benchmarks wie M5 abgleichen: Wir sehen, dass probabilistische Prognosen tatsächlich wertvoll sind (was sie tun), aber wir sehen auch, dass es unter den Top-Ansätzen keine einzige Geheimsoße gibt - es geht um sorgfältige Modellierung. In Abwesenheit von RELEX, das ihre Genauigkeit auf solchen Standarddatensätzen veröffentlicht, bleiben wir vorsichtig. Der Rat des Skeptikers an jeden, der RELEX in Betracht zieht, ist: Fordern Sie spezifische Beweise für Verbesserungen und definieren Sie eine klare Ausgangslage. Zum Beispiel, wenn RELEX sagt “wir haben die Prognosegenauigkeit um 30% verbessert”, klären Sie “30% im Verhältnis zu welcher Metrik und Ausgangslage?” Viele Male messen Anbieter den Auftrieb gegen ein Szenario, das ihr Werkzeug schmeichelt (sagen wir, im Vergleich zu naiven Prognosen oder zu einem schlechten Jahr). Die Anleitung dieser Studie: Fordern Sie Klarheit über die Ausgangslagen für jede Leistungsbehauptung.

Zusammenfassend lässt sich sagen, dass RELEX Solutions als Top-Anbieter eingestuft wird, weil es die Schlüsselbereiche (Nachfrage, Bestand, Preisgestaltung) auf integrierte Weise anspricht und moderne AI/ML-Techniken umfangreich einsetzt. Zu seinen Stärken gehören sehr granulare Prognosen, die eine Vielzahl von Faktoren berücksichtigen, starke Promotion- und Saisonplanungsfähigkeiten und eine einheitliche Plattform, die allen Stakeholdern eine einzige Wahrheitsquelle bietet. Es erfüllt die Anforderungen an Skalierbarkeit (bewährt im Großhandel), an Kannibalisierungshandhabung (über fortgeschrittene Prognosemodelle, die Querprodukteffekte berücksichtigen ²⁷), an Marktplatz/Omni-Channel (das System kann gleichzeitig für Online und Offline planen und wahrscheinlich Wettbewerberdaten aufnehmen, wenn sie bereitgestellt werden). RELEX drängt auch in Richtung Automatisierung, mit Behauptungen von selbstabstimmenden Modellen und autonomen Entscheidungen, obwohl in der Praxis eine gewisse Benutzerkontrolle bleibt. Die größten Vorbehalte sind die Komplexität und Undurchsichtigkeit, die mit ihrem AI-lastigen Ansatz einhergehen - Benutzer müssen in gewissem Maße der Black Box vertrauen - und die Notwendigkeit, Hype von Realität in ihrem Marketing zu trennen. Wir bewerten RELEX hoch, aber mit einem Sternchen: Es ist ein leistungsstarkes Werkzeug, aber eines, das eine sorgfältige Implementierung und eine datengetriebene Kultur erfordert, um es voll auszuschöpfen. Wir ermutigen auch potenzielle Benutzer, auf “AI-Washing” in der Branche zu achten; die Botschaft von RELEX gehört zu den glaubwürdigeren (da sie tatsächlich echte Technik unter der Haube haben), aber selbst Mikkos Aussagen über “Hunderte von Faktoren” ¹⁷ sollten eher als Begeisterung für AI gesehen werden als eine Garantie für drastisch bessere Ergebnisse als ein Konkurrent. In einem eCommerce-Kontext kann RELEX sicherlich den Job erledigen, stellen Sie nur sicher, dass Sie seine Ergebnisse rigoros messen und ein Auge darauf haben, ob all diese ausgefallenen Funktionen tatsächlich in Ihrem Fall verwendet werden oder einfach nur in der Software brach liegen.

3. Blue Yonder - Legacy-Juggernaut im Wandel (Behauptungen vs. Realität)

Blue Yonder (früher bekannt als JDA Software) ist ein Gigant in der Software für die Supply Chain, mit jahrzehntelanger Geschichte in Planungssystemen für Einzelhandel und Fertigung. Es verfügt über eine umfassende Suite, die Prognose, Nachschub, Lagerverwaltung, Transport, Belegschaft und Preisgestaltung abdeckt (nach der Übernahme des Preisspezialisten Revionics im Jahr 2020). Für E-Commerce-Spieler bietet Blue Yonder Lösungen an, die ursprünglich für große Einzelhändler und CPG-Unternehmen entwickelt wurden - denken Sie daran als den Unternehmensriesen in diesem Bereich. Mit diesem Erbe kommen jedoch sowohl Stärken (robuste Funktionalität, Skalierbarkeit, Branchenerfahrung) als auch erhebliche Schwächen (veraltete Technologie in Teilen, Integrationsprobleme durch mehrere Übernahmen und eine Erfolgsbilanz, die einige hochkarätige Misserfolge beinhaltet).

In Bezug auf die gemeinsame Optimierung ist die Geschichte von Blue Yonder etwas gemischt. Sie haben Komponenten für alle Teile: z.B. ihr Luminate Demand Edge für Prognosen, Luminate Allocation/Replenishment für den Bestand und Revionics für die Preisgestaltung. Auf dem Papier könnten Sie alle drei verwenden und eine koordinierte Strategie erreichen - zum Beispiel speisen die Prognosen sowohl den Bestandsplan als auch die Preisoptimierungsmodelle, und die Preisoptimierung kann die Nachfrageelastizität berücksichtigen (was im Grunde genommen die Prognose der Nachfrage zu verschiedenen Preispunkten ist). Blue Yonder vermarktet sicherlich die Idee einer End-to-End-, “von der Planung bis zur Ausführung” unter ihrer Luminate-Plattform. In der Praxis sind jedoch viele dieser Module separat entstanden und wurden erst kürzlich zusammengeführt. Der Preisoptimierungsmotor von Revionics hat beispielsweise seine eigene Herkunft und wurde nach der Übernahme integriert. Die Herausforderung von Blue Yonder besteht darin, dies wie eine kohärente Lösung wirken zu lassen. Das Unternehmen erkannte, dass es historisch gesehen eine fragmentierte Suite hatte; als Ergebnis kündigten sie 2023 eine große architektonische Transformation an: den Umzug zu einem “einheitlichen Datenmodell und Anwendungsplattform” auf der Snowflake Cloud ²⁸. Das ist eine große Sache - im Grunde genommen ihre Produkte neu zu gestalten, um alle von einem großen Cloud-Datenrepository (Snowflake) zu lesen/schreiben, so dass Datensilos verschwinden. Der CEO verkündete eine Vision eines “Betriebssystems für die Supply Chain der Welt”, in dem alle BY-Anwendungen Daten flüssig teilen ²⁸.

Wir sehen diese Vision als vielversprechend und problematisch. Vielversprechend, weil sie, wenn sie erreicht wird, tatsächlich viele Integrationsprobleme lösen würde (keine Batch-Schnittstellen mehr zwischen Nachfrageplanung und Preisgestaltung, zum Beispiel - sie würden buchstäblich auf die gleichen Daten in Snowflake schauen). Problematisch, weil sie enorm ehrgeizig und riskant ist. Sogar die Partnerberatungsfirma von Blue Yonder stellte fest, „Obwohl visionär, glauben wir, dass das vollständige Eliminieren von Integrationen für die meisten Kunden übermäßig optimistisch sein könnte.“ ²⁹. Kunden haben Daten an vielen Orten, nicht alles wird ordentlich in Snowflake sitzen, daher wird eine benutzerdefinierte Integration immer noch für Nicht-Blue-Yonder-Systeme benötigt ²⁹. Kurz gesagt, die Strategie von Blue Yonder ist eine Arbeit im Gange - eine Reaktion darauf, als “Legacy” gesehen zu werden. Sie sagten ausdrücklich, dass sie keine “Klippenereignisse” (über Nacht alte Technik fallen lassen) erzwingen werden, sondern die Legacy-Module schrittweise in Mikrodienste umwandeln, so dass die Kunden in ihrem eigenen Tempo migrieren können ^{30 31}. Das bedeutet, dass ein Blue Yonder-Kunde derzeit immer noch, sagen wir, die alte JDA-Nachfrageplanung vor Ort mit einer Integration zu Revionics in der Cloud verwenden könnte. Die vollständig vereinheitlichte Plattform könnte für die allgemeine Verfügbarkeit noch ein paar Jahre entfernt sein. In der Zwischenzeit ist die gemeinsame Optimierung mit Blue Yonder manueller: Sie könnten ihre Tools parallel verwenden, aber oft liegt es am Benutzer zu koordinieren (z.B. sicherzustellen, dass die Aktionen des Preisgestaltungsteams in den Bestandsplan einfließen).

Blue Yonder erfüllt auf dem Papier viele technologische Anforderungen: Sie integrieren nun maschinelles Lernen in die Prognose (unter Nutzung der Technologie des Unternehmens Blue Yonder GmbH, das sie 2018 erworben haben und das sich auf KI für den Einzelhandel spezialisiert hat). Sie behaupten, “erklärbare KI, maschinelles Lernen und sogar generative KI” in verschiedenen Anwendungen zu verwenden ³². Sie haben sicherlich fortschrittliche Algorithmen für Dinge wie Nachschuboptimierung, Zuteilung usw., die über Jahrzehnte entwickelt wurden. Aber man muss skeptisch sein, denn Blue Yonder hat auch eine Menge technischer Schulden. Viele ihrer Kernalgorithmen wurden in den 90er Jahren oder Anfang der 2000er Jahre von i2 Technologies oder JDA entwickelt. Sie wurden verbessert, ja, aber bis zur jüngsten Cloud-Umschreibung lief vieles auf alten Architekturen (einige Lösungen benötigten Oracle-Datenbanken usw.). Wenn Blue Yonder also “kognitive, ML-getriebene Planung” vermarktet, sollte man sich fragen: Ist es wirklich neue Technik oder nur neue Markenbildung? Zum Beispiel könnte ihre Nachfrageplanung jetzt ML verwenden, um Prognosesteigerungen für Feiertage zu schätzen, was gut ist, aber nutzt die zugrunde liegende Architektur wirklich die heutige Cloud-Rechenleistung, oder ist sie durch die Nachrüstung in ein Legacy-System eingeschränkt?

Ein konkretes historisches Problem: Blue Yonder (JDA) erwarb i2 Technologies im Jahr 2010. i2 war bekannt für optimierungsintensive Lösungen, aber auch für gescheiterte Implementierungen zu Zeiten. Berühmt wurde, dass Dillard’s (ein großes Kaufhaus) nach dem Kauf von i2 durch JDA eine Klage über 246 Millionen Dollar gewann, weil die Software von i2 angeblich nicht die versprochenen Leistungen erbrachte ^{33 34}. Dies war ein großer Schlag ins Gesicht - im Grunde genommen scheiterten die Software und das Projekt so sehr, dass der Kunde Schadenersatz erhielt, der das 30-fache dessen überstieg, was sie für die Software bezahlt hatten. Diese Saga, wenn auch vor 15 Jahren, zeigt, dass selbst hoch angesehene Anbieter große Fehlschläge haben können, wenn die Technologie zu viel verspricht oder nicht gut implementiert wird. Blue Yonder musste diese Kosten tragen und hat hoffentlich daraus gelernt. Es unterstreicht, warum wir skeptisch bleiben: Große Anbieter mögen “Weltklasse-Produkte” anpreisen, aber es gibt Beweise dafür, dass sie in einigen Fällen nicht wie beworben funktionieren. Jeder Anbieter hat Misserfolge; Blue Yonder hatte zumindest einen, der durch öffentliche Gerichte gezogen wurde.

Zu Blue Yonders Verdienst, sie sind offener geworden, Probleme anzusprechen. Auf ihrem Partnergipfel 2023 diskutierten sie offen über “rote Projekte” (problematische Implementierungen) und stellten fest, dass die Hauptursachen nicht die Algorithmen per se waren, sondern “ineffektives Change Management und Probleme bei der Datenmigration/integration” ²⁶. Sie stellten fest, dass es entscheidend ist, die Daten richtig zu bekommen und den Kunden bei der Anpassung der Prozesse zu unterstützen. Diese Selbstreflexion ist gut - sie bedeutet, dass Blue Yonder nicht blind dafür ist, warum Projekte scheitern. Es stimmt auch mit unserem allgemeinen Analysethema überein: Oft ist es nicht so, dass die Mathematik falsch ist, sondern dass die Integration in die reale Welt schwierig ist. Dass Blue Yonder Datenintegrationsherausforderungen identifiziert, ist aufschlussreich: Es spiegelt die Komplexität ihrer Suite wider. Denn wenn ihre Module wirklich nahtlos integriert wären, wäre die Datenmigration nicht so ein Kopfschmerz. Die Tatsache, dass sie es ist, deutet darauf hin, dass Kunden möglicherweise umfangreiche Datenabgleiche durchführen mussten, um die gesamte Suite zu nutzen. Die einheitliche Datenlayer von Snowflake zielt darauf ab, dieses Problem zu lösen, aber wie gesagt, es ist noch früh.

Lassen Sie uns die aktuellen Fähigkeiten von Blue Yonder für ein E-Commerce-Szenario untersuchen:

• Nachfrageprognose: Blue Yonder Luminate Demand (insbesondere mit Demand Edge) verwendet maschinelles Lernen, um viele Faktoren (Wetter, Ereignisse, Preisgestaltung) zu berücksichtigen. Sie haben sich auch in Richtung probabilistischer Prognosen bewegt; zumindest unterstützen sie die Verwendung von Konfidenzintervallen oder Quantilen in der Planung. Ein Beispiel aus ihrem Blog: Sie verwenden KI nicht nur, um Faktoren auf eine Basislinie zu legen, sondern um die Prognose täglich von Grund auf neu mit den neuesten Daten zu erstellen, automatisch Dinge wie Kalenderwechsel zu berücksichtigen und sich selbst zu korrigieren, wenn neue Ist-Daten eintreffen ^{35 36}. Sie behaupten, dass dies die Notwendigkeit für Planer, manuelle Anpassungen oder Profile für die Saisonalität zu pflegen, beseitigt - das Modell lernt sie und passt sich an ³⁶. Dies entspricht sehr gut der aktuellen Praxis der Prognose. Der Ansatz von Blue Yonder ist in der Theorie solide: kontinuierliches Lernen, Anerkennung von Unsicherheit (sie sprechen über das Risiko von Über-/Unterprognosen und die Kostenabwägungen ³⁷) und die Verwendung von ML, um komplexe Beziehungen zu erkennen (wie verschiedene Wetterbedingungen oder Aktionen die Nachfrage beeinflussen, ohne dass ein Mensch diese Beziehungen explizit kodiert).
• Inventar & Nachschub: Dies war schon immer eine Stärke von JDA/Blue Yonder. Sie bieten eine mehrstufige Bestandsoptimierung (MEIO), d.h. sie können die Lagerbestände in DCs und Fulfillment-Centern für den E-Commerce optimieren, unter Berücksichtigung von Lieferzeiten, Nachfrageschwankungen usw., um die angestrebten Servicelevels zu erreichen. Die Tools von Blue Yonder können empfohlene Bestellmengen, Sicherheitsbestände usw. generieren. Historisch gesehen waren diese Algorithmen eher regel-/heuristikbasiert oder nutzten die lineare Programmierung für spezifische Probleme. Wahrscheinlich werden sie jetzt durch ML-basierte Vorhersagen ergänzt, aber die Kernoptimierung ist wahrscheinlich eine Mischung aus Operations Research und Simulation. BY kann sicherlich die Planung von Artikeln in großem Maßstab bewältigen; viele Fortune 500-Einzelhändler nutzten JDA für die Laden-Nachschub, was in der Skala analog zu einem großen E-Comm-Lager ist, das Kunden beliefert.
• Sortiment: Blue Yonder verfügt über Tools zur Kategorienverwaltung, die bei der Entscheidung über Sortimente helfen (welche Produktmischung in welchen Geschäften). Für einen reinen E-Commerce-Anbieter könnte die Sortimentsplanung bedeuten, zu entscheiden, welche neuen Produkte gelistet oder gestrichen werden sollen. Die Tools von BY können Attribute und Leistungsdaten verwenden, um Änderungen im Sortiment zu bewerten. Allerdings handelt es sich dabei in der Regel um einen periodischen strategischen Prozess, nicht um einen kontinuierlichen.
• Preisoptimierung: Mit der Übernahme von Revionics hat Blue Yonder einen robusten Preisoptimierungsmotor erhalten, der im Einzelhandel (insbesondere in Lebensmittel- und Allgemeinwarenketten) weit verbreitet ist, um Grundpreise, Aktionsrabatte und Preisnachlässe festzulegen. Revionics verwendet KI, um die Preiselastizität und sogar die Auswirkungen der Wettbewerbspreise zu modellieren, und empfiehlt dann Preisänderungen, die Ziele wie Margen- oder Umsatzwachstum erreichen, während sie Preisregeln berücksichtigen (z.B. Preise, die auf .99 enden, usw.). Als Teil von Blue Yonder ist Revionics jetzt als Luminate Pricing bekannt. In der Theorie schließt dieser Motor, kombiniert mit den Nachfrageprognosen von Blue Yonder, die Schleife - man kann simulieren, wie eine Preisänderung die Nachfrage und das Inventar beeinflusst, und einen optimalen Preis wählen. Blue Yonder vermarktet dies als “autonome Preisgestaltung, angetrieben durch KI”, die so oft wie nötig (sogar intraday für den E-Commerce, wenn gewünscht) laufen kann.

Eine große Frage: Wie gut arbeiten diese Teile heute tatsächlich zusammen? Blue Yonder behauptet, dass sie es tun. Zum Beispiel könnten sie sagen, dass ihre Preisgestaltungslösung Prognosen aus ihrer Nachfragelösung aufnehmen und Preise ausgeben kann, die die Inventarlösung dann zur Planung von Bestellungen verwendet. Aber wenn diese Integrationen nicht in Echtzeit sind oder benutzerdefinierte IT-Arbeit erfordern, ist die Schleife möglicherweise nicht so eng, wie man hoffen würde. Realistisch gesehen könnte ein E-Commerce-Nutzer von Blue Yonder im Jahr 2023 das Preisgestaltungstool getrennt vom Versorgungstool verwenden, vielleicht mit wöchentlichen Batch-Updates der Prognoseelastizität. Das ist gemeinsame Planung, aber nicht der heilige Gral der sofortigen gemeinsamen Optimierung.

Bei den AI/ML-Behauptungen leidet Blue Yonder manchmal unter Buzzword-Bingo im Marketing. Sie verwenden Begriffe wie “kognitiv”, “durch maschinelles Lernen angetrieben” usw. Wir sollten prüfen, ob es Substanz gibt. Es gibt einige Anzeichen für Substanz: Zum Beispiel hatte Blue Yonder (die ursprüngliche deutsche Tochtergesellschaft) Algorithmen entwickelt, die veröffentlicht wurden (ihr Team gewann einen frühen Einzelhandelsprognosewettbewerb im Jahr 2014 mit neuronalen Netzen). Auch das Patentportfolio von Blue Yonder ist groß (400+ Patente), was auf viel F&E hindeutet ³⁸. Allerdings bedeutet die Menge an Patenten nicht die Qualität des Produkts - es zeigt nur, dass sie viele Techniken ausprobiert haben. Die skeptische Perspektive besteht darin, Blue Yonder nach spezifischen Ergebnissen zu fragen: z.B., haben sie am M5 oder an einem neutralen Benchmark teilgenommen? Nicht öffentlich. Gibt es Fallstudien mit konkreten Vorher-Nachher-Zahlen? Sie haben einige, aber oft sind Anbieter-Fallstudien rosig und es fehlt an Klarheit über die Ausgangslage. Blue Yonder sagt Dinge wie “Einzelhändler X sah einen Gewinnanstieg von Y% durch unsere Preisgestaltung” - aber ohne Kontext ist das Marketing.

Man muss auch die Kosten und Komplexität bei Blue Yonder berücksichtigen. Dies sind große Unternehmenssysteme. Die Implementierung kann viele Monate oder Jahre dauern und beinhaltet nicht nur die Einrichtung der Software, sondern auch die Neugestaltung von Geschäftsprozessen. Blue Yonder erfordert in der Regel entweder ihre professionellen Dienstleistungen oder ein Partnerunternehmen zur Implementierung. Die Gesamtbetriebskosten können sehr hoch sein (Lizenz + Dienstleistungen + IT). Für einen reinen E-Commerce-Anbieter, insbesondere einen mittelgroßen, könnte Blue Yonder überdimensioniert oder zu langsam in der Implementierung im Vergleich zu agileren SaaS-Lösungen sein. Selbst große Unternehmen zögern manchmal: Ein bezeichnendes Branchenereignis war die Absage eines 500 Millionen Euro SAP-Projekts durch Lidl (den großen globalen Einzelhändler) im Jahr 2018, da es den Anforderungen nicht gerecht wurde ³⁹. Das war SAP, nicht Blue Yonder, aber es zeigt, dass riesige Projekte scheitern können und enorme Budgets verschlingen. Die Projekte von Blue Yonder sind ähnlich komplex; tatsächlich hat ihr Partner JBF Consulting festgestellt, dass der Wettbewerber Manhattan Associates einen anderen Ansatz gewählt hat (Neuimplementierung für ihre neue Plattform), während BY einen sanfteren Migrationsweg versucht ⁴⁰. Die Tatsache, dass Manhattan sich für einen “Neuimplementierungsweg zur neuen Technologie” entschieden hat, deutet darauf hin, dass diese Übergänge nicht trivial sind. Blue Yonder versucht, Albtraum-Upgrades zu vermeiden, indem sie sich langsam weiterentwickeln - aber das bedeutet auch, dass Kunden möglicherweise jetzt noch nicht ganz moderne Technologie einsetzen und auf das Neue warten.

Aus Sicht der Automatisierung ist Blue Yonder heute wahrscheinlich weniger automatisiert als Lokad oder RELEX es anstreben. Viele BY-Kunden verwenden die Tools, um Empfehlungen zu generieren, die dann von Planern genehmigt oder angepasst werden. Blue Yonder fördert das Konzept einer “autonomen Lieferkette” (insbesondere seit der Übernahme durch Panasonic im Jahr 2021 sprechen sie über die Verbindung von IoT-Daten zu automatisierten Entscheidungen) ⁴¹. Aber es ist sicher zu sagen, dass ein großer Teil ihrer Kundenbasis noch in einem Hybridmodus ist: Sie vertrauen dem System für einige Entscheidungen, überschreiben andere manuell. Zum Beispiel ist ein häufiges Szenario, dass das System Bestellungen vorschlägt, aber ein Planer Ausnahmen überprüft (genau wie bei RELEX). Oder das Preissystem schlägt Preisänderungen vor, aber ein Merchandising-Manager überprüft sie und lehnt vielleicht einige ab, die nicht mit der Markenstrategie übereinstimmen. Die Software kann viel tun, aber Unternehmen haben etablierte Prozesse, die sich nicht über Nacht ändern.

Wettbewerbsinformationen und Marktplätze: Die Preislösung von Blue Yonder (Revionics) berücksichtigt Wettbewerbspreisdaten - sie hat eine Funktion für die Wettbewerbsreaktion und kann die Preise der Konkurrenten zur Anpassung der eigenen einbeziehen ⁴². So kann Revionics für den E-Commerce, wenn Sie einen Feed mit Wettbewerbspreisen haben, diesen in seine Optimierung einbeziehen (zum Beispiel nicht mehr als X% über einem Konkurrenten preisen, um das Preisimage zu erhalten, oder den niedrigsten Preis anpassen, wo nötig). Das ist ein Pluspunkt bei der gemeinsamen Optimierung der Preisgestaltung. Auf Marktplätzen hat Blue Yonder nicht speziell ein Modul zur Marktplatzverwaltung, wie es einige E-Commerce-spezifische Anbieter tun (wie Channel-Advisor-Tools für Amazon). Daher könnte man Blue Yonder für die Kernplanung verwenden, aber dennoch ein separates Tool zur Verwaltung von marktplatzspezifischen Taktiken (Werbung, Buy-Box usw.) benötigen. Dies liegt außerhalb des Bereichs von Blue Yonder und ist kein Kritikpunkt an ihnen, sondern nur eine Anmerkung, dass der E-Commerce Aspekte hat, die diese traditionellen Anbieter nicht abdecken (Lokad oder RELEX decken auch keine Werbegebote usw. ab, um fair zu sein).

Angesichts der Größe und des Erbes von Blue Yonder sollte man auch innere Widersprüche in ihrer Botschaft genau prüfen. Zum Beispiel könnte Blue Yonder “Echtzeit-Personalisierung und Preisgestaltung” auf ihrer Handelsplattform anpreisen, doch ihre Planungslösungen liefen historisch gesehen in Batch-Zyklen (nächtliche Planung, wöchentliche Neuplanungen usw.). Sie bewegen sich in Richtung einer stärkeren Nutzung von Echtzeitdaten (ihre Partnerschaft mit Snowflake dient teilweise dazu, die nahezu Echtzeit-Datenfreigabe zu ermöglichen). Aber wenn ein Anbieter “Echtzeit-Dynamikpreisgestaltung und Bestandsoptimierung” behauptet, fragen Sie: Bedeuten sie, dass das System kontinuierlich neu berechnet, oder nur, dass es schnell reagieren kann, wenn es ausgelöst wird? Und brauchen Sie wirklich Echtzeit für Sortimentsentscheidungen? Wahrscheinlich nicht - das ist eher strategisch. Daher wird ein kritisches Ohr erkennen, wann die Marketing-Sprache inkohärent ist. Das breite Marketing von Blue Yonder fällt manchmal in diese Falle, alles zu versprechen (von der langfristigen Strategie bis zur sofortigen Ausführung). Es ist klug zu unterscheiden, welche Funktionen wirklich in Echtzeit sind (z.B. könnte ihre Transportroutenplanung innerhalb von Minuten auf eine Bestellung reagieren) im Vergleich zu denen, die von Natur aus Batch sind (wie die saisonale Sortimentsplanung).

Kostenbedenken bei Snowflake: Wir sollten einen subtilen, aber wichtigen Punkt hervorheben: Blue Yonder, das auf Snowflake aufbaut, könnte das Kostenmodell für Kunden verändern. Anstatt traditioneller Lizenzen könnten Kunden am Ende für die Cloud-Nutzung (Snowflake-Credits) auf Basis von Datenvolumen und Abfragehäufigkeit bezahlen. Wenn die Apps von Blue Yonder auf Snowflake stark rechnen, könnte die Snowflake-Rechnung des Kunden in die Höhe schnellen. Dies ist vergleichbar mit der alten IBM-Mainframe-Abrechnung nach MIPS - je mehr Sie es nutzen, desto mehr zahlen Sie, was die vollständige Nutzung des Systems entmutigen kann. Blue Yonder und Snowflake arbeiten vermutlich an einer Preisgestaltung, aber der Benutzer sollte auf einen “Rechnungsschock” achten, wenn Planungsszenarien sehr oft auf großen Daten laufen. Dies ist eine sehr reale Überlegung, da die Supply-Chain-Planung rechenintensiv sein kann (insbesondere bei Szenariosimulationen oder probabilistischen Berechnungen). Ein ineffizienter Prozess auf Snowflake könnte viele Credits verbrennen. Blue Yonder hat wahrscheinlich daran gedacht (sie müssen es kommerziell zum Laufen bringen), aber es ist etwas, dessen man sich bewusst sein sollte. Ein Kostenmodell, das nicht mit dem Geschäftswert übereinstimmt (wie die Abrechnung nach verarbeiteten Daten anstatt nach Ergebnis), erinnert an Fallstricke aus früheren Zeiten.

Abschließend ist Blue Yonder in Bezug auf die Umsetzung der “Next-Gen”-Vision knapp unter den reinen, neueren Lösungen eingestuft. Es verfügt zweifellos über eine reiche Funktionalität und viele erfolgreiche Implementierungen, aber aus einer skeptischen, technischen Perspektive sehen wir ein Unternehmen im Übergang. Sie versuchen zu modernisieren und sprechen dabei viel über KI, Integration und Automatisierung. Doch bis diese Transformation vollständig realisiert ist, sollten Kunden vorsichtig sein hinsichtlich der Lücken zwischen den Modulen und dem tatsächlichen Aufwand, der erforderlich ist, um die versprochenen Ergebnisse zu erzielen. Das Toolset von Blue Yonder kann sicherlich den Betrieb von E-Commerce unterstützen (viele große Einzelhändler mit Omni-Channel-Geschäft nutzen BY für ihre E-Com-Seite), und seine Breite ist unübertroffen (keiner der anderen Anbieter hat einen so großen Umfang, einschließlich Dinge wie Logistik). Wenn jedoch ein E-Commerce-Unternehmen nur Bedarf und Lieferoptimierung benötigt, könnte Blue Yonder zu schwer sein, es sei denn, sie benötigen speziell diese Unternehmensrobustheit oder verwenden es bereits in anderen Bereichen. Unsere skeptische Studie findet die Behauptungen von Blue Yonder, auf dem neuesten Stand der Technik zu sein, etwas zweifelhaft, bis sie bewiesen sind - die Technik hat einen Stammbaum, aber die Last liegt bei ihnen zu zeigen, dass jahrzehntealte Software wirklich “KI-zuerst” und vereinheitlicht geworden ist. Derzeit raten wir dazu, Blue Yonder als eine mächtige, aber umständliche Option zu betrachten, eine, die Sie wählen, wenn Sie eine sehr umfangreiche Lösung benötigen und die Ressourcen haben, um sie zu implementieren, und vielleicht nicht die erste Wahl, wenn Agilität und schneller ROI im Vordergrund stehen.

4. ToolsGroup - Pionier der Bestandsoptimierung erweitert auf den gesamten Einzelhandel

ToolsGroup ist ein Veteran im Bereich der Supply-Chain-Planung, bekannt insbesondere für seine Expertise in Nachfrageprognose und Bestandsoptimierung. Seine Flaggschifflösung, historisch SO99+ (Service Optimizer 99+) genannt, wurde weit verbreitet für serviceorientierte Bestandsplanung und Multi-Echelon-Optimierung eingesetzt. Einfacher ausgedrückt, war ToolsGroup hervorragend darin, Unternehmen zu helfen, zu bestimmen “Was ist der minimale Bestand, den ich an jedem Standort benötige, um ein Servicelevel X zu erreichen?” unter Unsicherheit - ein kritisches Problem sowohl für den Vertrieb als auch für den E-Commerce. ToolsGroup gehörte zu den ersten, die probabilistische Prognosen kommerziell implementierten, und setzte sich lange dafür ein, von deterministischen Prognosen abzurücken und die gesamte Nachfrageverteilung zu nutzen ^{43 2}. Dieser Ansatz stimmt sehr gut mit dem überein, was wir heute als Stand der Technik betrachten (und was andere Anbieter später übernommen haben).

Im E-Commerce-Kontext bedeutet die Stärke von ToolsGroup, dass es hohe SKU-Zahlen mit unregelmäßiger Nachfrage bewältigen kann und dennoch optimale Lagerziele produziert. Viele E-Tailer haben “Long Tail”-Artikel, die selten verkauft werden - die probabilistischen Modelle von ToolsGroup eignen sich von Natur aus zur Planung dieser Artikel (indem sie die sporadische Natur der Nachfrage erfassen, anstatt sie falsch zu mitteln). Sie behandeln auch Neueinführungen von Produkten, Saisonalität und Aktionen über ihre Prognosemodelle, die maschinelles Lernen einbeziehen. Zum Beispiel könnten sie Analogien (Finden einer ähnlichen Artikelhistorie) oder attributbasiertes Modellieren verwenden, um eine neue SKU zu prognostizieren.

Obwohl ToolsGroup historisch gesehen auf Bestand und Nachfrage ausgerichtet war, erkannte es in den letzten Jahren, dass Preisgestaltung, Aktionen und Sortiment ergänzende Teile sind, die es nicht anbot. Um dies zu adressieren, erwarb ToolsGroup ein Unternehmen namens JustEnough in den Jahren 2018/2019 (JustEnough war später Teil von Mi9 Retail und wurde dann an ToolsGroup verkauft). Die Software von JustEnough deckte Warenwirtschaftsplanung, Sortimentsplanung, Zuweisung und Preisnachlassoptimierung ab - im Wesentlichen Einzelhandelsmerchandising-Funktionen einschließlich Preisnachlässen. Mit dieser Akquisition erweiterte ToolsGroup seinen Fußabdruck von reinem Supply Chain zu dem, was man Einzelhandelsplanung nennen könnte. Sie vermarkten nun eine integrierte Suite, die alles von der Hochplanung bis zur Ausführung mit der Kombination von SO99+ und JustEnough-Fähigkeiten machen kann.

Die Integration dieser Produkte ist jedoch ein wichtiger Skepsispunkt. Das Zusammenführen von zwei verschiedenen Softwareplattformen ist nicht trivial. ToolsGroup hat daran gearbeitet, Datenmodelle zu integrieren (sie erwähnen, dass sie “das gleiche Datenmodell für taktische und operative Planung” haben, um eine Version der Wahrheit zu gewährleisten ⁴⁴). Sie starteten sogar etwas, das sie “Real-Time Retail” nannten, das das Planungssystem von JustEnough mit einem Inventory Hub verbindet, um nahezu Echtzeit-Datenfeeds zu erhalten ^{45 46}. Die Idee ist, dass, wenn Verkäufe stattfinden (oder wenn sich der Bestand bewegt), diese Ereignisse sofort in das Planungssystem fließen und es die Zuweisung oder Nachfüllung on the fly neu planen kann. Dies deutet darauf hin, dass ToolsGroup versucht, eine dynamischere, kontinuierliche Planung zu ermöglichen, anstatt feste periodische Zyklen - ein Ziel, das anderen modernen Anbietern ähnlich ist.

Aber lassen Sie uns das auspacken: ToolsGroup bezeichnet ihre Lösung als “Real-Time Retail, die einzige Lösung, die auf das Einkaufsverhalten im Moment reagiert” ⁴⁵ ist eine starke Behauptung. Es impliziert im Grunde, dass sie den Plan anpassen können, sobald sich etwas ändert. Vielleicht kann das System automatisch eine Übertragung von Beständen auslösen oder eine Bestellung beschleunigen, wenn die Verkäufe heute unerwartet ansteigen. Wenn das wahr ist, ist das mächtig - es verwischt die Grenzen zwischen Planung und Ausführung. Die skeptische Sicht ist jedoch, dass “Echtzeit” wahrscheinlich auf bestimmte Funktionen beschränkt ist (wie die Neuzuweisung von Beständen, die leicht schnell durchzuführen ist) und nicht auf andere (wie die vollständige Neuausrichtung eines Sortiments, die man nicht in Echtzeit durchführen würde). Es ist auch erwähnenswert, dass jeder Anbieter “Echtzeit” jetzt im Marketing verwendet (oft bedeutet das eine Aktualisierung alle paar Minuten oder stündlich, was in Ordnung ist). Die CEO von ToolsGroup selbst stellte fest, dass Einzelhändler schnell umsteuern müssen, um eine Margenerosion zu verhindern, wenn sich die Nachfrage verschiebt ⁴⁷, was wahr ist. Das System berechnet angeblich automatisch neu und empfiehlt Bestellungen oder Übertragungen, sobald neue Informationen eintreffen ⁴⁸.

Angenommen, ToolsGroup hat JustEnough effektiv integriert, könnte ein Benutzer ihres Systems zum Beispiel ein Sortiment nach Geschäft oder Kanal mit dem JustEnough-Modul planen, das dann in die Bestandsziele in SO99+ einfließt, und auch Preisnachlässe für End-of-Life-Produkte mit ihrer Optimierung planen. Das deckt gemeinsame Optimierungsaspekte ab - insbesondere wenn die Nachfrageprognosen und Bestandsparameter den geplanten Preisnachlassplan berücksichtigen. Es ist immer noch möglicherweise ein sequenzieller Prozess (erst Preisnachlässe entscheiden, dann das Bestandsergebnis sehen), es sei denn, sie haben ein kombiniertes Optimierungsmodell erstellt (was unwahrscheinlich ist über diese Breite). Aber es ist eine einheitliche Lösung in Bezug auf den Datenfluss.

Wo ToolsGroup eindeutig den Kriterien des Standes der Technik entspricht, ist in der probabilistischen Prognose und Service-Level-Optimierung. Sie haben jahrelang darauf bestanden, dass einzelne Prognosezahlen unzureichend sind und man mit Wahrscheinlichkeiten planen muss. Zum Beispiel produzieren sie nicht nur “erwartete Nachfrage = 100”, sondern eine Kurve, die zeigt, dass es eine 10%ige Chance gibt, dass die Nachfrage >120 ist, usw. Dann verwendet ihre Optimierung das, um Bestandsniveaus zu entscheiden, so dass, sagen wir, 95% der Zeit die Nachfrage erfüllt werden kann ^{49 50}. Dieser Ansatz behandelt von Natur aus Unsicherheit und sogar Kannibalisierung bis zu einem gewissen Grad (insbesondere wenn Sie ihre Modellierung für korrelierte Artikel verwenden). Ein interessanter Aspekt: ToolsGroup hat oft behauptet, dass die Verwendung von probabilistischen Prognosen die Lebensdauer von älteren ERP-Planungssystemen (wie SAP APO) verlängern kann, indem sie ihnen bessere Informationen liefern ^{1 51}. Dies unterstreicht, dass ToolsGroups Unterscheidungsmerkmal hauptsächlich in der Mathematik der Prognose und des Bestands liegt und nicht darin, eine All-in-One-Planungs-Benutzeroberfläche zu sein.

Und wie steht es mit Automatisierung und Benutzerfreundlichkeit? ToolsGroup war traditionell eher ein “Back-End-Motor” mit einer etwas umständlichen Benutzeroberfläche, laut einigen Benutzern. Sie haben die Benutzeroberfläche seitdem verbessert (neue Web-Benutzeroberfläche, usw.). Aber wichtiger ist, dass sie die Automatisierung in der Planung betonen. Ihre Materialien behaupten zum Beispiel, dass „die eingebaute Automatisierung die Planungsarbeit um bis zu 90% reduziert“ ⁵². Sie zitieren auch oft Kunden, die nach der Verwendung von ToolsGroup eine „40-90%ige Reduzierung der Planerarbeit“ und eine „20-30%ige Bestandsreduzierung“ erreicht haben ^{53 54}. Das sind große Zahlen. Der Anspruch auf Bestandsreduzierung ist plausibel, wenn ein Unternehmen vorher sehr ineffizient war oder aufgrund von Misstrauen in Prognosen übermäßige Puffer hielt. Die Reduzierung der Planerarbeit impliziert, dass das System viel mehr automatisch macht. Dies stimmt mit dem überein, was wir erwarten: Ein probabilistisches System sollte das Feuerlöschen reduzieren (da man für Unsicherheit plant, passieren weniger Überraschungen, so dass Planer nicht so viel beschleunigen oder auf den letzten Drücker manuell Bestände umverteilen). Ein Skeptiker würde jedoch anmerken, dass eine 90%ige Arbeitslastreduzierung wahrscheinlich das obere Ende ist (vielleicht ein Fall, in dem ein Unternehmen von 10 Planern auf 1 nach der Implementierung ging - möglich, aber nicht typisch). Und 20-30% weniger Bestand könnte das Ergebnis davon sein, dass das Unternehmen anfangs viel zu viel “für den Fall der Fälle” hatte. In der supply chain sieht man oft, dass man, sobald man optimiert, vielleicht 10-15% Reduzierungen sieht, wenn die Dinge vorher mäßig in Ordnung waren. Daher vermuten wir, dass die von ToolsGroup beworbenen Bereiche ⁵³ Best-Case-Szenarien sind. Es ist aufschlussreich, dass sie sie als Bereiche präsentieren - das impliziert, dass die Ergebnisse stark nach Klient variieren.

Ein Vorteil von ToolsGroup ist ihre Stabilität und spezifischer Fokus. Sie machen seit 30 Jahren Supply-Chain-Optimierung (gegründet 1993). Sie sind nicht so groß wie Blue Yonder oder so trendy wie RELEX, aber sie haben eine treue Kundenbasis und tiefe Expertise in dem Bereich. Für ein E-Commerce-Unternehmen, das hauptsächlich auf Bestandsrentabilität bedacht ist - d.h., nicht zu viele Ausverkäufe oder Überbestände zu haben - ist ToolsGroups Lösung sehr ausgereift. Ihre Multi-Echelon-Optimierung könnte insbesondere E-Tailer mit mehreren Fulfillment-Centern oder solchen, die auch in 3PL-Lagern lagern, usw., zugute kommen. Sie wird den Bestand angemessen dorthin schieben, wo er am meisten benötigt wird, während sie zentrale Puffer schlank hält.

Allerdings war ToolsGroups schwächerer Punkt die Preisoptimierung. Die Übernahme von JustEnough brachte ihnen die Optimierung von Preisnachlässen (Festlegung von Rabattplänen für den Ausverkauf). Das ist nützlich für den E-Commerce mit saisonalen Produkten oder Mode. Aber sie vermissen immer noch eine echte dynamische Preisoptimierung wie bei Revionics/Blue Yonder oder einigen spezialisierten Preislieferanten. Die Optimierung von Preisnachlässen bezieht sich auf End-of-Life- oder Promo-Preise. Die regelmäßige alltägliche Preisoptimierung (für Marge oder Wettbewerbspositionierung) ist nicht eine bekannte Stärke von ToolsGroup. Sie könnten grundlegende Fähigkeiten haben oder Partner nutzen. Das bedeutet, wenn die gemeinsame Preis- + Bestandsoptimierung eine Priorität ist, könnte ToolsGroup nicht so stark sein wie Blue Yonder oder RELEX, die dedizierte Preis-Engines haben. ToolsGroup könnte immer noch den Bestand optimieren, vorausgesetzt, ein gegebener Preis, aber es wird Ihnen nicht den besten Preis sagen, um den Gewinn zu maximieren (abgesehen von End-of-Life-Ausverkaufsszenarien). Dies ist eine wichtige Unterscheidung: ihre “Optimierung” ist hauptsächlich auf die Versorgung ausgerichtet (Bestandsniveaus, Nachschub) eher als auf die Nachfragegestaltung (Preisgestaltung, Promotion) - trotz der Hinzufügung einiger Nachfragegestaltungstools durch Übernahme.

In Bezug auf den Technologiestack bietet ToolsGroup nun eine Cloud-SaaS-Option an und positioniert sogar einige seiner Angebote unter coolen Namen wie “Inventory Hub” und “Fulfill.io”. Dies zeigt, dass sie versuchen, sich zu modernisieren und vielleicht einem breiteren Markt zu gefallen, einschließlich mittelgroßen E-Commerce-Unternehmen. Der zugrunde liegende Motor verwendet immer noch fortgeschrittene statistische Methoden und wahrscheinlich C++ oder ähnliches für die Berechnung. Wir haben nicht gehört, dass ToolsGroup auf Leistungsgrenzen stößt; sie haben Referenzen von Kunden mit Millionen von SKU-Standort-Kombinationen. Wenn überhaupt, könnte ToolsGroups Achillesferse sein, dass es als “Optimierer-Tool” gesehen wird - leistungsstark, aber eine Konfiguration durch Experten erfordert. Sie haben versucht, mit mehr Out-of-the-Box-ML zu vereinfachen. Zum Beispiel integrieren sie Demand Sensing (Verwendung von kurzfristigen Trends zur Anpassung von Prognosen) und behaupten, Machine Learning zur Identifizierung der Faktoren zu verwenden, die die Nachfrage am stärksten beeinflussen ⁵⁵. Sie haben auch in ihrem Blog einen Mythos widerlegt, dass probabilistische Prognosen nicht von Menschen angepasst werden können - sie klären, dass sie Urteile einbeziehen können, aber die Mathematik wird historisch für Bias berücksichtigen ⁵⁶. Dies spiegelt einen ausgewogenen Ansatz wider: sie entfernen den Menschen nicht völlig, aber sie leiten den Menschen mit besseren Informationen.

Kannibalisierungseffekte: ToolsGroups probabilistisches Modell kann, wenn konfiguriert, Kannibalisierung erfassen (zum Beispiel, wenn Sie eine Ersatzbeziehung eingeben, können sie Szenarien modellieren, in denen, wenn ein Artikel ausverkauft ist, ein Teil der Nachfrage zu einem anderen wechselt). Dies erfordert jedoch wahrscheinlich Aufwand, um Beziehungen einzurichten oder ihr ML zur Gruppierung von Artikeln zu verwenden. Es ist nicht klar, wie automatisch dies ist. Aber ToolsGroup betonte den Umgang mit “Long Tail, intermittierender Nachfrage und mehr Kanälen” in einem Blog von 2017, im Grunde genommen sagen, dass diese Bedingungen traditionelle Tools brechen und probabilistische Methoden erfordern ⁵⁷. Sie erwähnen speziell “mehr Kanäle zum Markt, mit aggregierter Nachfrage, die aus mehreren Strömen kommt” als ein Szenario, in dem Einzelzahl-Prognosen brechen, was darauf hindeutet, dass ihre Lösung Multi-Channel besser handhabt ⁵⁷. So könnte ein E-Tailer, der auf seiner Website und bei Amazon verkauft, ToolsGroup zur Planung der kombinierten Nachfrage verwenden. Das Tool würde eine Gesamtprognose erstellen und vielleicht erlauben, den Bestand optimal nach Kanal zu verteilen (obwohl die Kanalzuweisung oft einfacher ist, wenn alles aus denselben Fulfillment-Centern verschickt wird, aber im Falle getrennter Bestandspools ist es wichtig).

Ein Aspekt, den man bei ToolsGroup (wie bei jedem Anbieter mit erworbenem Suite) im Auge behalten sollte, ist die Konsistenz der Benutzererfahrung. Sind die Prognose- und Bestands- und Sortimentsmodule jetzt alle in einer Benutzeroberfläche, oder fühlt es sich an, als würde man zwischen Systemen springen? Sie haben an der Vereinheitlichung der Schnittstelle gearbeitet, aber Benutzerfeedback wäre nötig. Es ist nicht so vereinheitlicht wie RELEX’s einzelne Plattform, die im Haus gebaut wurde, vermutlich.

In Bezug auf die Erfolgsbilanz hat ToolsGroup viele erfolgreiche Fallstudien, oft mit Schwerpunkt auf Bestandsreduktion und Verbesserung des Servicelevels. Sie haben kein großes Fiasko öffentlich bekannt wie SAP oder JDA. Sie sind kleiner, daher könnte jedes Projekt mehr Aufmerksamkeit bekommen. Allerdings, weil sie oft an Fertigungs-/Vertriebsunternehmen verkauft haben, kennen einige Einzelhandels-/E-Commerce-Leute sie nicht so gut. Ihr Vorstoß in den Einzelhandel über JustEnough bedeutet, dass einige ältere JustEnough-Kunden jetzt ToolsGroup nutzen. JustEnough selbst hatte gemischte Bewertungen (es war anständig bei der Planung, aber vielleicht in der Skalierbarkeit begrenzt - unklar). Also musste ToolsGroup diese Module stärken. Als Skeptiker würden wir raten zu prüfen, wie integriert die Analysen wirklich sind. Zum Beispiel, kann das System automatisch erkennen, dass eine in dem JustEnough Modul geplante Promotion die Nachfrageprognose in SO99+ anpassen sollte? Wahrscheinlich ja, sie hätten Werbeaufschwünge integriert. Sie erwähnen “Nachfrageerkenntnisse helfen, die statistische Prognose zu verfeinern” ⁵⁸, was impliziert, dass sie Dinge wie Promotionen oder aktuelle Trends berücksichtigen, um Basisprognosen anzupassen.

Um die Bewertung von ToolsGroup zu verdichten: Es ist sehr stark in seiner ursprünglichen Nische (Prognose & Bestand) - wohl die beste in ihrer Klasse bei der probabilistischen Bestandsoptimierung - und erweitert sich, um Preisgestaltung und Sortiment abzudecken, obwohl diese neueren Fähigkeiten möglicherweise noch nicht mit spezialisierten Wettbewerbern mithalten können. ToolsGroup erfüllt viele unserer Kriterien für den Stand der Technik:

• Probabilistische Prognosen? Ja, sie haben das befürwortet ^{49 43}.
• Wirtschaftliche Optimierung? Implizit ja für den Bestand (sie optimieren den Service gegenüber den Kosten), aber nicht so explizit auf den Gewinn wie Lokad. Es ist eher “das Serviceziel mit minimalem Bestand erreichen”, was eine Form der Kostenoptimierung ist.
• Skalierbarkeit? Im Allgemeinen ja, keine Alarmglocken. Und ihr Ansatz ist effizient (nicht brachial).
• Kannibalisierung? Möglich, durch fortgeschrittene Modellierung, aber nicht ihr Hauptanspruch auf Berühmtheit.
• Marktplatz/Wettbewerb? Nicht inhärent - das würden Sie extern oder über Eingaben handhaben. ToolsGroup wird nicht die Preise der Wettbewerber für Sie durchsuchen oder so.
• Automatisierung? Ja, hoch. Nach der Einrichtung können viele Planungsaufgaben mit ihrem System automatisiert werden, das Bestellvorschläge ausgibt, die die Planer nur genehmigen müssen. Sie werben mit enormen Arbeitslastreduzierungen und weniger menschlichen Vorurteilen.
• Skepsis gegenüber Anbieteransprüchen: Das Marketing von ToolsGroup ist tatsächlich eher mild im Vergleich zu anderen, abgesehen von diesen Verbesserungsstatistiken, die wir bereits mit Vorsicht betrachtet haben. Sie konzentrieren sich auf das, was die Technik leistet (ihre Blogs, die über probabilistische Planung aufklären, sind substantiell, nicht nur Füllmaterial). Aber sie beteiligen sich jetzt auch am AI-Buzzword-Spiel und nennen alles “AI-powered”. Wir stellen jedoch fest, dass sie einen Fuß in der traditionellen OR (Operations Research) und einen anderen in ML haben, was eine gesunde Mischung ist.

Ein externer Datenpunkt: Analystenfirmen (wie Gartner) setzen ToolsGroup oft in die Führungsposition für Supply Chain Planning, könnten aber anmerken, dass die Fähigkeiten von ToolsGroup eher tief als breit sind und die Benutzeroberfläche historisch weniger modern war. Dies ist nun teilweise behoben (neue Benutzeroberfläche, Integration).

Für einen reinen E-Commerce-Anbieter würde die Entscheidung für ToolsGroup wahrscheinlich davon abhängen, ob die Bestandsoptimierung das größte Problem ist und ob sie eine bewährte, etwas eigenständige Lösung dafür benötigen. Wenn ja, könnte ToolsGroup eine großartige Wahl sein und schnelle Erfolge bei der Reduzierung des Lagerbestands und der Verbesserung des Service liefern. Wenn das E-Commerce-Unternehmen jedoch auch die Preisgestaltung stark optimieren oder modernste Omnichannel-Markdown-Strategien durchführen möchte, könnte ToolsGroup dort nicht so funktionsreich sein wie Blue Yonder oder RELEX oder ein spezielles Preiswerkzeug. Es könnte erforderlich sein, es mit einer anderen Preisgestaltungslösung zu kombinieren, was dann Integrationsherausforderungen mit sich bringt. (Interessanterweise könnte ToolsGroup dem nicht widersprechen - sie haben historisch gesehen manchmal mit anderen koexistiert, sich auf den Bestand konzentriert, während ein anderes System die Preisgestaltung übernahm.)

Abschließend rangiert ToolsGroup als technisch solider, Spezialist-zum-Suite-Anbieter. Wir schätzen seine technische Strenge in der Prognose und seine pragmatische Herangehensweise an Unsicherheit (sie haben das Problem “Prognose ist immer falsch” längst durch Planung mit Wahrscheinlichkeiten widerlegt). Wir bleiben vorsichtig hinsichtlich der jüngsten Expansion: ob ihre neu integrierten Einzelhandelsmodule auf dem gleichen Niveau wie ihr Kernstück arbeiten. Der innere Widerspruch, den wir beobachten, ist ihre Behauptung, nun vollständig integriert zu sein - wenn irgendwelche Risse auftreten (wie Daten, die manuell zwischen Modulen exportiert/importiert werden müssen), würde das die Aussage untergraben. Aber nach den verfügbaren Informationen scheint ToolsGroup eine einheitlichere Erfahrung nach JustEnough zu liefern. Sie stimmen sogar mit dem Trend der Echtzeitdatennutzung in der Planung überein, was lobenswert ist.

Schließlich, wie wir es auch bei anderen getan haben: Überprüfung der Anbieteraussagen für ToolsGroup. Wenn sie zum Beispiel sagen, “90+% Produktverfügbarkeit, 20-30% weniger Bestand, 40-90% reduzierter Arbeitsaufwand” ^{53 54} - ist ein gesunder Skeptizismus, diese als erreichbare, aber nicht garantierte Ergebnisse zu betrachten. Diese Zahlen stammen wahrscheinlich von verschiedenen Kunden, die jeweils eine dieser hohen Marken erreichen, nicht von einem Kunden, der alle gleichzeitig erreicht. Niemand sollte erwarten, dass sein Bestand um 30% sinkt, während der Service auf >90% steigt und die Planer um 90% auf einmal reduziert werden. Die Realität beinhaltet in der Regel Kompromisse und schrittweise Verbesserungen. Die Methodik von ToolsGroup kann definitiv zu signifikanten Verbesserungen führen, aber wir würden empfehlen, realistische Ziele zu setzen und während des Prozesses zu messen. Die gute Nachricht ist, dass der Fokus von ToolsGroup auf messbaren Ergebnissen (Service %, Bestand $$) einen wahrheitssuchenden Ansatz unterstützt - es ist sehr klar, ob es funktioniert oder nicht, wenn man diese Metriken betrachtet.

---

Durch den Hype schneiden: Lektionen & Empfehlungen

Bei diesen Anbietern sind einige gemeinsame Themen von Hype vs Realität aufgetaucht, die ein E-Commerce-Entscheider im Hinterkopf behalten sollte:

• Vorsicht vor Buzzwords: Begriffe wie “KI-getrieben, kognitiv, Demand Sensing, Echtzeit, autonom” werden großzügig herumgeworfen. Stellen Sie sicher, dass sie durch konkrete Fähigkeiten untermauert sind. Zum Beispiel klingt “Demand Sensing” oft großartig - nutzen Sie den Umsatz von gestern oder Social-Media-Gespräche, um die heutige Prognose anzupassen - aber in der Praxis könnte es die Zahlen nur leicht verändern und ist im Grunde genommen nur eine kurzfristige Prognose. Branchenexperten haben Demand Sensing möglicherweise als “Mootware” bezeichnet - etwas, das existiert, aber keinen materiellen Wert liefert über das hinaus, was eine gute Prognose bereits leistet ⁵⁹. Kaufen Sie keine “Vaporware”-Konzepte ohne Beweise. Fragen Sie den Anbieter: Was genau macht Ihre KI, was mein aktueller Prozess nicht kann, und können Sie es beweisen? Wenn sie sagen “wir berücksichtigen 300 Faktoren”, fordern Sie sie heraus, ob diese Faktoren wirklich den Ausschlag geben oder nur eine schöne Folie machen.
• Baseline und Benchmarks: Stellen Sie immer eine klare Ausgangsbasis fest (z.B. Lagerumschlag des letzten Jahres, Erfüllungsquote, Bruttomarge) und prüfen Sie, ob der Anbieter bereit ist, Verbesserungen daran zu messen. Viele behaupten prozentuale Verbesserungen, die riesig klingen, aber ohne Kontext bedeutungslos sind. Suchen Sie auch nach einer Teilnahme an externen Benchmarks (wie Prognosewettbewerben oder öffentlichen Fallstudien mit harten Zahlen). Der M5-Wettbewerb war ein solcher Benchmark, der die Spreu vom Weizen in der Prognose trennte - bemerkenswerterweise haben keine der großen traditionellen Anbieter dort Ergebnisse veröffentlicht, während ein kleinerer Spieler (Lokad) dies tat und hervorragend abschnitt ⁶⁰. Das sagt Ihnen, wer von seiner Technologie überzeugt ist.
• Integrationskomplexität: Wenn ein Anbieter durch Übernahmen gewachsen ist (Blue Yonder, ToolsGroup), seien Sie vorsichtig mit Versprechen, dass “es jetzt alles eine Plattform ist”. Oft dauert es Jahre, bis eine echte Integration erreicht ist. Während dieser Zeit könnten Sie effektiv separate Systeme mit einigen Schnittstellen nutzen. Es können versteckte Kosten bei der Implementierung anfallen, um Dinge miteinander zu verbinden. Außerdem könnten zwei erworbene Komponenten nicht die gleiche Vorstellung von bestimmten Daten haben (z.B., eine verwendet wöchentliche Buckets, eine andere tägliche, oder verschiedene Produkt-Hierarchie-Definitionen). Dies kann zu Kompromissen oder Missverständnissen führen. Es ist ratsam, Referenzkunden nach ihren Erfahrungen mit der Integration von Modulen zu fragen.
• Kostenstruktur: Bewerten Sie nicht nur die Kosten für Softwarelizenzen/Abonnements, sondern auch Laufzeitkosten (falls zutreffend) und erforderliche Infrastruktur. Wie bereits erwähnt, kann eine Lösung, die auf etwas wie Snowflake angewiesen ist, diese Cloud-Ausführungskosten an Sie weitergeben. Oder eine sehr speicherintensive Lösung könnte Sie zu High-Tier-Cloud-Instanzen zwingen. Ein Anbieter könnte eine höhere Abonnementgebühr zitieren, aber alle Berechnungen einschließen; ein anderer könnte billiger sein, aber Sie zahlen eine große AWS/Azure-Rechnung für die notwendige Rechenleistung. Stellen Sie sicher, dass Sie die Gesamtbetriebskosten vergleichen. Wir haben erwähnt, wie das Modell von Snowflake die Fallstricke des IBM-Mainframes widerspiegeln könnte - behalten Sie nutzungsabhängige Gebühren im Auge und fordern Sie Transparenz von Anbietern, die dieses Modell verwenden.
• Jeder Anbieter hat Misserfolge: Es ist wichtig zu bedenken, dass kein Anbieter seine gescheiterten Projekte hervorheben wird, aber sie alle haben sie. Die Implementierung ist genauso wichtig wie das Tool. Wir haben gesehen, wie selbst Top-Anbieter wie SAP oder i2 (jetzt unter Blue Yonder) millionenschwere Misserfolge hatten ^{39 33}. Oft sind die Gründe schlechte Daten, falsch ausgerichtete Erwartungen oder das Unternehmen übernimmt die Systemausgaben nicht. Bei der Bewertung fragen Sie die Anbieter, wie sie mit Projekten umgehen, die die Ziele nicht erreichen. Haben sie Beispiele (anonymisiert) für gewonnene Erkenntnisse? Blue Yonder zeigte einige Demut bei der Anerkennung häufiger Misserfolgsursachen ²⁶. Ein Anbieter, der sagt “wir haben eine 100%ige Erfolgsquote”, ist nicht realistisch. Drängen Sie auf Diskussionen darüber, was schief gehen könnte und wie sie es abmildern.
• Widersprüche in Echtzeit vs. Analysetiefe: Wie bereits erwähnt, können einige Analysen (wie die netzwerkweite Sortimentsplanung) nicht wirklich in Echtzeit sein - sie erfordern erhebliche Datenverarbeitung und geschäftliche Überlegungen. Wenn ein Anbieter sowohl “Echtzeit-Reaktionsfähigkeit” als auch “ganzheitliche Optimierung” behauptet, müssen Sie unterscheiden, welche Teile ihrer Lösung welchem Versprechen entsprechen. Zum Beispiel kann ToolsGroup Lagerpositionen in Echtzeit aktualisieren, aber seine Kernoptimierung könnte täglich laufen. RELEX kann Daten in nahezu Echtzeit aufnehmen, aber bestimmte Dinge zu planen (wie KI-basierte Preisoptimierung) könnte immer noch ein nächtlicher Batch-Prozess sein. Verstehen Sie den Takt jeder Lösungsteil in Bezug auf Ihre Geschäftsanforderungen. Echtzeit ist entscheidend für die Ausführung (wie die Aktualisierung der verfügbaren Bestandsversprechen oder dynamische Preisgestaltung on the fly), aber für strategische Entscheidungen sind Tiefe und Strenge wichtiger als Geschwindigkeit.
• Menschliche Übersteuerung vs. Autonomie: Alle Anbieter behaupten ein gewisses Maß an Autonomie, aber auch, dass sie menschliche Eingaben zulassen. Es ist ein Spektrum. Die Schlüsselfrage: Ist das System standardmäßig auf unbeaufsichtigten Betrieb mit nur markierten Ausnahmen eingestellt, oder muss standardmäßig jede Entscheidung vom Benutzer überprüft werden? Für echte Effizienzgewinne wollen Sie Ersteres. Ein rotes Tuch ist, wenn der Anbieter betont, wie viele Hebel und Konfigurationsoptionen der Benutzer hat - das kann signalisieren, dass das Tool möglicherweise viel Babysitting benötigt, um gute Ergebnisse zu erzielen (was dem Versprechen der Automatisierung widerspricht). Idealerweise sollte das Tool diese Hebel selbst einstellen (wie Blue Yonder, das die Notwendigkeit manuell eingestellter saisonaler Profile durch die Verwendung von ML ³⁶ eliminiert). Vertrauen, aber überprüfen: Während Demos oder Tests, sehen Sie, wie viel manuelle Anpassung erforderlich war, um die Demo-Ergebnisse gut aussehen zu lassen.
• AI/ML-Spezifika: Gehen Sie auf die AI-Behauptungen des Anbieters ein. Fragen Sie: Nutzen sie maschinelles Lernen für die Prognose? Welche Algorithmen (wenn sie es sagen können)? Nutzen sie Open-Source-Bibliotheken (wenn alles proprietär ist, ist das manchmal ein Zeichen dafür, dass sie nicht mit den neuesten Techniken Schritt gehalten haben; alle führenden AI-Lösungen beinhalten Open-Source wie TensorFlow/PyTorch oder zumindest bekannte Algorithmen). Wenn ein Anbieter mit einem “eigenen AI-Motor” herumwedelt, aber ihn nicht in einfachen Begriffen erklären kann, seien Sie skeptisch. Umgekehrt, wenn sie zum Beispiel artikulieren können “wir verwenden Gradientenverstärkung für Basisprognosen und ein Verstärkungslernmodell für die Preisgestaltung”, zeigt das eine konkrete Investition in die Technik. Überprüfen Sie auch, ob ihr Team in akademischen oder industriellen Foren über ihre Methoden veröffentlicht oder teilgenommen hat - ein Zeichen für Ernsthaftigkeit.

Schließlich betonen wir eine wahrheitssuchende Denkweise: bestehen Sie auf Daten und Testergebnissen anstelle von glänzenden Versprechen. Wenn möglich, führen Sie einen Piloten oder einen Proof-of-Concept durch, bei dem jedem Anbieter ein Teil Ihrer Daten zur Prognose oder Optimierung gegeben wird, und bewerten Sie die Ergebnisse quantitativ. Zum Beispiel, füttern Sie zwei Jahre Geschichte und lassen Sie sie das dritte Jahr prognostizieren (für das Sie tatsächliche Daten haben) - sehen Sie, wer am nächsten kommt oder wer die kniffligen Nachfragemuster erkennt. Oder lassen Sie sie ein Szenario optimieren und dann die Kosten-/Serviceergebnisse mit Ihrer tatsächlichen Nachfrage simulieren, um zu validieren. Wenige Anbieter werden sich freiwillig einem Bake-off stellen, aber die guten werden es oft tun, weil sie hinter ihrer Wissenschaft stehen. Lokad zum Beispiel engagiert sich oft über Pilotprojekte. Blue Yonder und RELEX führen manchmal “Entdeckungs”-Phasen durch, die Piloten ähneln. Stellen Sie nur sicher, dass Sie klare Erfolgskriterien dafür haben.

Am Ende hat der Markt für E-Commerce-Optimierungssoftware keinen Mangel an selbsternannten “AI-Wundern”, aber durch tiefes Misstrauen und die Forderung nach Ingenieurbeweisen kann man das Rauschen herausfiltern. Diese Studie fand heraus, dass Lokad in technischer Innovation und Fokus führt, RELEX in einheitlicher Einzelhandelsfunktionalität (mit etwas Hype zu beobachten), Blue Yonder in Breite und Erfahrung (inmitten einer herausfordernden technischen Überholung) und ToolsGroup in spezialisierten Optimierungsstärken (mit wachsender Integration). Jeder kann erhebliche Vorteile bieten - doch keiner ist eine Plug-and-Play-Allheilmittel. Die Wahrheit ist, dass erfolgreiche Optimierung aus dem richtigen Werkzeug und der richtigen Implementierungsstrategie kommt. Mit den oben dargelegten Erkenntnissen und Warnhinweisen kann ein E-Commerce-Unternehmen diese Anbieter mit klarem Blick angehen und eine Wahl treffen, die auf Fakten und robuster Argumentation basiert, nicht nur auf Marketingverlockungen.

Fußnoten