Einzelhandelsoptimierungssoftware

Von Léon Levinas-Ménard

Zuletzt geändert: 2. Februar 2025

Einführung: Einzelhändler stehen heute vor komplexen Optimierungsproblemen, die Lagerbestände, Preisstrategien und Produktsortimente umfassen. Eine Reihe von Softwareanbietern verspricht „KI-gestützte“ Lösungen zur Bewältigung dieser Herausforderungen, aber die Unterscheidung zwischen echter technologischer Innovation und Altlastensystemen sowie Marketing-Hype erfordert eine genaue Prüfung. Diese Studie bewertet führende Anbieter von Einzelhandelsoptimierungssoftware anhand strenger Kriterien. Wir konzentrieren uns auf gemeinsame Optimierungsfähigkeiten (Lager, Preis und Sortiment zusammen), probabilistische Prognose (echte KI/ML-Prognosen vs. einfache Methoden), ökonomische Entscheidungsmodellierung (profit- und opportunitätskostenbasierte Entscheidungen anstelle von statischen Regeln), Skalierbarkeit und Kosteneffizienz (Fähigkeit, große Einzelhandelsnetzwerke ohne exorbitante Hardwareanforderungen zu bewältigen), Behandlung komplexer Einzelhandelsfaktoren (z. B. Produkt-Kannibalisierung, Substitutionseffekte, verderbliche/ablaufende Produkte), Automatisierung (Grad der autonomen Entscheidungsfindung vs. erforderliche manuelle Eingriffe), Technologieintegration (ein kohärenter Technologie-Stack vs. „Frankenstein“-Plattformen, die aus Übernahmen zusammengestückelt wurden), und ein skeptisches Auge gegenüber Schlagworten („Demand Sensing“, „Plug-and-Play“ usw.). Jeder Anbieter wird mit technischer Tiefe analysiert, wobei glaubwürdige Beweise verwendet und die Abhängigkeit von Anbietermarketing minimiert werden. Im Folgenden ordnen wir die Anbieter von den fortschrittlichsten bis zu den am wenigsten fortgeschrittenen ein und heben Stärken, Schwächen und die Wahrheit hinter ihren Behauptungen hervor.

Bewertungskriterien für Einzelhandelsoptimierungsplattformen

Bevor wir uns den Anbieterprofilen zuwenden, fassen wir die angewendeten Schlüsselbewertungskriterien zusammen:

Gemeinsame Optimierung (Lager + Preis + Sortiment): Optimiert die Lösung diese Dimensionen ganzheitlich und erkennt ihre gegenseitige Abhängigkeit? Oder sind diese Funktionen isoliert? Wirklich fortschrittliche Plattformen behandeln Preis, Lager und Sortiment als integrierte Hebel eines Optimierungsproblems, anstatt sie als separate Module ¹ zu behandeln. Zum Beispiel sollte eine Preisänderung in einer einheitlichen Modellierung Rückkopplungen auf Lagerprognosen und Sortimentsentscheidungen geben.
Probabilistische Prognose & KI: Setzt der Anbieter moderne KI/Maschinelles Lernen ein, um probabilistische Prognosen (Verteilungen der Nachfrage anstelle von Einzelpunktvorhersagen) zu erstellen? Probabilistische Prognosen sind entscheidend für robuste Entscheidungen unter Unsicherheit ². Wir suchen nach Belegen für maschinelles Lernen, neuronale Netzwerke oder andere KI, die die Prognosegenauigkeit durch das Erlernen komplexer Muster (Saisonalität, Trends, Aktionen usw.) verbessern und Unsicherheiten quantifizieren. Anbieter, die noch auf einfache Methoden (wie manuelle Abstimmung oder grundlegende Formeln) angewiesen sind oder Prognosen als deterministische Punkte behandeln, werden bestraft.
Ökonomische Entscheidungsfindung: Werden die Entscheidungen der Plattform von wirtschaftlichen Zielen (Gewinnmaximierung, Kosten-von-Lagerbestand vs. Kosten-von-Lagerausfall-Abwägungen, ROI von Regalfläche usw.) angetrieben? Die Optimierung des Einzelhandels erfordert mehr als das Erreichen von Füllraten - es bedeutet die Maximierung des erwarteten Gewinns unter Unsicherheit. Wir bevorzugen Lösungen, die Margen, Haltekosten, Abschreibkosten und Opportunitätskosten in ihre Algorithmen einbeziehen. Regelbasierte Heuristiken oder Service-Level-Ziele können scheitern, wenn sie das letztendliche Ziel der Rentabilität ³ ignorieren.
Skalierbarkeit & Kosteneffizienz: Kann die Software Einzelhandelsdaten im Unternehmensmaßstab (Tausende von Geschäften, Millionen von SKUs, hohe Transaktionsvolumen) effizient verarbeiten? Lösungen, die auf monolithischen In-Memory-Berechnungen angewiesen sind (z. B. das Laden ganzer Datensätze in den RAM), könnten im großen Maßstab Schwierigkeiten haben oder prohibitiv teure Hardware erfordern ⁴. Wir bevorzugen Cloud-native Architekturen, Mikroservices und verteiltes Computing, die kosteneffektiv skalieren, und bestrafen solche, die für hohe Hardwarekosten oder langsame Leistung bei großen Datenmengen bekannt sind.
Behandlung komplexer Einzelhandelsfaktoren: Die tatsächliche Einzelhandelsnachfrage ist unordentlich - Produkt-Kannibalisierung (die Promotion eines Produkts stiehlt Verkäufe von einem anderen ⁵ ⁶), Substitutionseffekte (wenn ein Artikel nicht vorrätig ist, steigt die Nachfrage nach einem ähnlichen Artikel), „Halo“-Effekte (komplementäre Produkte steigern sich gegenseitig ⁷), saisonale Spitzen, regionale Variationen und verderbliche Waren mit Verfallsdaten. Wir bewerten, ob die Algorithmen jedes Anbieters diese Komplexitäten explizit berücksichtigen - z. B. durch den Einsatz von maschinellem Lernen zur Identifizierung von Beziehungen zwischen Produkten ⁸ ⁹, oder durch die Verfolgung von Lagerbeständen nach Verfallsbatch. Lösungen, die davon ausgehen, dass die Nachfrage jedes Produkts unabhängig ist oder die Verderblichkeit ignorieren, sind weniger zukunftssicher für den modernen Einzelhandel.
Automatisierung & unbeaufsichtigter Betrieb: Das Versprechen des „autonomen Einzelhandels“ besteht darin, dass das System die meisten betrieblichen Entscheidungen (Bestellungen, Preisänderungen, Abschläge, Sortimentsänderungen) automatisch treffen kann und den Menschen erlaubt, sich auf strategische Ausnahmen zu konzentrieren. Wir bewerten, ob die Software eine „No-Touch“-Planung ermöglicht - z. B. automatische Nachbestellungen basierend auf Prognosen, automatisierte Preisjustierungen innerhalb von Grenzen - oder ob sie immer noch auf Planer angewiesen ist, die ständig manuell überprüfen und Entscheidungen überschreiben müssen. Anbieter, die KI anpreisen, sollten idealerweise die manuelle Arbeitsbelastung („Planungsdrudgery“, wie einer es ausdrückt ¹⁰) reduzieren, nicht erhöhen.
Technologieintegration vs. Frankenstein-Plattformen: Viele große Anbieter sind durch Übernahmen gewachsen und haben separate Prognose-, Preis- und Planungstools unter einer Marke zusammengefügt. Wir prüfen, ob die Lösung des Anbieters eine kohärente Plattform ist oder ein Flickenteppich aus Modulen mit unterschiedlichen Benutzeroberflächen und Datenmodellen. „Frankensoft“-Integration führt oft zu hoher Komplexität und Implementierungszeiten ¹¹. Wirklich moderne Lösungen werden in der Regel auf einem einheitlichen Technologie-Stack aufgebaut oder zumindest nahtlos über Microservices integriert. Wir bestrafen Anbieter, bei denen die Teile immer noch nicht vollständig zusammenpassen (trotz Marketingbehauptungen einer „vereinheitlichten“ Plattform).
Skepsis gegenüber Schlagworten & Hype: Der Einzelhandelstechnologiebereich ist voll von Schlagworten wie „Demand Sensing“, „KI-gesteuerte, Plug-and-Play-Integration“, „kognitive Lieferkette“ usw. Unsere Analyse filtert vage Behauptungen heraus und sucht nach Begründungen. Anbieter, die sich auf Fachjargon stützen, ohne klare Erklärungen oder von Experten überprüfte Unterstützung, werden kritisch betrachtet. Zum Beispiel wird „Demand Sensing“ oft als Allheilmittel angepriesen, aber einige Experten bezeichnen es als Marketing-Gimmick, das keinen neuen Wert liefert ¹². Wir weisen auf solche Fälle hin und bevorzugen Anbieter, die konkrete, glaubwürdige Beweise für ihre Fähigkeiten liefern.

Mit diesen Kriterien im Hinterkopf wollen wir uns die führenden Anbieter in der Einzelhandelsoptimierung ansehen und sie einordnen. Jeder Abschnitt zu einem Anbieter hebt hervor, wie sie in jeder Dimension abschneiden, mit einem besonders skeptischen Blick auf übertriebene Behauptungen.

1. Lokad – Vereinheitlichte, probabilistische Optimierung mit skeptischer KI

Lokad ist ein neuerer Anbieter (gegründet 2008), der seine Plattform von Grund auf um probabilistische Prognosen und Entscheidungsoptimierung für den Einzelhandel und die Lieferkette aufgebaut hat. Im Gegensatz zu vielen Wettbewerbern hat Lokad explizit das Ziel, Preisgestaltung, Bestandsführung und Nachfrageplanung in einem System zu vereinen, anstatt sie als separate Silos zu behandeln ¹³ ¹⁴. Dieser Ansatz basiert auf dem Verständnis, dass Preisentscheidungen die Nachfrage und den Bestandsbedarf direkt beeinflussen und umgekehrt. Der Gründer von Lokad hat darauf hingewiesen, dass historisch gesehen Prognosen und Preisgestaltung von verschiedenen Tools gehandhabt wurden, aber in Wirklichkeit sind „Nachfrage und Preisgestaltung tiefgreifend miteinander verbunden“, was Lokad dazu veranlasst hat, diese Funktionen in einen einzigen analytischen Rahmen zu integrieren ¹⁵ ¹⁶. Sie haben sogar ihre eigene domänenspezifische Programmiersprache („Envision“) entwickelt, um Entscheidungen in der Lieferkette zu modellieren, was eine hochgradig individuelle Optimierung ermöglicht, die Preisgestaltung, Bestandsführung und Sortimentslogik zusammenfassen kann ¹⁷ ¹⁶.

Gemeinsame Optimierung: Lokads Philosophie ist, dass man den Bestand nicht optimieren kann, ohne die Preisstrategie zu berücksichtigen, und umgekehrt. Sie haben Preisgestaltung und Nachfrageplanung in einer Plattform integriert - zum Beispiel kann ihr System Nachbestellmengen optimieren und gleichzeitig Preisänderungen vorschlagen, um sicherzustellen, dass die Preisgestaltung die Nachfrage nicht aus dem Gleichgewicht mit dem Bestand bringt ¹. Eine interne Fallstudie diskutiert eine „bestandsbasierte Preisstrategie“, bei der die Preise dynamisch auf der Grundlage der Bestandsmengen angepasst werden, was eine effektive Koordination von Preisgestaltung und Bestandsverfügbarkeit ermöglicht. Indem sie dieselben Daten (Verkaufshistorie, Produktinformationen usw.) sowohl für die Preis- als auch für die Prognosemodelle verwenden, vermeidet Lokad die Datensilos, die in der traditionellen Einzelhandels-IT zu sehen sind ¹⁸ ¹⁶. Dieser gemeinsame Ansatz ist bahnbrechend, obwohl er von den Einzelhändlern erfordert, dass sie algorithmische Preisgestaltung akzeptieren - ein bedeutender Aspekt des Change Managements. Lokads Bereitschaft, Preisgestaltung und Bestandsführung gemeinsam anzugehen, verleiht ihm eine wirklich zukunftsweisende Fähigkeit, die nur wenige etablierte Anbieter erreicht haben.

Probabilistische Prognose & KI: Lokad ist ein starker Befürworter der probabilistischen Prognose. Ihre Plattform erzeugt vollständige Wahrscheinlichkeitsverteilungen der Nachfrage (für jedes Produkt und jeden Zeitraum) anstatt einzelner Punktprognosen. Lokad argumentiert - und wir stimmen zu - dass “für die supply chain sind probabilistische Prognosen unerlässlich, um robuste Entscheidungen gegenüber unsicheren zukünftigen Bedingungen zu treffen”, was eine Optimierung von Entscheidungen auf Basis von erwarteten Werten und Risiken ermöglicht ³. Indem sie die Bandbreite möglicher Nachfrageergebnisse und deren Wahrscheinlichkeiten erfassen, unterstützen Lokads Prognosen auf natürliche Weise wirtschaftliche Entscheidungsfindung: “Die probabilistische Perspektive eignet sich von Natur aus für die wirtschaftliche Priorisierung von Entscheidungen auf Basis ihrer erwarteten, aber unsicheren Renditen.” ³ In der Praxis bedeutet dies, dass Lokad beispielsweise die erwartete Rentabilität der Lagerung einer zusätzlichen Kiste eines Produkts gegen das Risiko von Verschwendung bewerten kann, indem sie die vollständige Verteilung der Nachfrage nutzen. Technisch gesehen verwendet Lokad modernste maschinelle Lernmodelle (einschließlich Quantilregression und Deep Learning), um diese Prognosen zu erstellen, und sie haben Belege für die Verwendung von Techniken wie differentiellem Programmieren für Zeitreihen veröffentlicht. Da ihr Fokus auf KI-Genauigkeit und Unsicherheitsquantifizierung liegt, vermeiden sie vereinfachende Metriken; insbesondere kritisieren sie Maßnahmen wie MAPE (Mean Absolute Percentage Error), wenn sie auf probabilistische Prognosen angewendet werden, als konzeptionell ungültig ¹⁹. Dies zeigt ein tiefes Verständnis für Prognosen, das sie von Anbietern unterscheidet, die “KI” auf alte Statistiken klatschen. Lokads Prognosetechnologie ist eindeutig auf dem neuesten Stand der Technik, obwohl sie manchmal eine qualifizierte Konfiguration mit ihrer Skriptsprache erfordert.

Wirtschaftliche Entscheidungslogik: Lokads gesamtes Framework ist auf wirtschaftliche Optimierung ausgerichtet. Sie stellen supply chain-Probleme oft als “erwartete Gewinnmaximierung” unter Unsicherheit dar, anstatt willkürliche Füllraten zu erreichen oder Stockouts zu minimieren. Zum Beispiel berücksichtigen ihre Algorithmen Opportunitätskosten von Stockouts, Haltekosten und Abschreibkosten explizit, wenn sie Bestandskäufe oder Preisänderungen empfehlen. Da sie probabilistische Prognosen erstellen, können sie die erwartete Rentabilität jeder Entscheidung berechnen (z.B. wie viel Gewinn wird erzielt, indem man eine weitere Einheit lagert vs. die Chance, dass sie unverkauft bleibt). Dies geht über viele Tools hinaus, die sich auf vom Benutzer festgelegte Service-Level-Ziele verlassen; Lokad versucht, das optimale Service-Level pro Artikel dynamisch aus der Wirtschaft zu berechnen. Im Wesentlichen sind ihre Entscheidungen direkt an finanzielle Ergebnisse gebunden (z.B. Maximierung des erwarteten Deckungsbeitrags), was mit dem Kriterium der rentabilitätsgetriebenen Optimierung übereinstimmt. Dieser Fokus basiert auf ihrer Überzeugung, dass die Optimierung der supply chain nicht nur darum geht, Kosten zu senken, sondern Ressourcen so zu verteilen, dass die Renditen maximiert werden. Eine Konsequenz ist die Fähigkeit, Dinge wie Preisoptimierung mit Nachfrageprognose kombiniert zu tun - und die Falle von Preiswerkzeugen zu vermeiden, die Bestandsbeschränkungen ignorieren. Lokad selbst warnt davor, dass “die Optimierung von Preisen in Isolation - unabhängig von der Nachfrageprognose - rückwärts ist” ²⁰ ²¹. Indem sie die Preisgestaltung in die Prognose-/Optimierungsschleife einbetten, stellen sie sicher, dass die Gewinnberechnungen die tatsächliche Nachfragereaktion widerspiegeln. Insgesamt ist Lokads wirtschaftliche Ausrichtung erstklassig; es erfordert jedoch Vertrauen in den Algorithmus. Einzelhändler müssen bereit sein, einem Algorithmus Rentabilitätsabwägungen zu überlassen, die Planer früher manuell gehandhabt haben, was eine kulturelle Hürde sein kann.

Skalierbarkeit & Architektur: Lokad bietet seine Lösung als cloudbasierten Service an (oft auf Microsoft Azure Infrastruktur). Anstatt von Kunden zu verlangen, schwere In-Memory-Server vor Ort zu betreiben, führt Lokad Berechnungen auf ihrem Cloud-Cluster durch und skaliert bei Bedarf. Dieses On-Demand-Compute-Modell vermeidet den “fest verdrahteten In-Memory-Würfel” Ansatz, den einige ältere Tools verwenden, der “beeindruckendes Echtzeit-Reporting bietet, aber hohe Hardwarekosten garantiert” ²². Im Gegensatz dazu kann Lokad große Datensätze verarbeiten, indem die Arbeitslast in der Cloud verteilt wird, und Kunden zahlen nur für die genutzte Rechenzeit. Dies ist kosteneffizient und skalierbar - man kann mehr Rechenknoten für ein großes Problem für ein paar Stunden einsetzen, anstatt einen permanenten Server für Spitzenlasten zu dimensionieren. Lokads Architektur ist Code-first (über Envision-Skripte), was bedeutet, dass komplexe Berechnungen effizient auf dem Server kompiliert und ausgeführt werden, und nicht in einer umständlichen Desktop-UI. Dieses Design hat sich auf angemessen großen Einzelhandelsdatensätzen bewährt (sie zitieren Kunden mit Zehntausenden von SKU-Standort-Kombinationen). Es ist jedoch zu beachten, dass Lokad ein kleinerer Anbieter ist und seine Skalierbarkeit, obwohl sie im Allgemeinen solide ist, möglicherweise noch nicht auf den absolut größten Einzelhandelsdatensätzen (z.B. Walmart-Maßstab) in dem Maße getestet wurde wie bei SAP oder Oracle. Allerdings ist ihr Cloud-Ansatz grundsätzlich skalierbarer als ältere, speicherbegrenzte Systeme vor Ort. Die Kosteneffizienz ist ebenfalls hoch: Benutzer sind nicht gezwungen, massive Hardware zu lizenzieren oder für ungenutzte Rechenleistung zu bezahlen, da Lokads SaaS-Preise nutzungsbasiert sind. Zusammenfassend gibt Lokads moderne Cloud-Architektur ihm einen Vorteil in Skalierbarkeit und Kosten, vorausgesetzt, die Kunden sind offen für ein weniger traditionelles, codegetriebenes System.

Behandlung komplexer Einzelhandelsfaktoren: Da Lokads Plattform im Grunde eine flexible Programmierumgebung für die Optimierung ist, kann sie so konfiguriert werden, dass sie komplexe Einzelhandelsphänomene explizit behandelt. Zum Beispiel können Benutzer Produktinterrelationen (Substitute oder Komplemente) in ihren Envision-Skripten modellieren, so dass die Prognosen und Bestellungen Kannibalisierungs- oder Halo-Effekte berücksichtigen. Wenn Produkt A und B Substitute sind, kann Lokads System Transaktionsdaten aufnehmen und lernen, dass, wenn A nicht vorrätig ist, die Verkäufe von B steigen, und die Prognosen entsprechend anpassen. Dies ist nicht unbedingt eine Out-of-the-Box-Funktion, die durch ein Kontrollkästchen aktiviert wird - es erfordert Data-Science-Arbeit, um das richtige Modell einzurichten - aber die Fähigkeit ist vorhanden. Ähnlich können Promotionseffekte modelliert werden: Lokad kann Promo-Kalender als Eingaben verwenden und sogar die Werbepreise optimieren. Bei verderblichen Waren und Verfallsdaten kann Lokad die verbleibende Haltbarkeit in seine Optimierungslogik einbeziehen (zum Beispiel, indem die Priorität des Verkaufs von Artikeln erhöht wird, wenn sie dem Verfallsdatum nähern, durch Preisnachlässe oder durch Vermeidung von Überbeständen bei kurzlebigen Produkten). Die Schlüsselstärke ist Flexibilität: Im Gegensatz zu starren älteren Systemen kann Lokads Ansatz praktisch jede Einschränkung oder jeden Faktor kodieren, vorausgesetzt, Sie haben Daten und Fachwissen. Der Nachteil ist, dass es möglicherweise kein vorgefertigtes “Kannibalisierungsmodul” gibt - der Benutzer (oder das Lokad-Team) muss die Logik implementieren. Dennoch ignorieren viele Anbieter diese Nuancen einfach. Lokads eigenes Team hat über Themen wie die Integration von Kannibalisierung in Prognosen durch maschinelles Lernen (z.B. Identifizierung von Substituten durch Verkaufskorrelationen) veröffentlicht, was darauf hindeutet, dass sie sich dessen bewusst sind und es ähnlich wie führende Einzelhandelsspezialisten angehen können ⁸ ⁹. In der Praxis würde Lokad für einen Einzelhändler mit komplexen Kategoriedynamiken wahrscheinlich ein individuelles Modellierungsprojekt durchführen. Dieser maßgeschneiderte Ansatz kann eine sehr genaue Behandlung von Faktoren wie Kannibalisierung ermöglichen, erfordert aber eine Zustimmung zu einer eher beratenden Einrichtung anstatt Plug-and-Play. Angesichts der Erfolgsbilanz von Lokad (z.B. Arbeit mit Modeeinzelhändlern an Größenkurven, Lebensmitteleinzelhändlern an Promos) haben sie bewiesen, dass sie diese Faktoren mindestens genauso gut bewältigen können wie große Wettbewerber.

Automatisierung: Lokads Vision tendiert stark in Richtung unbeaufsichtigte Entscheidungsfindung. Ihre Plattform wird oft als “Supply Chain Optimization as a Service” beschrieben, was impliziert, dass der Benutzer sie einrichtet und sie kontinuierlich Entscheidungen (wie Nachbestellungen oder Preisänderungen) automatisch produziert ²³. Das Ziel ist, dass Planer von manuellen Zahlenanalysen zu KI-gesteuerten Entscheidungen übergehen. Lokads System kann tägliche oder wöchentliche Bestellempfehlungen generieren, die direkt in das ERP des Einzelhändlers zur Ausführung integriert werden können, mit minimaler menschlicher Anpassung. Da die Prognosen probabilistisch sind und die Optimierung gewinnorientiert ist, besteht die Idee darin, dass das System die optimale Entscheidung trifft und keinen Bauchcheck eines Planers benötigt, sagen wir, bei jeder Bestellmenge. Natürlich überprüfen Unternehmen in der Realität oft zunächst Empfehlungen, aber viele Lokad-Kunden haben angeblich einen hohen Grad an Automatisierung erreicht (nur Ausnahmen wie neue Produkte oder große Ereignisse werden manuell gehandhabt). Die Betonung eines “Autopilot”-Modus ist ein Unterscheidungsmerkmal - während einige ältere Tools Entscheidungsunterstützung sind, die auf Planern beruhen, um zu interpretieren, zielt Lokad darauf ab, Entscheidungssoftware zu sein. Ein Beispiel für den Erfolg der Automatisierung: Ein Lebensmitteleinzelhändler, der Lokad nutzte, konnte eine automatisierte Laden-Nachfüllung durchführen, die sich adaptiv an Nachfrageverschiebungen anpasste, und gleichzeitig eine signifikante Reduzierung von Verderb und Ausverkauf erreichte ²⁴. Dies stimmt mit Branchenerkenntnissen überein, dass prognosegesteuerte automatische Nachfüllung Abfall um zweistellige Prozentsätze reduzieren kann ²⁴. Lokads Skripterstellung ermöglicht es Benutzern, Geschäftsregeln zu kodieren (zum Beispiel, lassen Sie niemals den Bestand unter einen Mindestpräsentationsbestand fallen), so dass die Automatisierung realen Einschränkungen Rechnung trägt. Insgesamt erhält Lokad Bestnoten für den Vorstoß in Richtung wirklich unbeaufsichtigter Optimierung. Der einzige Vorbehalt ist, dass die anfängliche Einrichtung (Modellcodierung und -test) schwerfällig ist; bis das Modell richtig ist, würden Sie Entscheidungen nicht automatisieren wollen. Aber einmal abgestimmt, kann das System mit minimaler menschlicher Berührung laufen, weit über das Automatisierungsniveau von Legacy-MRP oder Planungssystemen hinaus.

Technologieintegration: Lokad wurde vollständig intern auf einem kohärenten Technologie-Stack aufgebaut. Es wuchs nicht durch den Erwerb von Software anderer Unternehmen; stattdessen entwickelte es seinen eigenen Prognosemotor, Optimierungslöser und Skriptsprache. Dies führt zu einer sehr integrierten Plattform - alle Funktionen (Prognose, Preisgestaltung, Bestandsoptimierung) arbeiten auf dem gleichen Datenmodell und der gleichen Sprache. Es gibt keine “Module”, die über Schnittstellen integriert werden müssen; alles wird in der Envision-Umgebung erledigt. Dies steht im starken Kontrast zu einigen Wettbewerbern, die ein erworbenes Preiswerkzeug mit einem separaten Planungswerkzeug zusammenfügen müssen. Lokads einheitlicher Ansatz reduziert die Komplexität und vermeidet Inkonsistenzen. Zum Beispiel fließt das Ergebnis der Nachfrageprognose direkt in die Preisoptimierungslogik innerhalb desselben Skripts - keine Notwendigkeit für Batch-Dateiübertragungen oder umständliche API-Aufrufe zwischen verschiedenen Systemen. Darüber hinaus ist Lokads Plattform relativ schlank (sie benötigt keine vollständige relationale Datenbank oder einen OLAP-Würfel; ihre Speicherung und Berechnung sind für ihren spezifischen Zweck optimiert). Man könnte sagen, dass Lokads Stack “zukunftssicher” ist, in dem Sinne, dass er kontinuierlich als Ganzes verbessert wird, anstatt dass er Legacy-Komponenten hat, die ersetzt werden müssen. Der Kompromiss dieser hochoriginellen Technologie ist, dass sie einzigartig ist - Kunden müssen Lokads Arbeitsweise lernen, die sich von typischen GUI-Planungswerkzeugen unterscheidet. Aber aus ingenieurtechnischer Sicht ist die Kohäsion des Technologie-Stacks hervorragend. Es gibt kein Frankenstein aus erworbenen Teilen; sogar ihre Benutzeroberfläche und Analysen sind speziell auf ihren Kernmotor zugeschnitten. Diese Einfachheit bedeutet auch weniger Fehlerpunkte bei der Integration - ein großer Pluspunkt, wenn man eine vollständige Automatisierung anstrebt.

Skepsis gegenüber Hype: Bemerkenswert ist, dass Lokad ausdrücklich skeptisch gegenüber Branchen-Buzzwords ist und diese Denkweise ihr Produkt-Positionierung durchdringt. Das Unternehmen hat Kritiken an Konzepten wie “Demand Sensing” veröffentlicht und es als “noch ein weiteres Buzzword in der Supply Chain, das nicht den Erwartungen gerecht wird” bezeichnet, im Grunde genommen Mootware (Software, die existiert, aber keinen Wert liefert) ¹². Diese skeptische Sichtweise ist tatsächlich eine Stärke: Sie deutet darauf hin, dass Lokad versucht, sein Produkt auf solider Wissenschaft zu gründen, anstatt auf trendgetriebenem Marketing. Zum Beispiel ist Lokad nicht auf den “Blockchain Supply Chain”-Hype aufgesprungen oder hat die “Digital Twin”-Rhetorik überverkauft (die auch ihr Gründer kritisiert hat). Stattdessen konzentrieren sie sich auf greifbare technische Fähigkeiten wie probabilistische Prognosen und Quantil-Optimierung. In Bezug auf Ansprüche von Anbietern sind die von Lokad in der Regel konkret. Sie vermeiden es, unmöglich einfache “Plug-and-Play”-Implementierungen oder magische Out-of-the-Box-KI zu behaupten. Tatsächlich warnen sie oft, dass die Implementierung von fortgeschrittener Optimierung komplex ist und auf jedes Unternehmen zugeschnitten werden muss (daher ihr Schwerpunkt auf einer Programmiersprache, um die Besonderheiten jedes Kunden zu kodieren). Diese Ehrlichkeit ist erfrischend in einem Bereich voller hochtrabender Versprechen. Der Nachteil ist, dass eine marketing-scheue Botschaft Lokad im Vergleich zu Wettbewerbern, die lautstark eine “autonome Supply Chain mit kognitiver KI” anpreisen, weniger auffällig erscheinen lassen könnte. Aber aus einer wahrheitssuchenden Perspektive neigen die Behauptungen von Lokad dazu, belegt zu sein - z.B. wenn sie über eine 5%ige Lagerreduktion bei einem Kunden sprechen, ist das in der Regel in einer detaillierten Fallstudie, nicht in einer allgemeinen Behauptung. Sie diskutieren sogar offen die Grenzen von Techniken (man kann Lokad-Blogbeiträge finden, die analysieren, wo klassische Methoden versagen). Diese Transparenz schafft Glaubwürdigkeit. Insgesamt tritt Lokad als eine Lösung für Technologen hervor - auf soliden Ingenieur- und Analyseprinzipien aufgebaut, Prognose und Optimierung kombinierend und Hype vermeidend. Der Ansatz ist wohl der Goldstandard in technischer Raffinesse (probabilistisch, gewinnorientiert, Cloud-architektiert). Der Hauptvorbehalt ist, dass Lokad kleiner ist und weniger bewährt in massivem Maßstab als einige etablierte Anbieter, und sein Modell erfordert eine qualifizierte, kundenspezifische Implementierung pro Kunde statt einer vorgepackten. Aber in Bezug auf rohe Fähigkeiten und zukunftsorientiertes Design, rangiert Lokad als ein Top-Anbieter in der Einzelhandelsoptimierung.

Zusammenfassung: Lokad führt in der gemeinsamen Optimierung (Preisgestaltung integriert mit Inventar), nutzt echte probabilistische KI-Prognose ³, optimiert für Gewinn und Opportunitätskosten, skaliert über eine Cloud-native kosteneffiziente Architektur, handhabt Einzelhandelskomplexitäten durch flexibles Modellieren, ermöglicht hohe Automatisierung, hat einen kohärenten hauseigenen Technologie-Stack, und hält eine erfrischend skeptische Haltung gegenüber Hype. Es repräsentiert einen zukunftssicheren Ansatz, wenn auch einen, der möglicherweise mehr vorausgehende analytische Arbeit erfordert.

Quellen: Lokads Integration von Preis- und Planungsdaten ²⁵; Schwerpunkt auf probabilistischen Prognosen für robuste, gewinnorientierte Entscheidungen ³; Kritik an Buzzwords wie Demand Sensing ¹².

2. RELEX Solutions – Einzelhandelsorientierte einheitliche Planung mit fortschrittlicher KI (und einiger schwerer Arbeit)

RELEX Solutions (gegründet 2005) ist ein schnell wachsender Anbieter, der sich auf Einzelhandelsplanung und -optimierung spezialisiert hat, einschließlich Prognose, Nachschub, Zuweisung, Sortiment und nun Preisoptimierung. RELEX hat sich in den Bereichen Lebensmittelhandel und Spezialeinzelhandel einen Ruf erarbeitet, indem es messbare Verbesserungen in der Verfügbarkeit und Abfallreduktion erzielt hat. Ihre Plattform ist speziell für die Herausforderungen des Einzelhandels gebaut (Produkte mit kurzer Haltbarkeit, riesige SKU-Zahlen, Planung auf Laden-Ebene) und ist bekannt für die Verwendung von fortschrittlichem Maschinenlernen und einem In-Memory-Datenverarbeitungs-Engine für Echtzeit-Reaktionsfähigkeit. RELEX bietet eine einheitliche Lösung, die Nachfrageprognose, automatische Nachfüllung, Raum- und Sortimentsplanung und neuerdings Preisgestaltung umfasst - und ist damit einer der wenigen Anbieter neben Lokad, der behaupten kann, alle drei Säulen (Inventar, Preisgestaltung, Sortiment) auf integrierte Weise zu adressieren. Das Unternehmen hat eine starke Ingenieurskultur (gegründet von drei Informatik-Doktoranden) und hat stark in KI-F&E für den Einzelhandel investiert. Wir bewerten RELEX sehr hoch aufgrund seiner einzelhandelsspezifischen Fähigkeiten und nachgewiesenen Ergebnisse, während wir einige potenzielle Nachteile in Bezug auf System-Schwere und die Tatsache, dass es auch seine Marketing-Aussagen mit Beweisen untermauern muss, beachten.

Gemeinsame Optimierung: Die Plattform von RELEX ist relativ ganzheitlich für Einzelhandelsoperationen. Sie begann mit Prognose und Nachschub, erweiterte sich jedoch in die Sortimentsoptimierung und Planogrammierung und bietet auch Preisoptimierungsmodule an ²⁶. Das bedeutet, dass ein Einzelhändler RELEX verwenden kann, um zu entscheiden, welche Produkte in jedem Geschäft geführt werden sollen (Sortiment), wie viel auf Lager sein soll (Inventar) und zu welchem Preis verkauft werden soll (Preisgestaltung), alles innerhalb eines Systems. Die Integration unter diesen ist eine Arbeit im Gange - RELEX hat historisch gesehen bei der Bestandsoptimierung (Nachfüllung von Geschäften/DCs) und der Raumplanung hervorragend abgeschnitten und erst kürzlich Preisoptimierungsfähigkeiten hinzugefügt. Sie werben jedoch damit, dass ihre Preisoptimierung mit ihrer Prognose-Engine abgestimmt ist, was es ermöglicht, Preisentscheidungen mit vollständiger Kenntnis der Nachfrageauswirkungen zu treffen ²⁷. Zum Beispiel kann RELEX simulieren, wie sich eine Preisänderung bei einem Schlüsselwertartikel nicht nur auf den Verkauf dieses Artikels, sondern auch auf ergänzende oder Ersatzprodukte auswirkt, dank der gleichen zugrunde liegenden Prognosemodelle. Darüber hinaus bindet die Promotionsplanung von RELEX Preisaktionen in den Nachfrageplanungsprozess ein: Aktionen werden in das System eingegeben, das dann Prognosen anpasst und Lageraufbauten vorschlägt und sogar Aktionsmechanismen empfehlen kann. Dieses Maß an gemeinsamer Betrachtung ist stark. Ein herausragendes Merkmal ist die Fähigkeit von RELEX, Raum (Regalkapazität) mit der Prognose zu koordinieren - z.B. wenn erwartet wird, dass Sortimentsänderungen oder Preise mehr Volumen erzeugen, wird das System signalisieren, wenn der Regalplatz unzureichend ist. Das heißt, RELEX optimiert vielleicht noch nicht Preis und Bestand gleichzeitig in einem Algorithmus (es prognostiziert wahrscheinlich iterativ die Nachfrage für einen gegebenen Preis, optimiert dann entsprechend die Nachfüllung, anstatt Preis und Bestand gemeinsam für den Gewinn zu optimieren). Dennoch sind innerhalb einer Plattform die Rückkopplungsschleifen enger als bei einem Einzelhändler, der separate Tools verwendet. RELEX vermarktet ausdrücklich “einheitliche Einzelhandelsplanung”, und Fallstudien zeigen Kunden, die es von Anfang bis Ende nutzen (von langfristigen Sortimentsentscheidungen bis hin zu täglichen Ladenbestellungen). Wir geben RELEX hohe Noten für die Breite; keine offensichtlichen funktionalen Lücken im Einzelhandelsbereich. Der Vorbehalt ist, dass die Integration all dieser Teile komplex sein kann - es ist eine Suite, aber die Implementierung jedes Moduls (Merchandising, Supply Chain, Preisgestaltung) ist ein großes Projekt.

Probabilistische Prognose & KI: RELEX ist bekannt für seine intensive Nutzung von KI/ML, um die Genauigkeit und Granularität der Prognosen zu verbessern. Sie haben maschinelles Lernen entwickelt, das eine Vielzahl von Nachfragefaktoren berücksichtigt: “Saisonalität, Trends, Wochentagsmuster, Aktionen, Display-Änderungen, Feiertage, Wetter, Wettbewerberaktionen” usw. ²⁸ ²⁹. Dieser multifaktorielle Ansatz geht über traditionelle Zeitreihenmethoden hinaus. Die ML-Algorithmen von RELEX erkennen automatisch, welche Faktoren für jedes Produkt relevant sind (Feature-Auswahl) und können Verschiebungen in den Nachfragemustern erkennen (Change-Point-Detection für plötzliche Trendänderungen) ³⁰ ³¹. Eine beeindruckende Technik, die sie verwenden, ist Data Pooling für spärliche Daten - für langsam verkaufte Artikel gruppiert das Modell ähnliche Produkte, um Signale zu erfassen und Prognosen zu verbessern ³¹. All dies sind moderne KI-Methoden, die man in einem akademischen Kontext erwarten würde, die nun in einem kommerziellen Tool eingesetzt werden. Das Ergebnis, wie sie behaupten, sind Prognosen, die “traditionelle Methoden in Geschwindigkeit, Genauigkeit und Granularität übertreffen” ³². Tatsächlich betont RELEX oft Metriken wie eine signifikante prozentuale Verbesserung der Prognosegenauigkeit oder des Servicelevels nach der Implementierung. Sie berücksichtigen Unsicherheit in gewissem Maße - zum Beispiel kann ihr System verschiedene Szenarien oder Konfidenzintervalle für Aktionen erzeugen (sie berücksichtigen Kannibalisierung und Halo-Effekte in Promo-Prognosen durch die Verwendung von ML zur Interpretation historischer Daten ⁹). Während Aktionen passen sie die Prognosen für verwandte Produkte explizit nach unten oder oben an, basierend auf gelernten Kannibalisierungs-/Halo-Beziehungen ⁹, wodurch überschüssiger Bestand für kannibalisierte Artikel reduziert und Engpässe für Halo-Artikel vermieden werden. Dies zeigt ein ausgeklügeltes probabilistisches Verständnis von Querprodukteffekten. Es ist nicht klar, ob RELEX vollständige Wahrscheinlichkeitsverteilungen für alle Artikel ausgibt (sie simulieren möglicherweise intern Szenarien, aber Planer sehen hauptsächlich angepasste Punktprognosen). Ihre Handhabung von Variabilität ist jedoch fortgeschritten - z.B. erwähnen sie, dass sie die inhärente “Volatilität, die typisch für Einzelhandelsdaten ist” berücksichtigen, indem sie dafür geeignete Algorithmen verwenden ³⁰. Ein weiteres Beispiel für KI ist die Prognose für neue Produkte oder langsame Beweger durch die Verwendung ähnlicher Artikelprofile, was ein KI-gesteuerter Ansatz für das klassische “Like-Item”-Prognoseproblem ist. Das Engagement von RELEX für ML zeigt sich auch in EU-Forschungsprojekten und Whitepapers, die sie erstellt haben (sie haben an einem EU-Horizon-2020-Projekt über KI für den Einzelhandel teilgenommen). Insgesamt ist die Prognosetechnologie von RELEX auf dem neuesten Stand unter den Einzelhandelsanbietern und führt wahrscheinlich bei der Einführung von KI für die Einzelhandelsplanung. Sie verwenden vielleicht nicht so oft den Begriff “probabilistische Prognose” wie Lokad, aber in der Praxis berücksichtigen sie Unsicherheit durch Simulation (für Aktionen) und Sensitivitätsanalysen. Sie verwenden sogar KI für Nicht-Prognose-Aufgaben wie Bilderkennung bei Regalprüfungen (durch eine Akquisition). Der Hauptnachteil: Solche komplexen KI-Modelle können für die Benutzer eine “Black Box” sein und das Vertrauen muss verdient werden. Aber ihre Ergebnisse (z.B. 30% Reduzierung der Verderblichkeit für eine Supermarktkette durch genauere Frischwarenprognosen ²⁴) sprechen für die Wirksamkeit ihrer KI.

Wirtschaftliche Entscheidungsfindung: Der Optimierungsschwerpunkt von RELEX lag historisch gesehen eher auf Servicelevels und Frische als auf expliziter Gewinnmaximierung - verständlich angesichts ihres Kernmarktes im Lebensmittelhandel (wo das Vermeiden leerer Regale und Verderb von größter Bedeutung ist). Sie haben jedoch zunehmend wirtschaftlich getriebene Analysen hinzugefügt. So verwendet ihre Sortimentsbereinigung KI, um die End-to-End-Rentabilität jedes Produkts pro Geschäft zu bewerten: Sie identifiziert schwache Artikel, die ihren Regalplatz nicht rechtfertigen, indem sie Verkäufe, Margen und die dadurch entstehenden Kosten analysiert ³³. Sie betonen, dass diese KI “die End-to-End-Rentabilität für jeden Artikel pro Geschäft erkennt und schwache Performer hervorhebt” ³³ - effektiv verknüpft sie Sortimentsentscheidungen mit finanziellen Ergebnissen (kürzt den unrentablen Teil). Dies zeigt, dass RELEX versteht, dass Optimierung an den Gewinn und nicht nur an die Mengen gebunden sein muss. Bei der Bestandsoptimierung ermöglicht RELEX die Festlegung unterschiedlicher Servicelevel-Ziele pro Produkt, möglicherweise informiert durch die Marge (kritische Artikel vs. weniger rentable). Es ist nicht rein opportunitätskostengetrieben wie Lokad, aber es kann wirtschaftliche Priorisierung annähern, indem es eine höhere Verfügbarkeit dort fokussiert, wo es finanziell wichtig ist. Auf der Preisseite, da RELEX nun ein Modul zur Preisoptimierung hat, steht die Rentabilität dort im Vordergrund: Die Preisoptimierung zielt darauf ab, Preise so festzulegen, dass sie Geschäftsziele erfüllen, was oft die Maximierung der Marge oder des Umsatzes unter Einschränkungen bedeutet. Wir können davon ausgehen, dass ihre Preis-KI Elastizität und Margen-Trade-offs betrachtet (ähnlich wie Revionics oder Blue Yonder Pricing). Darüber hinaus versucht RELEX’s Promotion-Planung, den Erfolg von Promotionen zu maximieren - was auch die Bewertung von Uplift vs. Margenopfer beinhaltet. Ein aussagekräftiger Indikator für die wirtschaftliche Ausrichtung sind ihre Fallstudien: z.B. hat Franprix (ein französischer Lebensmittelhändler) eine 30%ige Reduzierung der Verderblichkeit UND 67% weniger Ausverkäufe mit RELEX erreicht, was die Rentabilität durch weniger Abfall und mehr Verkäufe verbessert ²⁴. Sie haben im Grunde genommen das Gleichgewicht zwischen Abfallkosten und Servicelevel optimiert, was eine gewinnorientierte Optimierung ist, wenn man es so formuliert. Ein weiteres Beispiel ist die Verwendung externer Daten (wie Fluggastprognosen für die Geschäfte von WHSmith), um das Angebot mit der tatsächlichen Nachfrage abzustimmen und Überbestände an frischen Lebensmitteln zu vermeiden ³⁴ - wiederum wird Abfall (Kosten) reduziert und gleichzeitig Verkäufe erzielt. All dies deutet darauf hin, dass die Entscheidungen von RELEX, obwohl sie vielleicht keine formale Gewinnmaximierungsformel lösen, sehr stark auf wirtschaftliche Ergebnisse ausgerichtet sind (niedrigere Abfallkosten, höhere Verkäufe, besserer Lagerumschlag). Sie geben vielleicht nicht explizit “erwartete Gewinn” Berechnungen für jede Entscheidung aus, wie es Lokad tun würde, aber sie erreichen ähnliche Ziele, indem sie Geschäfts-KPIs anvisieren, die mit dem Gewinn korrelieren (z.B. Verderb %, Ausverkauf %, Umsatz). Da sie die Preisgestaltung einbeziehen, erwarten wir, dass RELEX sich weiter in Richtung einheitlicher Gewinnoptimierung bewegen wird (zum Beispiel durch die Optimierung von Ausverkaufsplänen, um saisonale Artikel mit der höchstmöglichen Marge zu verkaufen, ohne Restbestände zu haben). Zusammenfassend lässt sich sagen, dass die DNA von RELEX eher operativ (Servicelevel und Abfall) als finanziell ist, aber sie erkennen die Wirtschaftlichkeit des Einzelhandels in ihren Algorithmen deutlich an und machen sie damit zu weit mehr als einer blinden Regelmotor.

Skalierbarkeit & Leistung: Die Architektur von RELEX ist bekanntermaßen auf einer Hochleistungs-In-Memory-Datenbank mit spaltenorientiertem Speicher für alle Einzelhandelsdaten aufgebaut, die sehr schnelle Berechnungen über große Datensätze ermöglicht (ein Schlüsselbedarf für die Planung auf Store-SKU-Ebene). Der Vorteil sind Echtzeitanalysen - Benutzer können beispielsweise sofort die Auswirkungen einer Parameteränderung auf Bestellungen sehen oder eine Prognose für Tausende von Geschäften sofort neu berechnen. Dieses Design hat viele Einzelhändler beeindruckt, geht aber mit hohem Hardware-Einsatz einher. Tatsächlich stellte eine kritische Analyse fest, dass “das In-Memory-Design, ähnlich wie ein BI-Würfel, beeindruckende Echtzeit-Berichtsfunktionen bietet, aber hohe Hardware-Kosten garantiert.” ²². Dies bezieht sich auf den Ansatz von RELEX: Die Speicherung von Daten im Speicher bringt Geschwindigkeit, aber die Skalierung auf beispielsweise eine nationale Supermarktkette mit Millionen von SKU-Store-Kombinationen kann sehr viel Speicher und Rechenleistung erfordern. RELEX wird in der Regel als Cloud-Lösung für Kunden bereitgestellt (sie hosten in der Cloud, möglicherweise AWS oder Azure, nicht öffentlich angegeben), und sie können sicherlich auf große Kunden skalieren (sie haben mehrere Einzelhandelskunden mit einem Umsatz von mehreren Milliarden Dollar). Die Frage ist die Kosteneffizienz - RELEX benötigt möglicherweise mehr Cloud-Ressourcen (und damit Kosten), um seine schnelle Leistung im Vergleich zu einer stärker batchorientierten Lösung zu erreichen. Aus Sicht der Skalierbarkeit hat sich RELEX für große Einzelhändler in Europa und Nordamerika bewährt. Das System kann tägliche Bestellungen für Tausende von Geschäften bewältigen. Ein mittelgroßer RELEX-Kunde verwaltet oft viele Zehntausende von SKUs mit sub-täglichen Neuprogosen. Der Engpass kann beim Hinzufügen weiterer Module auftreten: Die Integration von Sortiments- und Planogrammdaten (die riesig sind) mit der Prognosemaschine kann die Datenvolumen weiter aufblähen. RELEX hat dies durch die Optimierung ihrer Algorithmen und möglicherweise durch das Auslagern einiger Berechnungen auf Festplatte oder verteilte Knoten adressiert, aber es handelt sich von Natur aus um eine intensive Anwendung. Sie bieten auch Dashboards und What-if-Simulationstools an, die die schnellen Berechnungen nutzen - aber wiederum ist der gesamte Datensatz im Speicher der ermöglichte Faktor. Wir sollten beachten, dass die Speicherpreise gefallen sind und die Skalierbarkeit der Cloud verbessert wird, so dass der schwere Ansatz von RELEX jetzt realisierbarer ist als vor einem Jahrzehnt. Trotzdem könnten kostenbewusste Kunden die Infrastrukturanforderungen von RELEX im Vergleich zu einfacheren Tools als steil empfinden. Es gibt anekdotische Beweise dafür, dass RELEX-Implementierungen leistungsstarke Server oder hohe Cloud-Ausgaben benötigen, um eine Echtzeit-Reaktionsfähigkeit aufrechtzuerhalten. In dieser Hinsicht opfert RELEX etwas Kosteneffizienz für Geschwindigkeit und Granularität. Was die Software-Skalierbarkeit betrifft, so ist RELEX modular (man muss nicht alle Module implementieren, wenn sie nicht benötigt werden), aber es ist eine Plattform. Sie haben bewiesen, dass sie globale Operationen (mehrere Länder, mehrere Währungen usw.) unterstützen können. Insgesamt erzielt RELEX hohe Punktzahlen bei reiner Leistung und Geschwindigkeit, moderate bei Kosteneffizienz - es ist der Hochleistungssportwagen der Einzelhandelsoptimierung: fantastische Leistung, aber man zahlt für den Premium-Kraftstoff.

Umgang mit komplexen Einzelhandelsfaktoren: Hier glänzt RELEX - es verfügt über eine reichhaltige Funktionalität, die speziell für Einzelhandelsszenarien entwickelt wurde. Kannibalisierung und Halo-Effekte werden explizit in ihrer Prognose für Aktionen berücksichtigt: Wie besprochen, lernt das System Beziehungen aus Transaktionsdaten (wie welche Produkte Substituten vs. Komplemente sind) und passt die Prognosen entsprechend an ⁸ ⁹. Nur wenige Anbieter haben dies eingebaut; das Data-Science-Team von RELEX hat veröffentlicht, wie sie Assoziationsregellernen auf Warenkorbdaten verwenden, um diese Beziehungen abzuleiten, anstatt sich auf manuelle Annahmen zu verlassen ⁸. Das bedeutet, wenn Sie eine Promo für Produkt X durchführen, wird RELEX automatisch die Basisprognose für Produkt Y senken, wenn Y normalerweise von X kannibalisiert wird (und umgekehrt für Halo). Dies verbessert nicht nur die Prognosegenauigkeit, sondern führt auch zu besseren Bestandsentscheidungen (weniger von Y lagern, weil es während der Promo von X weniger verkauft wird) ⁹. Bei Substitution kann RELEX Ausverkaufseffekte berücksichtigen: Wenn Produkt A ausverkauft ist, kann ihre Prognose für Produkt B vorübergehend steigen, wenn B ein Ersatz ist. Dies geschieht wahrscheinlich durch die gleichen gelernten Beziehungen; einige Kunden speisen RELEX ihre Ladenbestandspositionen ein, damit es verlorene Verkäufe und Substitutionsmuster erkennen kann. Verfall und Verderb sind ein starker Fokus für RELEX, insbesondere im Frischeinzelhandel. Ihre Lösung kann das Alter des Bestands verfolgen und verfügt über Funktionen zur Verfallsdatenverwaltung ³⁵. Zum Beispiel kann RELEX den Verkauf älterer Chargen priorisieren (FEFO - first-expire, first-out), und ihre Prognosen für frische Artikel berücksichtigen die begrenzte Haltbarkeit (sie empfehlen tendenziell kleinere, häufigere Nachfüllungen für kurzlebige Waren). Sie bieten sogar Tools zur Überwachung von Verderb und Alarmierung, wenn der Bestand seinem Verfallsdatum ohne Verkauf nahe kommt ³⁶. Ein RELEX-Kunde, Franprix, verzeichnete eine enorme Reduzierung des Verderbs durch die Verwendung von Tagesprognosen und automatisierten Ladenbestellungen für frische Produkte ²⁴ ³⁷ - ein Beweis dafür, dass RELEX verderbliche Waren weit besser handhabt als traditionelle Systeme, die oft das Verfallsdatum ignorieren. RELEX berücksichtigt auch Ausstellungsfläche und visuelles Merchandising in der Prognose: Wenn einem Produkt eine sekundäre Ausstellung gegeben wird, kann die Prognose entsprechend erhöht werden (ihr ML erfasst diese Korrelation). Darüber hinaus stellen ihre Workforce- und Execution-Module sicher, dass bei Änderungen der Prognosen oder Pläne (wie ein plötzlicher Nachfrageanstieg) das Ladenpersonal gewarnt wird, um beispielsweise mehr Brot zu backen oder schneller nachzufüllen (Schließung der operationellen Schleife). Ein weiterer komplexer Faktor ist das Wetter - RELEX hat eingebaute wetterbasierte Prognoseanpassungen, die für saisonale Kategorien (z.B. Eis an heißen Tagen) entscheidend sind. Viele behaupten, Wetterprognosen zu haben; RELEX hat es tatsächlich mit maschinellem Lernen für jeden Ort implementiert ²⁹. Zusammenfassend hat RELEX wahrscheinlich das umfassendste Angebot zur Bewältigung der unordentlichen Realitäten des Einzelhandels: von Kreuzprodukteffekten über externe Treiber bis hin zur Haltbarkeit. Sie adressieren diese auf weitgehend automatisierte Weise mit Hilfe von KI, was ein Schlüsselunterscheidungsmerkmal ist. Man muss sich jedoch bewusst sein, dass die Nutzung all dieser Funktionen erfordert, RELEX mit vielen Daten zu versorgen (Warenkorbdaten, Wetterfeeds, Bestandsstatus usw.) und den Empfehlungen des Systems zu vertrauen. Aber für Einzelhändler, die Komplexität in den Griff bekommen wollen, bietet RELEX eine bewährte Toolbox. Wir geben ihnen volle Punktzahl für dieses Kriterium.

Automatisierung: RELEX unterstützt einen hohen Grad an Automatisierung, obwohl es oft so konfiguriert ist, dass es menschliche Aufsicht ermöglicht. In der Praxis nutzen viele RELEX-Kunden die automatische Wiederauffüllung auf Laden- und DC-Ebene: Das System generiert tägliche oder intratägliche Bestellungen für jedes SKU-Geschäft, die direkt zur Ausführung gehen, es sei denn, sie werden zur Überprüfung markiert. Wie bereits erwähnt, hatten nur 24% der Lebensmittelhändler in einer Umfrage eine durch Prognosen gesteuerte Ladenbestellungsautomatisierung, aber diejenigen, die sie implementierten (mit Systemen wie RELEX), sahen einen Abfall von 10–40% ³⁸ ²⁴. Das Beispiel von Franprix - 30% weniger Verderb durch automatisierte Bestellungen - unterstreicht, dass die Automatisierung von RELEX funktioniert ²⁴. Das System verfügt über einen Alarmmechanismus, um die menschliche Aufmerksamkeit auf Ausnahmen zu lenken (z.B. “Prognose aufgrund eines unerklärlichen Faktors deutlich gesunken” oder “Bestellung durch Lagerplatzbegrenzung gedeckelt”), kann aber ansonsten auf Autopilot laufen. Die Philosophie von RELEX wird oft als “algorithmischer Einzelhandel” beschrieben, bei dem Entscheidungen systemgesteuert sind. Sie automatisieren auch Sortimentsrevisionen, indem sie vorschlagen, welche Artikel in jedem Zeitraum pro Geschäft hinzuzufügen oder zu entfernen sind, und automatisieren sogar Preisreduzierungsempfehlungen für den Abverkauf. Ein Bereich der Automatisierung, der heraussticht, ist die Promotion-Erfüllung: RELEX kann automatisch Bestände in Geschäfte zur Vorbereitung von Promotionen schieben und dann zurückziehen, wenn der Verkauf unterdurchschnittlich ist, ohne Eingriff des Planers. Darüber hinaus sind aufgrund des Echtzeit-Motors keine mühsamen Batch-Läufe oder manuellen Neuberechnungen erforderlich - das System aktualisiert Prognosen und Pläne kontinuierlich, sobald neue Daten eintreffen (Verkäufe, Bestände usw.). Dies ermöglicht eine Bewegung hin zu kontinuierlicher Planung mit minimalen manuellen Auslösern. Es ist erwähnenswert, dass RELEX in der Regel immer noch Planer in der Aufsicht einbezieht - zum Beispiel könnte ein Planer eine Sortimentsänderung genehmigen oder eine übermäßig aggressive Bestellung anpassen, insbesondere in der Anfangsphase der Einführung. Aber der Trend unter seinen Nutzern ist ein wachsendes Vertrauen in die KI und damit eine zunehmende Automatisierung. RELEX bietet Simulationswerkzeuge, damit Planer testen können “Was passiert mit Ausverkäufen vs. Bestand, wenn ich das System automatisch bestellen lasse?” um Vertrauen aufzubauen. Im Vergleich zu älteren Systemen, die oft einen Plan erstellen, den ein Mensch bearbeiten muss, ist RELEX viel näher an autonomen Operationen. Sie haben auch begonnen, ähnlich wie Blue Yonder, mit “autonomer Planung” zu werben. Aus unserer skeptischen Sicht würden wir sagen, dass RELEX bewährte Automatisierung in der Wiederauffüllung, gute Automatisierung in der Prognose (keine manuelle Prognose erforderlich), teilweise Automatisierung im Sortiment (Empfehlungen werden immer noch von der Warenwirtschaft überprüft) und aufkommende Automatisierung in der Preisgestaltung (z.B. dynamische Preisreduzierungen) hat. Mit dem Wachstum der KI-Fähigkeiten erwarten wir, dass RELEX den Bedarf an menschlichen Überschreibungen weiter reduziert. Daher schneiden sie in Bezug auf die Automatisierung sehr gut ab, nur übertroffen von Lösungen wie Lokad, die von Grund auf für den Autopiloten konzipiert sind. Der Vorbehalt bleibt bestehen, dass Organisationen ihre Prozesse anpassen müssen - RELEX bietet die Möglichkeit zur Automatisierung, aber es liegt am Einzelhändler, ihm zu vertrauen und die Rollen entsprechend neu zu organisieren.

Technologieintegration: RELEX ist eine einheitliche Plattform, die größtenteils intern entwickelt wurde. Sie haben ihren Kernplanungsmotor nicht durch Übernahme zusammengestellt - er wurde vom Unternehmen selbst gebaut. Die verschiedenen Funktionen (Nachfrageprognose, Nachschub, Zuweisungen, Planogrammierung, Belegschaft) teilen sich eine gemeinsame Datenplattform. Dies bedeutet weniger Integrationsaufwand innerhalb der Suite: Beispielsweise wird das Modul für die Sortimentsplanung direkt in das Prognosemodul eingesteckt, sodass, wenn Sie ein Produkt aus dem Sortiment entfernen, Prognosen und Bestellungen automatisch auf null fallen, nachdem es aus der Liste gestrichen wurde. Die Kohärenz ist im Allgemeinen stark; Benutzer greifen über eine Schnittstelle auf diese Funktionen zu. RELEX hat einige Übernahmen getätigt (eine mobile App zur Geschäftsausführung, eine Bilderkennungstechnologie usw.), aber diese sind eher Ergänzungen als Kernplanungslogik. Eine potenzielle Komplexität ist die In-Memory-Architektur - alles, was in einem riesigen Speichermodell lebt, kann Änderungen oder die Integration neuer Datentypen schwierig machen. Aber sie scheinen es mit modernen Datenbanktechniken zu bewältigen. Im Vergleich zu älteren Anbietern, die deutlich getrennte Produkte (oft aus Übernahmen) für Preisgestaltung vs. Inventar haben, fühlen sich die Lösungen von RELEX kohärent an. Beispielsweise ist ihre Preisoptimierung eine neuere Komponente, wurde aber wahrscheinlich entwickelt oder eng integriert, sodass sie die gleichen Prognosedaten und die Benutzeroberfläche verwendet. Es besteht keine Notwendigkeit, Prognosen in ein Drittanbieter-Preistool zu exportieren - es ist innerhalb von RELEX. Dies reduziert inkonsistente Annahmen zwischen Modulen. Ein weiterer Integrationspunkt: RELEX verbindet sich über APIs mit Ausführungssystemen (ERP, POS usw.) und sie haben vernünftig robuste Integrationstools (aber das ist normal für jeden Anbieter). Da RELEX als Einzelprodukt gewachsen ist, vermeidet es das “Frankenstein”-Etikett, das ältere Wettbewerber wie JDA/Blue Yonder und SAP plagt. Das heißt, während RELEX expandiert (insbesondere in die Preisgestaltung), ist der Erhalt der Reinheit einer einzigen Plattform eine laufende Anstrengung. Wir haben keine größeren Probleme gesehen, daher schließen wir daraus, dass sie es integriert gehalten haben. Eine Dimension, die zu beobachten ist, ist, ob die Mikrodienste von RELEX (falls sie ihre Anwendung in Dienste aufgeteilt haben) nahtlos kommunizieren. Gartner hob die “Datenmanagement- und Einschränkungsmodellierungstools” von RELEX als bemerkenswert hervor ³⁹ - was darauf hindeutet, dass sie eine integrierte Möglichkeit haben, alle Geschäftsregeln und Daten zu verwalten. Dies deutet auf ein hohes Maß an Integration hin, bei dem verschiedene Einschränkungen (wie Regalplatz, Lieferzeiten, Packungsgrößen usw.) alle den gleichen Solver füttern, anstatt separate. Zusammenfassend ist RELEX eine der technisch kohärentesten Lösungen in diesem Bereich, mit wenig Anzeichen für die Zerstückelung, die von M&A-schweren Produkten kommt. Dies ist eine bedeutende Stärke gegenüber Legacy-Suiten.

Skepsis gegenüber Marketingaussagen: RELEX, wie viele junge Unternehmen, verwendet in seinem Marketing frei Buzzwords wie KI/ML, aber in ihrem Fall wird dies größtenteils durch die Substanz gestützt. Sie sprechen von „Living Retail“ und „Entfesselung von KI“ - sicherlich Marketingsprache - veröffentlichen aber auch konkrete Ergebnisse und Methoden. Beispielsweise haben sie Blogbeiträge und Ressourcen, die wie ihr maschinelles Lernen für den Einzelhandel funktioniert (Diskussion über Pooling, Trenderkennung usw.) ⁴⁰ ³⁰. Diese Transparenz ist gut; es ist nicht nur eine magische KI-Box, sie skizzieren zumindest den Ansatz. RELEX lässt auch oft die Kunden sprechen - viele ihrer Behauptungen sind in Form von Fallstudienstatistiken (z. B. hat der Einzelhändler XXXX die Verfügbarkeit im Regal um Y% verbessert und gleichzeitig den Bestand um Z% reduziert). Diese sind glaubwürdiger als vage Behauptungen. Sie werfen Begriffe wie „autonom“, „kognitiv“ usw. herum, aber bisher haben sie nicht über das hinaus versprochen, was ihre Software leisten kann. Ein Bereich, den man beobachten sollte, ist “Demand Sensing” - RELEX verwendet diesen Begriff manchmal, um ihre kurzfristige Prognosefähigkeit zu beschreiben (Aufnahme aktueller Verkäufe zur Anpassung kurzfristiger Prognosen). Wir wissen, dass Demand Sensing als Konzept als Hype kritisiert wurde ¹², aber im Fall von RELEX ist ihr Ansatz im Grunde nur häufigere Prognosen mit den neuesten Daten, was in Ordnung ist. Solange sie keine unmögliche Voraussicht behaupten, ist es akzeptabel. Plug-and-Play-Integration ist nicht etwas, das RELEX übermäßig hochspielt; sie erkennen an, dass die Implementierung Arbeit erfordert (Datenintegration, Parameterabstimmung). Tatsächlich haben einige Kunden festgestellt, dass RELEX-Projekte erhebliche Anstrengungen erfordern (was für leistungsstarke Tools zu erwarten ist). Daher betont RELEX nicht zu sehr eine falsche „Sofortwert“-Erzählung. Sie vermeiden auch übermäßig fantasievolle Fachbegriffe - Sie werden sie nicht ohne Grund Blockchain oder Quantencomputing anpreisen sehen (obwohl amüsanterweise ihre Akquisition „Evo“ den Begriff „Quantenlernen“ für ihre KI verwendet - aber das ist separat). Wenn überhaupt, dann ist die größte Marketingbehauptung von RELEX, dass sie alle Aspekte der Einzelhandelsplanung in einer einheitlichen Lösung bewältigen und schnell große Ergebnisse liefern können. Wir sind skeptisch: Kann ein System wirklich in allem von der langfristigen Sortimentsstrategie bis zur täglichen Wiederauffüllung bis zur Preisgestaltung hervorragend sein? Das ist eine hohe Anforderung. RELEX hat starke Fähigkeiten in vielen Bereichen, aber einige (wie Preisgestaltung) sind neuer und nicht so erprobt wie spezialisierte Wettbewerber. Daher könnte ein Einzelhändler feststellen, dass ein Teil weniger ausgereift ist. Dies ist eine Nuance, die ihr Verkaufsmaterial möglicherweise übergeht. Darüber hinaus könnte das Ausführen so vieler Funktionen auf einem System unhandlich werden - ein Problem, das im Marketing nicht hervorgehoben wird. Im Gleichgewicht von Hype und Realität gehört RELEX jedoch zu den besseren: Ihre Behauptungen von KI-getriebenen Verbesserungen werden durch Algorithmen und Kundenbeweise gestützt, und sie vermeiden im Allgemeinen den schlimmsten Missbrauch von Buzzwords. Wir bewerten ihre Marketing-Ehrlichkeit als relativ hoch.

Zusammenfassung: RELEX Solutions ist ein Einzelhandelsoptimierungskraftwerk mit einer einheitlichen Plattform, die Prognose, Nachschub, Sortiment und Preisgestaltung abdeckt. Es nutzt maschinelles Lernen umfangreich, um reale Einzelhandelsfaktoren (Promotionen, Wetter, Kannibalisierung ⁹ usw.) zu berücksichtigen, und hat signifikante Verbesserungen der Ergebnisse für Einzelhändler (mehr Verfügbarkeit, weniger Verderb ²⁴) nachgewiesen. Das System unterstützt gemeinsame Planung von Sortiment, Bestand und in gewissem Maße Preisgestaltung, obwohl die Preisoptimierung für sie neuer ist. Probabilistische und KI-Prognose ist eine herausragende Stärke ²⁸ ³¹, ebenso wie ihre Fähigkeit, frische Produkte und Komplexität elegant zu handhaben. Die Skalierbarkeit ist im Allgemeinen bewiesen, wenn auch mit hohem Ressourcenverbrauch ²². RELEX ermöglicht einen hohen Grad an Automatisierung (insbesondere bei der Nachfüllung) und verfügt über einen kohärenten Technologiestack, der für den Einzelhandel entwickelt wurde. Während einige Aspekte (z. B. gewinnoptimale Entscheidungen, vollständig vereinheitlichte Optimierung von Preis+Bestand) möglicherweise nicht so nativ eingebettet sind wie bei Lokads Ansatz, repräsentiert RELEX eine der zukunftssichersten, innovativsten Lösungen für große Einzelhändler. Sein Fokus auf Realität (nicht nur Theorie) und greifbare KI-Anwendungen machen es zu einem Top-Tier-Wettbewerber - wohl der führende Anbieter unter den Einzelhandelsspezialisten. Die Hauptgefahren sind seine Komplexität (die Implementierung aller Funktionen ist nicht trivial) und die Sicherstellung, dass der Hype (KI überall!) in benutzerfreundliche, wartbare Lösungen übersetzt wird. Bisherige Beweise deuten darauf hin, dass RELEX größtenteils seine Versprechen einhält, was es zu einer erstklassigen Wahl für zukunftsorientierte Einzelhandelsoptimierung macht.

Quellen: RELEX’s ML-getriebene Prognosefaktoren (Nachfragemuster, Promos, externe Ereignisse) ²⁸; Behandlung von Kannibalisierung durch ML in der Promo-Prognose ⁹; nachgewiesene Reduzierung von Verderb durch automatisierte, prognosebasierte Nachfüllung ²⁴; KI-gesteuerte Sortimentsprofitabilitätsanalyse ³³.

3. o9 Solutions – Ehrgeizige integrierte Planung mit großen Versprechen (und Vorbehalten)

o9 Solutions (gegründet 2009) vermarktet sich als Schöpfer eines “Digitalen Gehirns” für die Unternehmensplanung - eine Plattform, die Nachfrageprognose, Supply-Chain-Planung, Umsatzmanagement und mehr auf einem graphenbasierten Datenmodell vereint. Die Vision von o9 ist es, die One-Stop-Plattform für die End-to-End-Planung zu sein, die Silos zwischen Nachfrageplanung, Bestand/Lieferung, kommerzieller Planung und sogar Finanzplanung abbaut. Im Einzelhandelskontext kann o9 für Merchandising und Sortimentsplanung, Nachfrageprognose, Supply-Chain-Planung konfiguriert werden und verfügt über Fähigkeiten für Revenue Growth Management (RGM), das Preis- und Promotions-Optimierung beinhaltet ⁴¹. Theoretisch erfüllt dies alle Anforderungen an die gemeinsame Optimierung. o9 hat an Zugkraft in CPG, Fertigung und einigen Einzelhandels-/Verbraucherunternehmen gewonnen, oft mit Betonung auf seinen modernen KI/ML und Wissensgraphen Ansatz gegenüber älteren APS (Advanced Planning Systems). Allerdings ist o9 aus einer skeptischen Ingenieurperspektive ein bisschen ein Paradoxon: Es ist sehr technologisch fortgeschritten in der Architektur, doch einige Experten hinterfragen, wie viel von seiner KI Substanz gegenüber Buzz ist. Wir bewerten o9 hoch für seine Breite und Plattformansatz, aber mit Vorsichtsmaßnahmen hinsichtlich seiner tatsächlichen Ausführung bei der Prognose und der möglicherweise erforderlichen schweren Infrastruktur.

Gemeinsame Optimierung: Der Kernwert von o9 ist die integrierte Planung über alle Funktionen hinweg. Für einen Einzelhändler bedeutet dies, dass ein o9-System die Warenfinanzplanung, Sortimentsentscheidungen, Nachfrageprognose, Supply-/Replenishment-Planung und Preisstrategie, alles verbunden, handhaben könnte. Sie bewerben ihre Lösung für Revenue Growth Management (RGM), das “RGM, Nachfrageplanung, Supply Chain und IBP in einer einzigen Plattform integriert” ⁴¹. Dies deutet darauf hin, dass Preisgestaltung und Promotionen (RGM) nicht eigenständig sind - sie fließen in die Nachfrageplanung ein, die in die Supply-Planung einfließt, alles innerhalb von o9. In der Praxis hat o9 Module oder Apps für jeden Bereich, aber unter einem Dach. Zum Beispiel könnte eine o9-Implementierung ein Preiselastizitätsmodell innerhalb des Nachfrageplanungsmoduls enthalten, so dass Planer sehen können, wie Preisänderungen die Prognose beeinflussen würden und dann sofort sehen, wie das die Bestands- oder Produktionspläne beeinflusst. Ihr Enterprise Knowledge Graph (EKG) Konzept bedeutet, dass alle Daten (Produkte, Standorte, Lieferanten, Einschränkungen usw.) wie ein Netzwerk verbunden sind, was ermöglicht, dass jede Änderung (wie eine neue Sortimentsentscheidung oder eine Preisänderung) Auswirkungen durch das Netzwerk verbreitet. Dies ist in der Theorie mächtig: es könnte eine wirklich gleichzeitige Optimierung ermöglichen - Preise anpassen und gleichzeitig neu bestellen für maximalen Gewinn und Service. Allerdings ist es unklar, ob o9 derzeit automatisch über diese Dimensionen hinweg optimiert oder nur eine vereinheitlichte Analyse ermöglicht. Oft verwenden Kunden o9, um Szenarien durchzuspielen: z.B. Szenario 1 - Preis x, Bestellung y; Szenario 2 - Preis x+5%, Bestellung z - dann vergleichen sie die Ergebnisse. Das ist integrierte Planung, aber nicht unbedingt ein einziger Optimierungsalgorithmus. Trotzdem ist o9 in der Lage, komplexe Szenarien zu berechnen, gegeben sein Motor. Es ist eines der wenigen, das realistisch Sortimentsplanung (Merchandising) zusammen mit der Supply Chain bringen kann - so kann ein Einzelhändler eine Kategoriestrategie planen (welche SKUs in welchen Geschäften) und o9 wird gleichzeitig den Bestand und die Nachfüllung für sie planen, um sicherzustellen, dass die Versorgung dem Merchandising-Plan entspricht. Viele ältere Setups machen dies in getrennten Schritten. o9 wirbt auch mit Lieferanten-Kollaboration und Multi-Tier-Planung auf derselben Plattform, was bedeutet, dass Probleme in der oberen Lieferkette die Entscheidungen im unteren Merchandising informieren können. All diese ganzheitliche Integration ist eine Schlüsselstärke und sehr zukunftsorientiert. Die Haupt Herausforderung ist die Komplexität: die Modellierung all dieser Elemente in einem System erfordert eine erhebliche Konfiguration und Datenintegration. Einige Benutzer berichten, dass, während o9 alles tun kann, ihre Implementierung sich vielleicht zunächst auf ein oder zwei Bereiche konzentriert (sagen wir Nachfrage- und Supply-Planung), und die Preisgestaltung oder das Sortiment für spätere Phasen aufbewahrt. Daher ist die gemeinsame Optimierung eher ein Potenzial als eine sofortige Realität. Wir geben o9 starke Noten für Vision und Architektur bei der gemeinsamen Optimierung, gemildert durch die Frage, wie viele Kunden es tatsächlich für vollständig integrierte Preis-Bestands-Entscheidungen nutzen. Dennoch ist die Fähigkeit der Plattform vorhanden, und das ist mehr, als man von den meisten sagen kann.

Probabilistische Prognose & KI: o9 vermarktet sich definitiv als eine KI-gesteuerte Plattform. Es verfügt über einen dedizierten ML-Motor, der viele externe Variablen (sie demonstrieren Dinge wie Google Trends, Wetter, sozioökonomische Daten) in die Prognose einbeziehen kann. Der Knowledge Graph wird manchmal als Möglichkeit zur Verbesserung der KI angepriesen - durch die Verknüpfung aller Daten soll er angeblich Machine-Learning-Algorithmen dabei helfen, Prädiktoren für die Nachfrage zu finden. Allerdings ist eine kritische Betrachtung angebracht. Eine unabhängige Analyse stellte fest: “Viele Prognosebehauptungen über die Graphdatenbank (EKG) sind zweifelhaft und werden nicht durch wissenschaftliche Literatur gestützt. Tonnen von KI-Hype, aber Elemente, die auf Github gefunden wurden, deuten auf einfache Techniken hin.” ⁴². Dies deutet darauf hin, dass die tatsächlichen Prognosemethoden von o9 möglicherweise nicht so revolutionär sind, wie ihr Marketing suggeriert - möglicherweise verwenden sie unter der Haube recht standardisierte Zeitreihenmodelle oder Regressionen, trotz der Verpackung in schicken Begriffen. Tatsächlich wurde o9 dafür kritisiert, selbst einfache interaktive Funktionen als “KI” zu bezeichnen. So ist beispielsweise das schnelle Erzeugen von Szenarien ein Markenzeichen ihres Tools (dank In-Memory-Berechnung), aber Szenarienplanung an sich ist keine KI - es handelt sich lediglich um Simulation. Nichtsdestotrotz verfügt o9 über Machine-Learning-Fähigkeiten: Sie können ML-Modelle für Promotionen, für die Einführung neuer Produkte (unter Verwendung von attributbasierter Prognose) usw. erstellen. Sie haben ein kleines KI-Unternehmen (Fourkind) erworben, um ihre Datenwissenschaft zu stärken. Es ist also nicht alles nur heiße Luft; sie haben ML für Mustererkennung und Anomalieerkennung in Prognosen implementiert. Es könnte jedoch sein, dass diese ähnlich sind zu dem, was andere moderne Anbieter tun. Es gibt wenig Beweise dafür, dass das Graphenmodell die Prognosegenauigkeit grundsätzlich verbessert - es hilft hauptsächlich bei der Datenorganisation. Die Prognosen von o9 können in dem Sinne probabilistisch sein, dass sie Monte-Carlo-Simulationen für Szenarien unterstützen (z.B. Simulation von 1000 Nachfragepfaden zur Betrachtung der Verteilung der Ergebnisse), aber wir haben nicht gesehen, dass sie standardmäßig vollständige Wahrscheinlichkeitsverteilungen ausgeben, so wie Lokad es tut. Daher könnten sie in Bezug auf die Reife der probabilistischen Prognose hinter spezialisierten Anbietern zurückbleiben. Allerdings integriert o9 KI auf andere Weise: zum Beispiel haben sie ein KI-gesteuertes Supply-Chain-Risikotool, um potenzielle Störungen vorherzusagen, was über die klassische Prognose hinausgeht. Sie haben auch einen neuen Generative KI-Assistenten (Chatbot-Schnittstelle zur Abfrage des Systems), der mehr UI als Kernprognose ist, aber zeigt, dass sie in KI-Technologie investieren. Zusammenfassend bewerten wir o9 als gute KI-Fähigkeiten habend, aber möglicherweise nicht so differenziert, wie sie behaupten. Sie überholen definitiv veraltete AP-Systeme, die auf manuellen Prognosen basieren, aber im Vergleich zu Kollegen wie RELEX oder Lokad könnte der Prognoseansatz von o9 weniger fokussiert erscheinen (da o9 auch viele andere Planungsaspekte ausbalanciert). Die Skepsis von Experten ⁴² deutet darauf hin, dass man nicht alle KI-Behauptungen von o9 für bare Münze nehmen sollte. Wir möchten mehr unabhängige Bestätigungen ihrer Prognosegenauigkeitsgewinne sehen. Bis dahin betrachten wir ihre KI als glaubwürdig, aber etwas übervermarktet.

Wirtschaftliche Entscheidungsfindung: Die Plattform von o9 ist sehr flexibel und kann so eingerichtet werden, dass sie verschiedene Ziele optimiert, einschließlich finanzieller. Im Kontext der integrierten Geschäftsplanung (IBP) hilft o9 Unternehmen oft dabei, Szenarien nach Umsatz, Marge, Service usw. zu bewerten. Im Einzelhandel sollte ihr RGM-Modul Preiselastizität und Marge explizit berücksichtigen - und somit Entscheidungen direkt mit Gewinn- und Umsatzergebnissen verknüpfen. Sie haben die Möglichkeit, Was-wäre-wenn-Szenarien zur Rentabilität durchzuführen: z.B. “Was wäre, wenn wir diese Kategorie 5% günstiger anbieten? Wie ändern sich Gewinn und Volumen? Und können unsere Lieferanten mithalten?” Dies bringt die Planung mit finanziellen Kennzahlen in Einklang. Ob o9 jedoch automatisch optimiert oder nur die Spielwiese bereitstellt, ist eine Frage. Ein Teil des Mehrwerts von o9 ergibt sich aus der Ermöglichung von funktionsübergreifenden Entscheidungen: Ein Benutzer kann beispielsweise sehen, dass ein bestimmter Werbeplan aufgrund von Lieferbeschränkungen zu Umsatzeinbußen führen würde, und sich entscheiden, ihn anzupassen, um den Gewinn unter diesen Beschränkungen zu maximieren - alles innerhalb des Tools von o9. Dies erleichtert die wirtschaftliche Entscheidungsfindung (durch Transparenz und schnelle Simulationen). o9 hat auch eingebettete Optimierungslöser (für die Supply Chain und vermutlich auch für die Preisgestaltung). Sie können Dinge wie Multi-Echelon-Bestandsoptimierung (Ausbalancieren von Lagerbeständen über DCs und Geschäfte, um Kosten für ein Ziel-Servicelevel zu minimieren) und Promotionskalender-Optimierung (Auswahl des besten Promo-Zeitplans zur Erreichung von Zielen) durchführen. Diese beinhalten wirtschaftliche Kompromisse. Ein Beispiel: o9 kann die Sortimentszuweisung optimieren - Bestimmung, wie viele Fronten oder welche Produkte in jedem Geschäft zur Maximierung einer bestimmten Metrik (wie Verkauf oder Gewinn) unter Platzbeschränkungen. Das ist eine mathematische Optimierung, die mit wirtschaftlichen Zielen übereinstimmt. Da die Plattform von o9 anpassbar ist, könnte ein Einzelhändler eine Zielfunktion von “maximiere erwartete Marge minus Haltekosten” für den Bestand konfigurieren, während ein anderer “maximiere Umsatz unter Berücksichtigung von X” machen könnte. Das Tool kann beides unterstützen. Es ist also flexibel, aber das bedeutet auch, dass o9 selbst keinen wirtschaftlichen Ansatz vorschreibt - es kann auf eine manuellere/heuristische Weise verwendet werden, wenn ein Kunde dies wählt. Ihre Marketingstrategie rund um “entscheidungszentrierte Planung” und “digitales Gehirn” lässt vermuten, dass das System Sie zur besten Entscheidung führen wird. Doch einige Kritiker sagen, dass die ausgefallenen Demos von o9 immer noch auf viel menschlicher Analyse statt auf vollautomatischen optimalen Entscheidungen beruhen ⁴². Wir vermuten, dass o9 in der Regel dazu dient, Planern Szenarien und KPIs (Kosten, Gewinn usw.) zu präsentieren und die Planer entscheiden, anstatt dass das System eine optimale Antwort ausspuckt. In Bezug auf Opportunitätskosten ist es nicht klar, ob o9 diese inhärent berechnet (z.B. die Kosten eines Ausverkaufs in Bezug auf entgangenen Gewinn - es kann wahrscheinlich, wenn konfiguriert). Bei der Preisoptimierung, wenn man o9’s RGM verwendet, optimiert es wahrscheinlich mathematisch die Preise, um ein finanzielles Ziel angesichts von Nachfrageelastizitätskurven zu erreichen, ähnlich wie andere Preisoptimierungstools. Also ja, es kann wirtschaftlich getrieben sein. Insgesamt ermöglicht o9 die wirtschaftliche Entscheidungsfindung stark (da es dazu gedacht ist, operative und finanzielle Planung zu kombinieren), aber wie automatisiert das ist, variiert. Wir geben ihnen Anerkennung dafür, dass sie die Planung mit Geschäftsergebnissen verbinden (ihr Verkaufsargument ist oft, die Mauer zwischen Finanzen und Supply Chain Planung zu durchbrechen). Seien Sie sich nur bewusst, dass die Erzielung von wirklich gewinnoptimalen Entscheidungen mit o9 möglicherweise erhebliche Modellbildung und Feinabstimmung während der Implementierung erfordern könnte.

Skalierbarkeit & Architektur: Die Architektur von o9 ist eines ihrer Markenzeichen - sie verwenden einen modernen, in-memory Berechnungsmotor und den Enterprise Knowledge Graph, um Daten in einer stark vernetzten, aber effizienten Struktur darzustellen. Dies ermöglicht eine schnelle Durchquerung und Berechnung. Sie demonstrieren oft nahezu sofortige Ausbreitung von Änderungen (z.B., ändern Sie eine Prognose und sofort aktualisiert sich der Versorgungsplan). Konzeptionell ähnelt dies der Art und Weise, wie Kinaxis Gleichzeitigkeit erreicht, aber mit einer Graph DB-Drehung. Wie jedoch der Skeptiker zuvor bemerkte, „die technische Masse von o9 ist selbst nach Unternehmensstandards enorm. Das in-memory Design garantiert hohe Hardwarekosten.“ ⁴. Mit anderen Worten, o9 packt eine riesige Menge an Daten und Berechnungen in den Speicher, so dass der Betrieb für ein großes Unternehmen möglicherweise leistungsstarke Server oder hohe Cloud-Kosten erfordert, ähnlich wie bei RELEX. o9 basiert auf der Cloud (sie haben ihr SaaS-Angebot, oft auf Azure), was Elastizität bietet. Aber wenn ein Einzelhändler o9 verwendet, um sein gesamtes Netzwerk zu modellieren, plus detaillierte Finanz- und Handelsdaten, kann das Modell extrem groß sein. Ein Vorteil: Das Graphenmodell kann speichereffizienter sein als naive Datentabellen, da es Beziehungen elegant speichert. Aber der Kritiker deutet an, dass es immer noch ziemlich schwer ist. Tatsächlich waren einige o9-Implementierungen in der Anfangsphase für ihren hohen Speicherverbrauch berüchtigt. Sie haben dies wahrscheinlich verbessert, und mit der Cloud können sie in gewissem Maße horizontal skalieren (obwohl bestimmte Berechnungen immer noch einen großen gemeinsamen Speicher benötigen). Skalierbarkeit in der Benutzerzahl ist gut - viele Benutzer können im System zusammenarbeiten, jeder sieht verschiedene Ausschnitte, dank seiner leistungsstarken Backend. o9 wird von Fortune 500-Unternehmen genutzt, was für seine Skalierbarkeit für große Unternehmen spricht (einschließlich sehr großer CPGs und einer globalen Fast-Food-Kette). Die Kosteneffizienz ist eine andere Sache: Anekdotische Beweise deuten darauf hin, dass o9 nicht billig zu betreiben ist, angesichts seiner Unternehmenspreise und Ressourcenbedürfnisse. Wenn man kostenempfindlich ist, könnte eine schlankere Lösung für eine Teilmenge von Aufgaben bevorzugt werden. Aber wenn man eine Echtzeit-Integrierte Planung im gesamten Unternehmen schätzt, liefert o9, und das kostet natürlich mehr Rechenleistung. In Bezug auf die Leistung kann o9 Pläne sehr häufig neu berechnen (einige tun dies täglich oder sogar innerhalb eines Tages für bestimmte kurzfristige Horizonte), was eine Verbesserung gegenüber, sagen wir, wöchentlichen Batch-Planungszyklen von früher ist. Sie verwenden auch Mikrodienste und einen „Plattform“-Ansatz, was bedeutet, dass Teile des Plans aktualisiert werden können, ohne alles von Grund auf neu zu starten. Der Knowledge Graph wird inkrementell aktualisiert, wenn neue Daten einfließen. Dies ist modern und skalierbar im Design. Zusammenfassend ist o9 technisch skalierbar für sehr große Probleme, aber die Benutzer sollten sich auf einen erheblichen Hardware-/Cloud-Einsatz vorbereiten (die Plattform ist leistungsstark, aber hungrig). Im Vergleich zu wirklich leichten, spezialisierten Lösungen wird o9 wahrscheinlich mehr Speicher verwenden, weil es ein größeres integriertes Problem löst. Daher geben wir o9 in Bezug auf Skalierbarkeit hohe Noten für die Fähigkeit, mittlere für die Kosteneffizienz.

Umgang mit komplexen Einzelhandelsfaktoren: Von Haus aus verfügt o9 möglicherweise nicht über so viele einzelhandelsspezifische vordefinierte Funktionen wie RELEX, kann aber so konfiguriert werden, dass sie diese bewältigen können. Zum Beispiel Kannibalisierung und Halo - o9’s ML-Modelle können diese erkennen, wenn sie Transaktionsdaten zugeführt bekommen, ähnlich wie RELEX. Wahrscheinlich benötigt das Data-Science-Team die Definition der richtigen Funktionen oder die Nutzung des ML-Assistenten von o9. In den Materialien von o9 haben wir keine expliziten Hinweise auf eingebaute Modelle zur Kannibalisierung von Werbeaktionen gefunden; es wird wahrscheinlich über ihre ML-Prognose statt über ein separates Modul gemacht. Substitutionseffekte können behandelt werden, da o9 Lagerbestände verfolgen kann - man könnte eine Regel oder ein ML-Modell aufstellen, dass bei Ausverkauf eines SKU die Nachfrage nach einem korrelierten SKU steigt. Aber auch hier muss es möglicherweise explizit modelliert werden. Ablauf/Verderbliches: o9 kann Chargenattribute verwalten (sein Datenmodell kann Artikelattribute wie Ablaufdatum einbeziehen). Ein Einzelhändler könnte o9 zur Planung von Produktion und Vertrieb in Übereinstimmung mit Haltbarkeitsbeschränkungen verwenden (z.B. sicherstellen, dass Artikel mit ausreichender Restlaufzeit an die Geschäfte geliefert werden). Aber es könnte eine Anpassung der Beschränkungen und Ziele erfordern. Es ist keine spezielle Frischwarenlösung, daher berechnet es nicht automatisch Verderbsprognosen, es sei denn, Sie implementieren diese Logik. Im Gegensatz dazu haben einige andere Anbieter dies eingebaut. Also o9 kann es tun, aber der Benutzer muss wissen, dass er es in sein Modell einbeziehen muss. Promotionen und Saisonalität werden definitiv behandelt - o9’s Prognose und Planung berücksichtigen Promo-Lifts (sie haben ein Promo-Planungsmodul zur Eingabe von Promotionen, die dann Prognosen und Versorgungspläne anpassen). Sie erlauben auch Multi-Echelon-Inventar-Planung, was bedeutet, dass sie Lagerbestände über DCs und Geschäfte unter Berücksichtigung von Schwankungen optimieren können - eine elegante Möglichkeit, Unsicherheiten in der Nachfrage zu bewältigen. Wir vermuten, dass o9, da es branchenübergreifend ist, nicht ganz so viele einzelhandelsspezifische Algorithmen vorgefertigt hat (wie es nicht automatisch vorschlagen wird “dieser Artikel ist ein Ersatz für den” es sei denn, Sie richten diese Logik ein). Aber ihre Flexibilität bedeutet, dass jeder Einzelhandelsfaktor modelliert werden kann. Sie bieten auch das, was sie “Kontrolltürme” nennen - im Wesentlichen Dashboards zur Überwachung von Dingen wie Stockouts, verlorenen Verkäufen, Überschüssen - die helfen, Probleme wie Kannibalisierung oder schlechte Sortimente zu identifizieren. Darüber hinaus kann o9’s Wissensgraph mit externen Daten integriert werden, so dass etwas wie Wetter zur Anpassung von Prognosen herangezogen werden kann (wenn der Benutzer das einrichtet). Viele o9-Einzelhandelskunden nutzen wahrscheinlich externe Nachfragesignale. Sortimentsoptimierung ist explizit Teil ihres Angebots (sie listen “Merchandising und Sortimentsplanung” Lösungen auf), was bedeutet, dass sie Analysen verwenden können, um die idealen Sortimente für bestimmte Geschäfte zu ermitteln und lokale Vorlieben und Platzbeschränkungen zu berücksichtigen. In Kombination mit ihrem IBP können sie sicherstellen, dass Sortimentsänderungen versorgungstechnisch machbar sind. Das adressiert die Komplexität der lokalen Nachfrage. Alles in allem ist o9 in der Lage, komplexe Faktoren zu bewältigen, benötigt aber ein fähiges Implementierungsteam, um diese Fähigkeiten zu nutzen. Es ist vielleicht nicht so out-of-the-box für Einzelhandelsdetails wie ein reiner Einzelhandelsanbieter, aber einmal konfiguriert, kann es mit ihnen konkurrieren. Eine Kritik, die zu beachten ist: Die früheren Expertenkommentare deuten darauf hin, dass einige der fortschrittlich klingenden Technologien von o9 tatsächlich auf einfacheren Methoden basieren könnten (sie erwähnen Open-Source-Projekte wie tsfresh, ARIMA, etc. im Kontext von o9) ⁴³, was bedeuten könnte, dass einige komplexe Phänomene mit recht einfachen Techniken angegangen werden (wie lineare Regression für Promotionen - was funktioniert, aber nicht auf dem neuesten Stand ist). Wenn das stimmt, müsste o9 vielleicht seinen Ansatz vertiefen, um wirklich, sagen wir, nichtlineare Kannibalisierungseffekte zu erfassen. Dennoch, angesichts ihrer Ressourcen und ihres Fokus auf KI, ist es wahrscheinlich, dass sie sich hier verbessern. Wir bewerten sie gut in Bezug auf Flexibilität für Komplexität, moderat in Bezug auf nachgewiesene Erfolgsbilanz speziell in Einzelhandels-Randfällen (Frischwaren etc.).

Automatisierung: Die Plattform von o9 ist in erster Linie ein Planungs- und Entscheidungsunterstützungstool - sie ist hervorragend darin, schnell Pläne und Szenarien zu erstellen. Ob sie automatisch ausgeführt wird, hängt weitgehend von der Benutzerorganisation ab. Viele o9-Benutzer beziehen immer noch Planer ein, um Szenarien auszuwählen und Pläne zu genehmigen. Allerdings bietet o9 die Möglichkeit zur kontinuierlichen Planung. Sie betonen Konzepte wie “Echtzeit-Was-wäre-wenn” und “kontinuierliche Neuplanung”, die auf Automatisierung hindeuten (das System aktualisiert den Plan ständig, wenn sich die Bedingungen ändern). Wenn beispielsweise die Nachfrage in einer Region sprunghaft ansteigt, kann o9 automatisch Bestände im Plan umverteilen und Beschleunigungen vorschlagen. Einige haben o9’s Ansatz in der Vermarktung als “autonome Planung” bezeichnet, aber realistisch gesehen ergänzt es oft eher Planer als dass es sie ersetzt. Nichtsdestotrotz hat o9 Funktionen wie KI-Agenten eingeführt, die Daten überwachen und Empfehlungen geben können. Und ihr neuer GenAI Orchestrator soll es Unternehmen ermöglichen, „schnellere, intelligentere Entscheidungen zu treffen und die Produktivität der Planer zu steigern“ ⁴⁴ - hauptsächlich indem er beschleunigt, wie Planer zu Erkenntnissen gelangen können. Vollständige unbeaufsichtigte Automatisierung (wie automatische Bestellausführungen oder Preisänderungen) wird nicht häufig mit o9 in Verbindung gebracht. In der Regel würde o9 optimierte Pläne in ein ERP- oder Ausführungssystem einspeisen, das sie dann ausführt. Die Automatisierung im Kontext von o9 bezieht sich also eher auf die Automatisierung des Planungsprozesses (keine manuelle Tabellenkalkulation, automatisierte Prognoseaktualisierungen, automatisierte Warnungen bei Planabweichungen usw.) als auf die Ausführung. Der Unterschied zu etwas wie Lokad oder RELEX ist subtil: o9 automatisiert Berechnungen und gibt eine Entscheidungsempfehlung, aber oft zieht ein Mensch den Auslöser; Lokad/RELEX werden oft so eingestellt, dass sie die tatsächliche Bestellung oder Preisänderung automatisch generieren. Wenn ein Unternehmen sich jedoch dafür entscheiden würde, könnte es die Ausgaben von o9 als automatisch autorisierte Entscheidungen behandeln. Beispielsweise könnte o9 Bestellvorschläge ausspucken, die täglich direkt an ein Bestellverwaltungssystem gehen - das ist machbar. Oder es könnte neue Transferpreise oder Preisnachlassvorschläge berechnen und sie an die Geschäfte weitergeben. Die Fähigkeit ist vorhanden, aber die typischen Benutzer von o9 (oft große Unternehmen) neigen dazu, einen Menschen in der Schleife für kritische Entscheidungen zu behalten. Es sollte angemerkt werden, dass die Stärke von o9 in der Szenarioplanung tatsächlich die Notwendigkeit von Versuch und Irrtum durch Menschen reduziert - das System selbst kann unzählige Szenarien simulieren (fast wie ein automatisiertes Brainstorming). In gewisser Weise automatisiert es also die Bewertung von Optionen und lässt den Menschen nur noch unter den besten Optionen wählen. Dies beschleunigt die Entscheidungsfindung erheblich. In Bezug auf die Produktivität der Planer automatisiert o9 also die Routinearbeit. Sie haben auch Workflows (wie Genehmigungen, Benachrichtigungen), die Ausnahmen automatisch an die richtige Person weiterleiten können. Um skeptisch zu sein, kann o9’s Vermarktung eines “Digitalen Gehirns” eine selbstfahrende Lieferkette implizieren, aber in Wirklichkeit ist es eher wie ein sehr gutes Entscheidungscockpit, das einen geschickten Piloten benötigt. Wir geben ihnen mäßige bis hohe Noten für die Automatisierung von Planungsberechnungen, aber niedrigere für die autonome Ausführung ohne menschliches Eingreifen. Im Vergleich zu älteren Systemen, die viele manuelle Eingaben erfordern, ist o9 ein großer Fortschritt. Im Vergleich zum Ideal einer von KI selbstfahrenden Einzelhandelsoperation ist o9 noch nicht ganz da (wie die meisten auch).

Technologieintegration: o9 wurde als einheitliche Plattform von Grund auf neu entwickelt (von ehemaligen Veteranen der i2 Technologies), so dass sie kein Flickwerk aus erworbenen Modulen geerbt hat - ein Pluspunkt für die Integration. Ihre Mikroservice-Architektur und das einheitliche Datenmodell sorgen dafür, dass alle Teile des Systems nahtlos miteinander kommunizieren. Sie benötigen keine separaten Datenbanken für Prognose vs. Supply-Planung; der Knowledge Graph beherbergt alles. Dies vermeidet die traditionellen Integrationsprobleme zwischen, sagen wir, einem Prognosesystem und einem Inventaroptimierungssystem. Alle Daten werden einmal in o9 geladen und dann arbeiten verschiedene “Apps” innerhalb davon mit diesen gemeinsamen Daten. Das Benutzererlebnis ist ebenfalls einheitlich (sie haben eine webbasierte Benutzeroberfläche, die über alle Module hinweg gemeinsam ist, mit konfigurierbaren Dashboards). Aus Benutzersicht fühlt es sich also an wie ein System für alle Planungsaufgaben. Dies ist ein großer Vorteil gegenüber einer Frankenstein-Lösung. Allerdings hat o9 im Laufe seiner Entwicklung viele Funktionen hinzugefügt und vielleicht ein oder zwei kleinere Unternehmen übernommen (wie die KI-Beratung und vielleicht eines für Supply-Chain-Design). Es könnte also in diesen Randbereichen einige Integration erforderlich sein, aber die Kernplanung bleibt einheitlich. Ein Experte kritisierte, dass o9 „der Archetyp des großen Technologieanbieters“ mit „technischer Masse jenseits der Charts“ sei, was darauf hindeutet, dass es unter der Haube sehr komplex ist ⁴. Dies deutet darauf hin, dass die eigene Plattform von o9, obwohl sie kein Akquisitions-Frankenstein ist, massiv ist - was sie möglicherweise kompliziert in der Implementierung oder Wartung macht. Aber das ist eine interne Komplexität und keine Integration von disparater Technologie. Unternehmenskäufer bevorzugen oft eine integrierte Plattform wie o9, weil sie die Anzahl der Anbieter und Schnittstellen reduziert. Das ist die Stärke von o9 - Sie kaufen eine Plattform statt separate Prognose-, Supply-Planung-, S&OP- usw. Das Risiko besteht darin, dass, wenn ein Teil der Plattform nicht erstklassig ist, Sie trotzdem daran gebunden sind, es sei denn, Sie integrieren ein anderes Tool (was den Zweck zunichte macht). Was die “technische Stapelkohärenz” betrifft, so ist o9 kohärent - es basiert hauptsächlich auf Microsoft-Technologie-Stapel (.NET usw.) und verwendet eine von ihnen entwickelte Graphdatenbankstruktur. Daher sehen wir keine Probleme wie Daten, die zwischen Subsystemen kopiert werden, oder inkonsistente Logik. Der Trade-off: Die Übernahme von o9 bedeutet, dass Sie Ihre Prozesse an den Plattformansatz von o9 anpassen müssen, was eine große Veränderung sein kann. Aber aus IT-Sicht vereinfacht es wahrscheinlich die Landschaft im Vergleich zu mehreren Legacy-Systemen. Kurz gesagt, o9 ist kein Frankenstein - es ist ein konstruiertes Gehirn (wenn auch ein sehr komplexes). Das ist gut für die langfristige Wartbarkeit, wenn der Kunde es vollständig akzeptiert, aber es kann zunächst überwältigend sein. Wir glauben, dass o9 das Kriterium “kohärenter Technologie-Stack” gut erfüllt.

Skepsis gegenüber Hype: Wenn es einen Anbieter in dieser Liste gibt, der die “Hype”-Alarmglocken auslöst, dann könnte es o9 sein. Sie verwenden großzügig Schlagworte - Enterprise Knowledge Graph™, Digital Brain, AI/ML, jetzt Generative AI. Ihr Marketing ist geschmeidig und manchmal vage in den technischen Details, konzentriert sich stattdessen auf die großen Vorteile. Zum Beispiel werben sie mit einem AI/ML-Framework, aber Sie werden weniger darüber hören, welche Algorithmen sie genau verwenden (während ein Anbieter wie Lokad oder ToolsGroup offen über die Verwendung von probabilistischen Modellen oder neuronalen Netzen diskutieren könnte, bleibt o9 auf einer höheren Ebene). Einige Branchenbeobachter haben o9 tatsächlich vorgeworfen, ein “AI-Theater” zu sein, das mit auffälligen Demos und vielen Analysen prahlt, aber hinter den Kulissen ziemlich standardisierte Techniken verwendet ⁴². Der zuvor zitierte Bericht von Lokad platzierte o9 nahe dem Ende eines Rankings und zitierte “tonnenweise AI-Hype” und dass triviale interaktive Funktionen als AI gebrandet wurden ⁴². Dies ist eine harte Kritik, wahrscheinlich aus der Perspektive eines Konkurrenten, aber sie stimmt mit dem Gefühl überein, dass o9’s Marketing seiner bewiesenen Realität voraus ist. o9 benennt auch Funktionen auf futuristische Weise - z.B. behaupten sie, einen “Quantum Learning” Motor zu haben (ein Begriff, der von ihrer Evo-Übernahme im Jahr 2023 entlehnt wurde), der fortschrittlich klingt, aber im Grunde genommen ein Ensemble ML-Ansatz ist. Sie sprechen von “Graph Cube Technologie”, die Daten verbindet ⁴⁵, was in Ordnung ist, aber Kunden verwirren könnte. Demand Sensing und Digital Twin sind weitere Schlagworte, die o9 fallen lassen könnte (obwohl sie es eher als Knowledge Graph/Digital Brain statt als Twin darstellen, um fair zu sein). Als Skeptiker sollte man sich fragen: Erzielen Unternehmen die dramatischen Ergebnisse, die o9 impliziert (wie z.B. 10% Umsatzsteigerungen allein durch bessere Planung)? Einige berichten von guten Ergebnissen, aber unabhängige Referenzen sind seltener, da o9 jünger ist als z.B. SAP. Ein weiterer Hype-Aspekt: o9 positioniert sich oft als eine Plug-and-Play-Cloud-Plattform, die schneller implementiert werden kann als alte Systeme. Dennoch wurde berichtet, dass einige Implementierungen erhebliche Zeit und Beratung in Anspruch nehmen (weil die Modellierung eines gesamten Unternehmens nicht trivial ist). Daher ist die Vorstellung, dass man o9 einfach einsetzen und sofort integrierte Planung erhalten kann, optimistisch. Es ist in der Regel schneller als die Implementierung mehrerer separater Tools, aber nicht “sofort”. Trotzdem sollten wir die Leistungen von o9 nicht herabsetzen: Sie haben tatsächlich moderne Technologie und UI in einen Bereich eingeführt, der sie benötigte, und viele Kunden sind zufrieden. Sie liefern wahrscheinlich eine viel bessere Planungsfähigkeit als das, was die Kunden zuvor hatten. Daher ist der Hype teilweise gerechtfertigt - o9 ist ein Planungssystem der nächsten Generation. Der Schlüssel ist, ihre Behauptungen zu analysieren: Wenn sie sagen “unsere AI wird Ihr Geschäft autonom optimieren”, nehmen Sie es mit Salz. Stattdessen sollten Sie wissen, dass “unsere Plattform Ihnen erlaubt, Ihr Geschäft besser zu modellieren und zu optimieren, aber Ihr Team wird beteiligt sein, um es zu steuern.” Wir würden potenziellen Kunden empfehlen, konkrete Demos oder Beweise für alle hochtrabenden Behauptungen zu verlangen, insbesondere in Bezug auf die von AI angetriebene Prognosegenauigkeit oder ROI-Verbesserungen. Das Framework ist stark; wie es genutzt wird, entscheidet über das Ergebnis. Abschließend ist das Marketing von o9 sicherlich auf der aggressiven Seite in Bezug auf Schlagworte, daher raten wir zu einer gesunden Skepsis. Doch in Bezug auf die Substanz haben sie eine leistungsstarke Plattform, die einen guten Teil davon unterstützt - seien Sie sich nur bewusst, dass nicht alles, was als “AI” gekennzeichnet ist, wirklich innovative AI ist (einiges ist nur effiziente Berechnung). Wir geben o9 eine mittlere Bewertung in Bezug auf die Marketing-Ehrlichkeit: Sie haben einige echte technologische Innovationen, aber sie pushen die Hype-Grenze mehr als andere, was eine sorgfältige Due Diligence von den Käufern erfordert.

Zusammenfassung: o9 Solutions bietet eine beeindruckend breite und integrierte Plattform zur Einzelhandelsoptimierung und zielt darauf ab, als “digitales Gehirn” zu dienen, das Warenwirtschaft, Supply Chain und Preisentscheidungen verbindet. Seine Knowledge Graph-Architektur und In-Memory-Engine ermöglichen eine schnelle, gleichzeitige Planung und eine umfangreiche Szenarioanalyse, die nur wenige übertreffen können. o9 unterstützt die gemeinsame Betrachtung von Preis, Nachfrage und Angebot, so dass es möglich ist, Sortiments- und Preisstrategien mit Lager- und Lieferbeschränkungen in einem Tool abzustimmen - eine Vision von echter IBP. Es nutzt KI/ML in der Prognose und Analytik, obwohl das Ausmaß seiner Fortschritte hier zur Debatte steht ⁴². Das System kann sicherlich komplexe Faktoren und große Datensätze einbeziehen, wenn auch mit hohem Rechenaufwand. Die Skalierbarkeit ist auf Unternehmensebene (genutzt von mehreren Milliarden $ Unternehmen), aber die Kosteneffizienz könnte ein Anliegen sein (In-Memory-Ansatz kann hardwarehungrig sein) ⁴. o9 befähigt Planer durch Automatisierung von Berechnungen und Szenarioplanung, obwohl es oft ein Entscheidungsunterstützungssystem statt eines vollständig autonomen Entscheidungsträgers ist. Technologisch gesehen ist es eine kohärente Plattform, die im eigenen Haus entwickelt wurde, und vermeidet die Fallstricke von Frankenstein-Suiten. Die Hauptvorbehalte sind seine Neigung zur Übertreibung - einige Behauptungen von magischer KI oder “sofortiger” Transformation sollten kritisch betrachtet werden - und die Komplexität der Implementierung eines so umfassenden Systems. Für zukunftsorientierte Organisationen, die bereit sind, in eine einheitliche Planungsplattform zu investieren, ist o9 ein Top-Konkurrent, der zukunftssichere Architektur und Flexibilität bietet. Aber ein erfolgreiches o9-Projekt erfordert die Trennung von Marketingglanz von der Realität und die Sicherstellung, dass die Lösung so konfiguriert ist, dass sie ihr Potenzial wirklich nutzt (anstatt alte Prozesse auf einem glänzenden neuen System zu replizieren). In unserer skeptischen Rangliste erzielt o9 hohe Punkte in Vision und Integration, moderate Punkte in bewährter KI-Differenzierung und benötigt eine sorgfältige Überprüfung seiner mit Buzzwords beladenen Versprechen. Es bleibt eine der fortschrittlichsten Plattformen da draußen - nähern Sie sich einfach mit offenen Augen, um sicherzustellen, dass die Substanz dem Verkaufsgespräch entspricht.

Quellen: Kritik an o9’s In-Memory-Design und KI-Behauptungen ⁴; o9’s integrierte RGM (Preisgestaltung) und Planungsplattformanspruch ⁴¹; Blue Yonders Perspektive auf die Verwendung von Daten zur Verknüpfung von Preiswirkung mit Lagerbestand (als ähnlicher Ansatz, den o9 verwenden würde) ²⁷.

4. ToolsGroup – Bewährte Lageroptimierung, Weiterentwicklung zu Unified Retail Planning (mit KI-Erweiterungen)

ToolsGroup ist ein etablierter Anbieter (gegründet 1993), der historisch bekannt ist für seine Service Optimizer 99+ (SO99+) Software, die sich auf die Prognose und Optimierung von Lagerbeständen konzentriert. Es hat eine starke Tradition in der Fertigung und Distribution, aber auch viele Einzelhandels- und Konsumgüterkunden für die Nachschubplanung. In den letzten Jahren hat ToolsGroup seine Fähigkeiten durch Übernahmen erweitert - insbesondere durch den Erwerb der JustEnough Einzelhandelsplanungssuite und eines KI-Unternehmens Evo - um eine vollständigere Einzelhandelsoptimierungsplattform anzubieten, die Sortiments- und Warenplanung, Nachfrageprognose, Lageroptimierung und nun auch Preisoptimierung umfasst ⁴⁶ ⁴⁷. ToolsGroup’s Markenzeichen war schon immer seine Verwendung von probabilistischer Prognose für die Lagerplanung und eine Philosophie der hochautomatisierten, “service-level-getriebenen” Supply-Chain-Planung. Jetzt, mit den erworbenen Modulen und KI-Verbesserungen, zielt es darauf ab, gemeinsam über Lager und Preis zu optimieren und eine End-to-End-Einzelhandelsplanung zu bieten (sie nennen dies “Decision-Centric Planning”). Wir bewerten ToolsGroup als soliden, technisch kompetenten Spieler mit tiefgreifender Expertise in der Lageroptimierung, obwohl wir darauf hinweisen, dass er sich in der Transition befindet, neue Teile zu integrieren. Es glänzt in bestimmten Bereichen (Unsicherheitsprognose, Automatisierung), benötigt aber eine genaue Prüfung, wie wirklich vereint und modern seine kombinierte Lösung ist (einige Marketingbehauptungen von “KI” haben Skepsis hervorgerufen ¹⁹).

Gemeinsame Optimierung: Historisch gesehen konzentrierte sich ToolsGroup auf die Inventarseite - die Sicherstellung der richtigen Lagerbestände, um den angestrebten Service zu erfüllen und Unsicherheiten zu berücksichtigen. Preisgestaltung und Sortiment lagen außerhalb ihres Bereichs. Mit der Übernahme von JustEnough (ein Spezialist für Warenwirtschaftsplanung, Sortiment und Zuweisung) und der Integration von Evo’s Preisoptimierungs-KI wirbt ToolsGroup nun mit der Fähigkeit, Preisgestaltung und Inventar gemeinsam zu optimieren. Zum Beispiel beinhaltet ihr neues Angebot Einzelhandelspreis-Software, die simulieren kann, wie Preisänderungen die Nachfrage beeinflussen und sich auf den Umsatz auswirken ⁴⁸ ⁴⁹, und das mit voller Transparenz der Lagerbestände ⁴⁹. Die Integration von Preisgestaltung mit Inventar bedeutet, dass das System bei der Vorschlag von Preisaktionen den Lagerbestand berücksichtigt - ein Muss für die gemeinsame Optimierung (es macht keinen Sinn, den Preis zu senken, wenn man nichts zu verkaufen hat, zum Beispiel). Sie betonen, dass ihr Preistool „einen vollständigen Überblick über den aktuellen Lagerbestand und die Verkaufsrate“ bietet, so dass Preisentscheidungen im Kontext des Inventars in der gesamten supply chain getroffen werden ⁴⁹ ⁵⁰. Dies deutet auf einen koordinierten Ansatz hin: Wenn das Inventar hoch ist, könnte das System Preisnachlässe auslösen; wenn das Inventar knapp ist, könnte es den Preis halten oder sogar vorschlagen, ihn zu erhöhen (wenn das innerhalb der Strategie liegt). Darüber hinaus plant ToolsGroup mit Evo, dynamische Preisoptimierung, die in die Supply-Planung einfließt, zu liefern ⁵¹ ⁵². Evo’s KI war darauf spezialisiert, Preis- und Inventarentscheidungen zu verknüpfen - ihr CEO sagte, das Ziel sei es, „optimale Preis- und Inventarberechnungen“ parallel zu liefern, um bessere Entscheidungen in der Wertschöpfungskette zu treffen ⁵³. Dies deutet auf einen einheitlichen Optimierungsalgorithmus hin oder zumindest auf eng miteinander verknüpfte Algorithmen: einen, der den Preis findet, der den Gewinn maximiert, gegeben die Inventarbeschränkungen und die erwartete Nachfrage, und einen, der den Inventarplan findet, der diese Nachfrage zu den gewählten Preisen unterstützt. Es ist noch früh - Evo wurde Ende 2023 übernommen ⁴⁷, daher ist die Integration wahrscheinlich noch im Gange - aber ToolsGroup beabsichtigt eindeutig, Preis- und Inventaroptimierung unter einem Dach zu haben, anstatt als sequenzielle Schritte. Bei der Sortimentsgestaltung bietet die JustEnough-Komponente Werkzeuge für Sortiments- und Zuweisungsplanung (Entscheidung, welche Produkte in welche Geschäfte gehen, wie die Anfangsbestände zugeteilt werden, usw.). Das sitzt nun neben der Nachfrageprognose und Nachfüllung. Wenn gut integriert, bedeutet dies, dass ToolsGroup den gesamten Produktlebenszyklus optimieren kann: Planen des Sortiments, Festlegen der Anfangszuweisungen, Prognose der Nachfrage, Überwachung und Nachfüllung des Inventars und Anpassung der Preisgestaltung (Preisnachlässe) gegen Ende des Lebenszyklus. Die Teile sind alle auf dem Papier vorhanden. Die Frage ist, wie reibungslos sie zusammenarbeiten. Da es sich um separate Produkte handelte, ist die Integration möglicherweise noch nicht nahtlos (obwohl ToolsGroup eine “modulare Lösungsarchitektur” behauptet, die sie kohärent zusammenfügen ⁵⁴). Wir gehen davon aus, dass die gemeinsame Optimierung im Fall von ToolsGroup derzeit eher sequenziell sein könnte (das Preis-Modul nimmt eine Prognose vom Prognose-Modul, optimiert die Preise; das Inventar-Modul nimmt die resultierende Nachfrage und optimiert den Bestand). Mit der Zeit könnten sie mit Evo’s fortgeschrittener Analytik diese in eine Schleife verschmelzen, die direkt den Gewinn optimiert (Preis und Menge). Für den Moment werden wir ToolsGroup Anerkennung dafür geben, dass sie sich stark in Richtung gemeinsame Optimierung bewegen - nur wenige Anbieter in ihrer Kategorie verfügen überhaupt über Preis- und Inventarfähigkeiten. Einige frühe Ergebnisse: ToolsGroup (mit Evo) arbeitete mit Einzelhändlern wie Decathlon an der Preisgestaltung und sah Margenerhöhungen, während sie die Inventarbeschränkungen respektierten ⁵⁵ ⁵⁶ (Fallinformationen deuten auf iterative A/B-Tests hin, um optimale Preise zu finden, die die Marge verbessern, ohne das Markenimage zu schädigen, und das auf eine lagerinformierte Weise). Das ist eine praktische Form der gemeinsamen Optimierung (Preistests, die von Inventar- und Margendaten geleitet werden). Zusammenfassend lässt sich sagen, dass ToolsGroup sich schnell von einem Nischenanbieter für Inventaroptimierung zu einer ganzheitlichen Einzelhandelsoptimierungssuite entwickelt. Es liegt wahrscheinlich hinter Lokad oder o9, wie tief die Optimierung in diesem Moment vereinheitlicht ist, aber es ist auf dem Weg und deckt bereits die drei Säulen (Inventar, Preisgestaltung, Sortiment) ab.

Probabilistische Prognose & KI: ToolsGroup war ein Pionier in der probabilistischen Bedarfsprognose für die Supply Chain. Lange bevor es trendy wurde, erzeugte SO99+ Bedarfsverteilungen anstelle von Einzelzahlen, was es ermöglichte, optimale Lagerbestände für eine Ziel-Service-Wahrscheinlichkeit zu berechnen. Dieser Ansatz unterscheidet es von vielen herkömmlichen Tools, die Durchschnittsprognosen und Sicherheitsbestandsformeln verwendeten. ToolsGroup hat umfangreiches geistiges Eigentum in diesem Bereich - zum Beispiel die Verwendung von Monte-Carlo-Simulationen oder analytischen Wahrscheinlichkeitsmodellen zur Prognose der Bedarfsvariabilität nach SKU und dann die Bestimmung von Lagerhaltungsrichtlinien. Dies war eine ihrer Schlüsselstärken; Kunden erreichten oft hohe Servicelevels mit niedrigerem Lagerbestand, weil die Methoden von ToolsGroup die Unsicherheit besser erfassten (im Vergleich zu simplen Sicherheitsbeständen). Sie setzen ihre Aufklärungsarbeit über den Wert der probabilistischen Prognose fort (ihre Materialien sprechen davon als unerlässlich in unsicheren Umgebungen ⁵⁷). Allerdings eine kritische Anmerkung: ToolsGroup hat in der Vergangenheit oft noch Metriken wie MAPE an Kunden und im Marketing berichtet. Lokads Überprüfung wies auf eine Inkonsistenz hin, wo ToolsGroup seit 2018 probabilistische Prognosen neben Behauptungen von MAPE-Reduzierung bewirbt, obwohl “MAPE nicht auf probabilistische Prognosen anwendbar ist.” ¹⁹. Dies deutet entweder darauf hin, dass ihr Marketing nicht mit der Methodik Schritt gehalten hat (Verwendung einer vertrauten Metrik, auch wenn sie nicht ganz zutreffend ist), oder dass sie möglicherweise immer noch eine erwartete Wertprognose zum Vergleich erzeugen. In jedem Fall nehmen sie die probabilistische Denkweise klar an. Auf der KI/ML-Front hat ToolsGroup mehr maschinelles Lernen zur Behandlung von Bedarfstreibern und Mustererkennung integriert. Traditionell könnte ihre Prognose eher statistisch gewesen sein (wie Crostons Methode für intermittierenden Bedarf, etc.), aber jetzt haben sie Funktionen wie die Einbeziehung von kausalen Faktoren, Regression für Promotionen und sogar maschinelle Lernensembles. Die Übernahme von Evo bringt sehr moderne KI - Evos “Quantum Learning” ist im Grunde ein fortgeschrittener ML-Algorithmus (möglicherweise ein proprietäres Ensemble oder eine Verstärkungslernmethode), der darauf abzielt, optimale Entscheidungen schnell zu finden ⁵⁸. ToolsGroups Integration von Evo gibt ausdrücklich an, dass sie „nicht-lineare Optimierung, Quantum Learning und fortgeschrittene präskriptive Analysen“ zu ihren Lösungen hinzufügt ⁵². Das deutet auf einen Schub in der KI-Sophistikation hin, insbesondere für Preis- und Promotionsentscheidungen, die von Natur aus nicht-linear sind. Sie haben auch vor einigen Jahren ein Unternehmen namens AI.io (früher Halo Business Intelligence) erworben, das ihnen eine KI-gesteuerte Bedarfsprognose-Werkbank gab. Also ToolsGroup infundiert sicherlich KI. Allerdings war ihr Marketing von KI manchmal etwas zweifelhaft, wie die Lokad-Studie bemerkte: “ToolsGroup verfügt über umfangreiche Fähigkeiten, jedoch sind ihre Behauptungen von ‘KI’ zweifelhaft. Öffentliche Materialien deuten auf Vor-2000-Prognosemodelle hin. Behauptungen über ‘Bedarfserkennung’ werden nicht durch wissenschaftliche Literatur gestützt.” ¹⁹. Dies deutet darauf hin, dass ToolsGroup bis vor kurzem vielleicht das, was im Grunde jahrzehntealte Prognosemethoden (wie Croston, ARIMA) sind, als “KI” ohne echtes modernes ML umgebrandet hat. Und dass ihre Verwendung von Begriffen wie “Bedarfserkennung” (die sie in Broschüren erwähnten) nicht durch etwas Neues gestützt wurde. Wir nehmen dies als Warnung, die KI-Behauptungen von ToolsGroup zu hinterfragen. Allerdings erwarten wir, dass mit der jüngsten Hinzufügung von EvoAI (2023) die KI-Substanz von ToolsGroup zugenommen hat - Evo war ein junges Unternehmen, das in ML für Preis-/Lagerbestand verwurzelt war, und ToolsGroup preist konkrete neue Funktionen davon an (z.B. automatisierte Modellauswahl, responsive Algorithmen, die sich an jüngste Veränderungen anpassen, etc.). Auch der probabilistische Ansatz von ToolsGroup selbst ist eine Art von KI (stochastische Modellierung), auch wenn es nicht “maschinelles Lernen” ist - es ist eine ausgefeilte Analysetechnik, die vielen anderen fehlte. Also in Prognosekraft ist ToolsGroup stark. In neuer KI holen sie auf. Insgesamt bietet ToolsGroup eine zuverlässige Prognosequalität und nun mehr Einblick in Bedarfstreiber und Preis-Bedarfs-Beziehungen dank ML. Wir geben ihnen eine hohe Punktzahl auf probabilistische Prognose (einer der wenigen, die es umfangreich gemacht haben), und ein Medium auf KI-Innovation (sie verbessern sich, haben aber eine Geschichte von ein wenig zu viel Hype). Die Kombination von alt und neu kann mächtig sein, wenn sie richtig ausgeführt wird: zum Beispiel ML verwenden, um eine Musteränderung zu erkennen (sagen wir COVID-Shift), dann das probabilistische Modell verwenden, um die Lagerzielwerte entsprechend anzupassen. ToolsGroup macht wahrscheinlich solche hybriden Ansätze. Man muss nur sicherstellen, dass sie ML wirklich dort nutzen, wo es vorteilhaft ist und nicht nur in Schlagworten.

Wirtschaftliche Entscheidungsfindung: Traditionell wurde ToolsGroups Ansatz für Bestände als Service-Level-Optimierung bezeichnet - Sie legen eine Ziel-Service- oder Füllrate fest und ihr Algorithmus findet den minimalen Bestand, um dies angesichts der Unsicherheit zu erreichen. Das ist indirekt wirtschaftlich (besserer Service vermeidet verlorene Verkäufe, weniger Bestand vermeidet Haltekosten), aber es maximiert nicht explizit den Gewinn. Sie haben jedoch die Multi-Echelon-Bestandsoptimierung (MEIO) integriert, die grundsätzlich Bestände gegen Rückstands- und andere Kosten abwägt, eine wirtschaftlich fundierte Optimierung. Mit ihrer neueren Vision steht die Rentabilität mehr im Vordergrund. Der CEO von ToolsGroup erklärte, die Kombination mit JustEnough ziele darauf ab, Einzelhändlern „eine 360-Grad-Sicht zu bieten, die in Echtzeit vorhersagbar und umsetzbar ist… Kunden können die Produktverfügbarkeit effizienter verbessern und die Konkurrenz bei der Bewältigung der heutigen volatilen Nachfrage übertreffen.“ ⁵⁹. Während dieses Zitat Service und Agilität betont, ist die PR zur Übernahme von Evo direkter: „erweitert unseren Vorsprung mit dynamischer Preisoptimierung… ermöglicht uns den nächsten Sprung in Richtung Entscheidungszentrierte Planung … unerlässlich für die autonome Lieferkette der Zukunft.“ ⁵². Der Begriff „entscheidungszentriert“ impliziert, dass der Fokus auf dem Ergebnis der Entscheidung liegt (oft finanziell). Der Gründer von Evo sprach davon, die Vision für „klügere Entscheidungen für menschliche Manager durch optimale Preis- und Bestandsberechnungen“ ⁵³ zu formen - das bedeutet eindeutig, die Optimierung zur Maximierung eines Ziels (wahrscheinlich Gewinn oder Umsatz) zu nutzen, anstatt nur Serviceziele zu erreichen. Und tatsächlich liefert „Evo’s responsive AI ein wesentliches Element für die autonome Lieferkette“ ⁵⁸ - vermutlich ist das Element die kontinuierliche Anpassung von Entscheidungen basierend auf Ergebnissen, was der Maximierung von Leistungskennzahlen ähnelt. Auf der Preisseite ist die Rentabilität offensichtlich entscheidend - ToolsGroups Preislösung geht darum, „die Rentabilität durch die Schaffung einer datengetriebenen Preisstrategie zu maximieren“ ⁶⁰. Sie ermöglicht regelbasierte Preisgestaltung, aber auch ML, um sich an Veränderungen der Verbrauchernachfrage anzupassen, und um „den Gewinnspanne“ innerhalb festgelegter Grenzen zu maximieren ⁶¹. Die Erwähnung von „Verschiedene Preise können erstellt werden… mit einem vollständigen Überblick über … Bestand und Verkaufsrate, um die Nachfrage zu befriedigen und die Kosten in der Lieferkette zu minimieren.“ ⁴⁹ zeigt, dass das Preistool nicht nur die Marge isoliert betrachtet, sondern auch Lagerhaltungskosten und möglicherweise die Vermeidung von Preisnachlässen (Kostenminimierung) berücksichtigt. Das ist wirtschaftliches Denken - Preisentscheidungen, die Lieferkettenkosten berücksichtigen. Bei den Beständen kann ToolsGroup auch Kosten der Lagerhaltung vs. Kosten der Nichtverfügbarkeit berücksichtigen, wenn es konfiguriert ist, und damit die Servicelevels wirtschaftlich optimieren. Tatsächlich können Serviceziele aus einem wirtschaftlichen Modell abgeleitet werden (z.B. höherer Service für Produkte mit hoher Marge). Es ist nicht sicher, ob ToolsGroup das explizit tut, aber Kunden klassifizieren oft extern auf diese Weise. Jetzt, mit EVOs präskriptiver Analytik, erwarten wir, dass ToolsGroup sich in Richtung gewinnoptimale Entscheidungen bewegt (wie viel auf Lager zu haben und zu welchem Preis, um den erwarteten Gewinn zu maximieren, angesichts der Unsicherheit). Die Bausteine sind vorhanden, und das Team von Evo hatte vermutlich diese Methodik (ihr akademischer Hintergrund deutet auf Expertise im Operations Research hin). Eine leichte Vorsicht: ToolsGroups Botschaften beziehen sich immer noch oft auf traditionelle KPIs (Service, Bestandsreduktion) mehr als auf direkten Gewinn. Aber das ist ähnlich wie bei anderen in der Lieferkettenbranche. Wir haben Beweise dafür, dass sie die Rentabilität stärker einbeziehen - z.B. ihre Sortimentsbereinigung-Funktion (wahrscheinlich von JustEnough), um unrentable SKUs zu streichen, das Sortiment an den finanziellen Beitrag anzupassen. Auch die Kundengeschichten erwähnen Bestandsreduktion und verbesserte Verkäufe/Service (was sich in Gewinnverbesserungen übersetzt). Es gibt kein öffentliches Beispiel dafür, dass ToolsGroup einen Gewinnindikator direkt maximiert, aber die Kombination von Preis- und Bestandsoptimierung tendiert dazu. Wir werden ToolsGroup hier ziemlich hohe Punkte geben, unter Berücksichtigung ihres langjährigen Ansatzes “Service zu geringsten Kosten” und ihrer neuen Ausrichtung auf margenbasierte Preisgestaltung. Sie sind vielleicht noch nicht so besessen von Opportunitätskosten wie Lokad, aber sie sind definitiv über einfache Heuristiken hinaus. Eine Kritik, die zu erwähnen ist: Lokads Überprüfung deutete darauf hin, dass ToolsGroups Materialien ein wenig hinterherhinken - die Verwendung von MAPE usw., was darauf hindeuten könnte, dass sie die Dinge nicht vollständig in erwarteten Kostenbegriffen öffentlich darstellen ⁶². Dennoch ist die Hinzufügung von Evo und die Rede von „den allerbesten finanziellen Ergebnissen“ ⁶³ für Kunden, die die kombinierte Preis- und Bestandsoptimierung nutzen ⁶³, ein starkes Signal für den Fokus auf wirtschaftliche Ziele.

Skalierbarkeit & Kosteneffizienz: ToolsGroups ursprüngliches SO99+ wurde typischerweise vor Ort oder als gehostete Lösung für mittlere bis große Unternehmen eingesetzt. Es ist nicht so schwer wie einige große APS-Systeme; es konzentrierte sich von Design her auf die “harten Teile” (Prognose, Bestandsberechnungen) und nicht auf riesige Datenintegration. Viele mittelständische Unternehmen setzten es erfolgreich ein. Es ist ziemlich mathematisch optimiert, was bedeutet, dass die Berechnung für die Bestandsoptimierung nicht riesig ist (Lösung der Bestandsverteilung über Algorithmen und vielleicht lineare Programmierung für mehrstufige Systeme). Für die Nachfrageprognose hatten sie ihren eigenen Motor, der über Nacht große Mengen von Serien verarbeiten konnte (zum Beispiel). Sie bieten jetzt eine vollständige Cloud-SaaS-Option an, die wahrscheinlich leichter zu skalieren ist, wenn nötig. Im Gartner-Bericht 2024 war ToolsGroup ein neuer Teilnehmer und wurde für „erschwingliche Einstiegskosten“ und „transparente Preisgestaltung“ sowie als globale Einzellösung für einige (was darauf hindeutet, dass es global skalieren kann) ⁶⁴ ⁶⁵ genannt. Dies deutet darauf hin, dass ToolsGroup in seiner Kategorie als relativ kosteneffizient und skalierbar angesehen wird. Tatsächlich bedeutete ihr Fokus auf den Mittelstand historisch, dass sie mehr Out-of-the-Box sein mussten und keine IT-Armee benötigten. Im Einzelhandel können die Datenvolumen groß sein (auf Store-SKU-Ebene). JustEnough (das erworbene Einzelhandelssystem) war bekannt dafür, große Einzelhändler zu bedienen (es hatte Kunden wie Sephora, glaube ich), so dass es umfangreiche Sortimente bewältigen kann. Einige Aspekte wie die Preisoptimierung (wenn man feinkörnige Ladenpreise macht) können jedoch datenintensiv werden. Wahrscheinlich ist die typische Bereitstellung von ToolsGroup immer noch etwas batchorientiert - z.B. nächtliche oder wöchentliche Neuprogosen, Bestandsaktualisierungen - eher als Echtzeit, was für viele Kontexte in Ordnung ist. Das bedeutet, dass sie nicht unbedingt alles 24/7 im Speicher benötigen; sie können berechnen und Speicher freigeben. Dies ist kosteneffizienter als ein ständiger In-Memory-Ansatz. Andererseits könnten sie zur Integration mit dynamischer Preisgestaltung häufigere Berechnungszyklen benötigen. Sie werben mit „responsiver KI“ bei Evo, was schnellere Neuberechnungen bei sich ändernden Bedingungen bedeutet ⁵⁸. Evos Technik könnte eine nahezu Echtzeit-Neuoptimierung ermöglichen (Evo, als Start-up, nutzte wahrscheinlich Cloud- und möglicherweise GPU-Computing für Geschwindigkeit). ToolsGroup hat auch Onera im Jahr 2022 für Echtzeit-Bestandssichtbarkeit und Fulfillment-Optimierung erworben ⁶⁶, was bedeutet, dass sie sich auf Echtzeit-E-Commerce-Fulfillment-Entscheidungen konzentrieren. Diese Ergänzungen könnten den benötigten Rechenmuskel erhöhen. Aber angesichts ihrer Marktpositionierung würde ToolsGroup darauf abzielen, dies effizient zu tun, um auch mittelgroße Einzelhändler anzusprechen, nicht nur Mega-Einzelhändler. Die Architektur ist jetzt etwas modular: SO99+ Kern (vielleicht in C++) plus Cloud-Dienste drum herum, die mit den JustEnough-Modulen verbunden sind (die könnten .NET oder Java sein). Die Integration dieser könnte vorübergehend Overhead hinzufügen (zwei Systeme, die miteinander sprechen). Aber ToolsGroup integriert aktiv - z.B. „Dank des kürzlich integrierten EvoAI-Motors führt JustEnough die Ladung in der KI-gesteuerten Einzelhandelsplanung an“ ⁶⁷, was darauf hindeutet, dass sie Evo in die JustEnough/ToolsGroup-Lösung einbetten, anstatt es getrennt zu halten. ToolsGroups Fußabdruck ist im Allgemeinen leichter als bei SAP oder Blue Yonder. Zum Beispiel könnte ein ToolsGroup-Projekt keine interne IT-Abteilung benötigen, um riesige Server zu verwalten - sie handhaben es SaaS. Sie erwähnen, dass „die modulare Architektur es den Kunden erleichtert, die Produkte auszuwählen, die sie benötigen, und sie zu einer kohärenten Lösung zusammenzufügen“ ⁵⁴ - was impliziert, dass man nicht alles laden muss, wenn man es nicht benutzt, was die Skalierbarkeit unterstützt (man kann nur den Bestandsmotor laufen lassen, wenn man nur das benötigt). Zusammenfassend ist ToolsGroup mäßig skalierbar (geeignet für viele große Einzelhändler, aber vielleicht nicht auf der Skala der größten Hypermarktketten weltweit bewährt) und tendiert dazu, kosteneffizient zu sein (insbesondere mit ihrer transparenten Preisgestaltung und dem Fokus auf Automatisierung zur Reduzierung der Planerbelastung). Sie werden nicht so blitzschnell sein wie ein In-Memory-Konkurrenzsystem für riesige Daten, aber sie werden auch nicht so astronomische Ressourcen benötigen, um Ergebnisse zu liefern. Angesichts der positiven Notiz von Gartner über die Kosten und die vielen mittelgroßen Kunden, die ToolsGroup hat, betrachten wir sie als relativ effizient. Zusätzlich erwähnen sie ein „Inventory Hub“-Angebot für die Echtzeit-Erkennung von Supply-Chain-Ereignissen ⁶⁵, was zeigt, dass sie sich für Echtzeit modernisieren, ohne vermutlich wahnsinnige Hardware zu benötigen (wahrscheinlich mit Streaming-Verarbeitung). Es gibt nur wenige öffentliche Beschwerden über die Leistung von ToolsGroup, was normalerweise darauf hindeutet, dass sie ausreichend ist. Daher schneidet ToolsGroup in diesem Kriterium gut ab, mit einer leichten Vorsicht, dass die Integration mehrerer Übernahmen das System vorübergehend belasten könnte, wenn es nicht optimiert ist (aber bisher sind die Anzeichen in Ordnung).

Umgang mit komplexen Einzelhandelsfaktoren: ToolsGroup hat sich historisch gesehen hervorragend mit Nachfrageunsicherheit und Variabilität auseinandergesetzt, einschließlich intermittierender Nachfrage, langsam bewegender Artikel und Lieferungsvariabilität. Es mag nicht so spezialisiert gewesen sein auf Einzelhandels-spezifische Phänomene wie Kannibalisierung oder Haltbarkeit ab Werk. Mit der JustEnough-Suite haben sie jedoch Einzelhandels-Domain-Fähigkeiten erworben: JustEnough bot Prognosen für Werbeaktionen, Zuweisungen (die die Ladenkapazität und das Merchandising berücksichtigen) und Planung von Preisnachlässen. ToolsGroup hat also jetzt Funktionen für Werbeaktionen - z.B. können sie den Anstieg durch eine Werbeaktion modellieren und ihn über die Zeit verteilen, was grundsätzlich mit Kannibalisierung umgeht (wenn eine Werbeaktion frühe Verkäufe anzieht, fallen spätere Perioden usw.). Identifizieren sie automatisch Kannibalisierung zwischen Artikeln? Möglicherweise nicht so automatisch wie RELEX, aber sie können Promo-Effekte einbeziehen, wenn bekannt. Für Substitutionseffekte (Ausverkäufe, die den Verkauf von Alt-Artikeln verursachen), hat ToolsGroup das in den Materialien, die wir gesehen haben, nicht hervorgehoben. Das könnte eine Lücke bleiben, es sei denn, es wird manuell konfiguriert. Für Halo-Effekte (Komplemente) wahrscheinlich ähnlich - man müsste Beziehungen manuell modellieren oder einen KI-Ansatz verwenden. Es ist ein Bereich, in dem ihre neue KI (Evo) helfen könnte, indem sie Korrelationen findet. Evos Engine könnte potenziell Transaktionsdaten durchsuchen, um Prognosen oder Preisstrategien für verwandte Artikel anzupassen. Ohne spezifische Beweise gehen wir davon aus, dass ToolsGroup diese mit einiger Arbeit bewältigen kann, aber es ist historisch gesehen nicht ihre stärkste Seite. Ablauf und verderbliche Waren: ToolsGroup hatte einige Kunden im Lebensmittelvertrieb, aber wir sind uns nicht sicher über die Optimierung von frischen Waren auf Laden-Ebene. Es ist wahrscheinlich nicht ihr Hauptfokus. Sie können Lieferzeiten und Losgrößen einbeziehen, aber Haltbarkeitsbeschränkungen würden eine explizite Modellierung erfordern (z.B. ablaufendes Inventar als separate SKU behandeln oder die Prognose nach unten korrigieren, wenn die Zeit vergeht). Das JustEnough-Zuweisungsmodul könnte saisonale Produkte behandeln (sicherstellen, dass sie bis zum Ende der Saison durch Preisnachlässe ausverkauft sind), was konzeptionell mit verderblichen Waren zusammenhängt. Tatsächlich ist die Optimierung von Preisnachlässen (Teil von JustEnough) im Grunde genommen eine Frage des Timings von Preisnachlässen, um das Inventar ohne Restbestände zu räumen - was analog zum Umgang mit “Ablauf” am Ende der Saison ist. ToolsGroups Preiswerkzeug wird dabei helfen, indem es empfiehlt, wann und um wie viel abgewertet werden soll, um Überalterung zu vermeiden und gleichzeitig den Umsatz zu maximieren ⁴⁹. Sie behandeln also die ökonomische Seite der Verderblichkeit (klar vor Abfall). Bei der Sortimentslokalisierung: JustEnough’s Sortimentsplanung ermöglicht das Clustern von Geschäften und das Anpassen von Sortimenten, so dass ToolsGroup Sortimente an lokale Nachfragemuster und Platzbeschränkungen optimieren kann. Das adressiert Kannibalisierung indirekt (wenn zwei Artikel sich gegenseitig kannibalisieren, könnte eine Sortimentsoptimierung entscheiden, nur einen in kleineren Geschäften zu führen, usw.). Platzbeschränkungen und Display: ToolsGroup kann durch JustEnough modellieren, wie viele Fronten oder Regalkapazitäten in Geschäften vorhanden sind, was die Zuweisungs- und Nachfüllentscheidungen beeinflusst (wenn das Regal X hält, senden Sie nicht mehr als X). Es ist nicht so detailliert wie eine Planogrammlösung, aber auf Planungsebene ist es abgedeckt. Promotionen: ToolsGroup handhabt die Prognose von Werbeaktionen und kann das Inventar für Werbeaktionen planen (sie haben Fallstudien, in denen sie geholfen haben, den Lagerbestand während der Werbeaktionen zu verbessern). Die neue KI verbessert wahrscheinlich, wie sie Promo-Uplifts vorhersagen, indem sie vergangene Promos genauer analysieren (vielleicht ähnlich wie Demand Sensing kurzfristig, obwohl Lokad “Demand Sensing”-Behauptungen als unbegründet gekennzeichnet hat ⁶⁸). Kannibalisierung/Halo speziell: Wir haben keine direkten Referenzen gefunden, so dass das immer noch auf die Expertise des Planers angewiesen sein könnte, um Anpassungen vorzunehmen. ToolsGroups Philosophie war immer, das Leben des Planers zu vereinfachen - sie haben Automatisierung gebaut, so dass Planer nach Ausnahmen verwalten können. Sie haben wahrscheinlich Ausnahmen für Ausverkäufe oder abnormalen Verkauf, aber ob sie das mit Substitutionslogik verbinden, ist unklar. Mit den moderaten Beweisen werden wir ToolsGroup als kompetent, aber nicht führend im Umgang mit komplexen Faktoren einstufen. Sie decken Werbeaktionen und Preisnachlässe ab (allgemeine Einzelhandelsbedürfnisse), sie haben Sortimentslogik, aber für Dinge wie Produktinteraktionen und verderbliche Waren sind sie vielleicht nicht so fortgeschritten wie RELEX. Die Hinzufügung von KI und ihr Fokus auf “responsive” Anpassungen könnten schließlich die automatische Erkennung dieser Muster beinhalten. Stand 2021 war Lokads Kritik, dass ToolsGroups Gerede von “Demand Sensing” (Verwendung von aktuellen Daten zur Anpassung von Prognosen) nicht gut belegt war ⁶⁸. Vielleicht fehlte ihnen zu dieser Zeit ein echter Algorithmus dafür. Vielleicht haben sie ihn jetzt (mit Evo oder interner Entwicklung). Alles in allem handhabt ToolsGroup die Grundlagen der Einzelhandelsplanung gut (Nachfragevariabilität, Werbeaktionen, Lebensende), und ist anständig im Sortiment, holt aber noch auf bei den Spitzenaspekten (z.B. ML-getriebene Kannibalisierungsmodellierung, Substitution).

Automatisierung: ToolsGroup hat sich historisch gesehen immer auf Automatisierung und “unbeaufsichtigte” Planung stolz gemacht. Tatsächlich war ein Verkaufsargument von SO99+ dass es automatisch Lagerhaltungspolitiken festlegen und Nachbestellungen generieren konnte, mit minimaler Eingriff des Planers. Viele ihrer Kunden berichten, dass sie viel weniger Zeit mit der Bekämpfung von Prognose- oder Lagerproblemen verbringen, nachdem sie ToolsGroup implementiert haben, weil das System automatisch auf Änderungen reagiert und nur Ausnahmen markiert. Sie verwenden Begriffe wie “selbstadaptiv” für ihre Prognosen - das bedeutet, dass es sich selbstständig an neue Nachfragemuster anpasst und die Notwendigkeit, Prognosen ständig zu überschreiben, reduziert. Das Konzept von “Powerfully Simple” (einer ihrer Slogans) ging darum, Planeraufgaben durch Automatisierung zu vereinfachen. In der Praxis führt eine ToolsGroup-Installation oft nächtliche Batch-Prozesse durch, um Prognosen und Lagerziele zu aktualisieren, und schlägt dann Bestellungen für jeden Artikel-Standort vor. Planer überprüfen dann nur Artikel, die Ausnahmen treffen (wie sehr niedriger Service oder sehr hoher Lagerbestand). Dies ist im Wesentlichen Lights-out-Planung für einen großen Teil des Sortiments. Ein Fall (aus früherem Marketing) sagte, dass ein Kunde 90% ihrer SKU-Nachbestellungen automatisiert hat und nur die oberen 10% der Ausnahmen manuell überprüft. Das ist ein gutes Maß an Autonomie. Jetzt, mit der Integration von JustEnough, das Planungsaufgaben beinhaltet, die traditionell manuell sind (z.B. Sortimentspläne erstellen, Anfangsallokation festlegen, Finanzpläne erstellen), muss ToolsGroup möglicherweise ein Gleichgewicht zwischen Automatisierung und Benutzereingabe halten. Sortimentsplanung erfordert typischerweise Händlereingaben zur Strategie, die nicht vollständig automatisiert werden können. Aber ToolsGroup kann die dahinter liegende Analytik automatisieren (wie das Hervorheben von unterdurchschnittlichen SKUs zum Abwerfen ³³). Auf der Preisseite kann dynamische Preisgestaltung bis zu Grenzen automatisiert werden - ToolsGroups Preis-Modul ermöglicht das Festlegen von Regeln und dann das automatische Anwenden von Preisänderungen innerhalb dieser Leitplanken ⁶⁹. Beispielsweise könnte ein Einzelhändler es automatisch herabsetzen lassen, wenn der Lagerbestand >X Tage des Angebots beträgt, usw., was das Tool ohne manuelle Berechnung ausführen kann. Sie erwähnen ausdrücklich “Preisregeln festlegen, dann automatisch innerhalb festgelegter Grenzen anwenden” ⁶⁹ - das ist Automatisierung mit Aufsicht. So kann ein Großteil der Entscheidungsfindung ohne menschliches Zutun erfolgen: Das System überwacht Lagerbestand und Nachfrage, und wenn die Bedingungen den Regeln entsprechen (vielleicht durch KI-Vorschläge verbessert), kann es eine Preisänderung durchführen. Dies ist echtes autonomes Handeln in der Preisgestaltung (obwohl es wahrscheinlich zunächst in vielen Fällen der Zustimmung eines Managers bedarf). Ebenso können ihre Nachbestellungsvorschläge automatisch an ERP weitergeleitet werden, um Bestellungen auszuführen. ToolsGroup betont oft Ausnahmeverwaltung, was impliziert, dass wenn es keine Ausnahme gibt, man einfach dem Ausgabe des Systems vertrauen sollte. Mit Evos KI deuten sie an, auch zur “autonomen Lieferkette” zu wechseln ⁵⁸. Sie haben diesen Ausdruck tatsächlich verwendet, was dem Branchentrend entspricht. Evos Technologie könnte eine kontinuierlichere Neuausrichtung ermöglichen (wie die Anpassung von Prognosen in der Mitte des Monats, wenn sich die Verkäufe ändern, und entsprechende Nachbestellungen, alles automatisch). ToolsGroups neue Funktionen wie Inventory Hub (Echtzeit-Signale) deuten darauf hin, dass sie ein Ereignis (z.B. einen Anstieg der Nachfrage) erkennen und automatisch reagieren können, indem sie den Lagerbestand umverteilen oder die Lieferung beschleunigen. Wir haben keine Details gesehen, aber das ist wahrscheinlich das Ziel. Insgesamt war ToolsGroup immer auf unbeaufsichtigte Planung ausgerichtet - das System überlässt die Routineentscheidungen. Es gibt Hinweise darauf, dass einige ihrer Kunden mit minimaler Planerintervention für große Teile ihrer Operationen arbeiten. Daher schneidet ToolsGroup in Bezug auf Automatisierung sehr gut ab. Die einzige Einschränkung besteht, wenn man in neue Bereiche wie Sortiment und Preisgestaltung vordringt, wo die Benutzerstrategie eine größere Rolle spielt - aber auch dort bieten sie Automatisierung der taktischen Teile (wie das automatische Markieren, welche Artikel abgewertet werden sollen, oder das systematische Ranking von Geschäften nach Verkauf für die Zuteilung). Die Kombination von regelbasierter Automatisierung (für Geschäftsbeschränkungen) und KI-basierten Vorschlägen (für komplexe Entscheidungen) positioniert ToolsGroup als Anbieter, der eine erhebliche Reduzierung des manuellen Planungsaufwands liefern kann. Tatsächlich stellte Gartner fest, dass “Planer menschliche und maschinelle Aktivitäten orchestrieren” mit einigen neueren Tools - ToolsGroup passt wahrscheinlich in die Ermöglichung dieser Orchestrierung (ihre Workflows können bestimmte Entscheidungen automatisch an Menschen eskalieren, was Teil eines autonomen Schleifendesigns ist). Angesichts all dessen bestätigen wir ToolsGroups Stärke in der Automatisierung.

Technologieintegration: Die jüngste Strategie von ToolsGroup hat Akquisitionen beinhaltet, was natürlich die Frage nach der Plattformintegration aufwirft. Derzeit verfügen sie über SO99+ (ihren Legacy-Motor), JustEnough (jetzt oft als ToolsGroup Retail Planning bezeichnet) und Evos KI-Motor, sowie die Echtzeit-Technologie von Onera. Sie integrieren diese aktiv: So heißt es beispielsweise in der Pressemitteilung „die Integration der Evo-Lösungen mit SO99+ und JustEnough wird den Kunden die effizienteste, echtzeitfähige Supply-Chain- und Preisoptimierungslösung bieten“ ⁴⁷, was darauf hindeutet, dass alle drei zu einem Angebot zusammengeführt werden. Sie betonen, dass ihre modulare Architektur bedeutet, dass Kunden auswählen können, was sie benötigen und dass es zusammenpasst ⁵⁴. Dies deutet darauf hin, dass sie Schnittstellen oder ein gemeinsames Datenmodell erstellt haben (oder dabei sind, dies zu tun), so dass Daten ohne manuelle Übertragung zwischen den Modulen fließen. Ein gutes Zeichen ist, dass JustEnough seit 2018 (durch die Mi9-Akquisition) unter ToolsGroup ist; mittlerweile hatten sie Zeit, die wichtigsten Teile zu integrieren. Tatsächlich vermarktet ToolsGroup die kombinierte Lösung in vielen Fällen unter einem Namen. Sie haben wahrscheinlich die Benutzeroberfläche in gewissem Maße vereinheitlicht - möglicherweise noch nicht eine einzige Benutzeroberfläche für alles, aber es könnte nahe dran sein. Sie haben Evos KI in JustEnough integriert, wie erwähnt ⁶⁷, was eine echte technische Integration zeigt, anstatt sie separat zu verkaufen. Das ist vielversprechend: Es scheint, als würde ToolsGroup bewusst vermeiden, diese als isolierte Module zu behalten. Man muss jedoch anerkennen, dass es eine Weile wahrscheinlich eine „Suite“ aus separaten Komponenten war - z.B. musste der Benutzer für bestimmte Konfigurationen die SO99+-Schnittstelle und für andere die JustEnough-Schnittstelle verwenden. Das kann anfangs etwas umständlich sein. Die relativ kleinere Größe von ToolsGroup bedeutet, dass die Integration agiler sein könnte - weniger bürokratische Hürden als bei SAP. Das Ziel ist eindeutig eine kohärente End-to-End-Planungssuite. Sie teilen Daten: zum Beispiel füllt die erstellte Prognose (wahrscheinlich von SO99+ oder Evo) sowohl den Bestandsplanungsteil als auch den Teil der Warenwirtschaftsplanung. In Ermangelung von Beweisen für das Gegenteil gehen wir davon aus, dass ToolsGroup bei der Integration dieser Akquisitionen erhebliche Fortschritte gemacht hat. Möglicherweise könnten kleinere Inkonsistenzen bestehen (zum Beispiel könnten die Prognosemethoden in SO99+ im Vergleich zu JustEnoughs nativen unterschiedlich sein - aber sie würden wahrscheinlich auf die bessere standardisieren). In Bezug auf den Technologie-Stack war ToolsGroup historisch gesehen Windows-basiertes Client-Server für SO99+, während JustEnough .NET webbasiert war. Jetzt werden alle über eine Cloud-Web-Schnittstelle angeboten. Es ist wahrscheinlich nicht zu 100% einheitlicher Code, aber das Erscheinungsbild für den Benutzer könnte durch ein Portal vereinheitlicht werden. Dies zählt immer noch als integriert aus der Sicht des Benutzers, wenn es gut gemacht ist (ähnlich wie z.B. Microsoft erworbene Produkte im Laufe der Zeit nahtlos in die Office-Suite integriert). Wir sollten erwähnen, dass die grundlegende Technologie von ToolsGroup (Bestandsoptimierung) sehr solide und erprobt war. Sie haben das nicht weggeworfen - sie haben darum herum gebaut. Das ist gut, weil sie das Rad nicht neu erfinden, aber es bedeutet auch, dass im Kern ein Teil des Systems älterer Code ist. Manchmal mischt sich älterer Code nicht perfekt mit neueren Mikroservices. Wir haben keine direkten Informationen, also nur etwas, auf das man achten sollte. ToolsGroups eigene Kommentare zu Wettbewerbern waren oft, dass große Suite-Anbieter Frankenstein sind; jetzt muss ToolsGroup das selbst vermeiden. Durch die proaktive Integration und nicht nur das Rebranding scheinen sie sich dessen bewusst zu sein. So führten beispielsweise SAPs Akquisitionen zu einer „willkürlichen Sammlung“ und Schwierigkeiten bei der Integration ¹¹, wie bereits erwähnt. ToolsGroup sagte ausdrücklich, dass die Kombination von JustEnoughs Einzelhandelsplanung mit ihrer Automatisierung und Bestandsoptimierung eine einzigartige Kombination bietet und dass „die Produkte in einer kohärenten Lösung zusammenpassen“ ⁵⁴. Wir werden dies vorläufig vertrauen, aber uns bewusst sein, dass einige Nähte existieren könnten (zum Beispiel könnte ein Benutzer die Stammdateneinrichtung an zwei Stellen durchführen müssen, wenn sie nicht vollständig integriert ist). Insgesamt ist ToolsGroup in der Mitte der Integration - nicht ursprünglich vereinheitlicht, aber aktiv darauf hinarbeitend. Wir geben ihnen eine moderate Bewertung: besser als Unternehmen, die gerade erworben haben und die Teile getrennt gelassen haben, aber nicht so inhärent vereinheitlicht wie eine einzeln gebaute Plattform. Mit mehr Zeit (und da sie wahrscheinlich Komponenten auf eine gemeinsame Cloud-Architektur umstellen), sollten sie eine hohe Integration erreichen. Bisher stimmen zumindest die Vision und die Maßnahmen überein, um ein Frankenstein zu vermeiden.

Skepsis gegenüber Hype: Das Marketing von ToolsGroup hat eine Mischung aus Praktikabilität und Buzz. Sie sind nicht so laut wie einige andere, aber sie sind in den letzten Jahren auf Schlagworte wie KI, Bedarfserkennung, autonom usw. aufgesprungen. Wie erwähnt, hat Lokads Analyse ToolsGroup speziell wegen Hype herausgestellt: “Behauptungen von ‘KI’ sind zweifelhaft… Behauptungen über ‘Bedarfserkennung’ nicht unterstützt” ¹⁹. Zum Beispiel hat ToolsGroup Inhalte über “Bedarfserkennung” (kurzfristige Anpassungen) veröffentlicht, die einfach nur schickes Gerede für die Verwendung eines gleitenden Durchschnitts der jüngsten Verkäufe gewesen sein könnten - nicht gerade neu. Dies könnte weniger versierte Kunden in die Irre führen, zu glauben, sie hätten etwas Magisches. Auch zitiert ToolsGroup manchmal unglaubliche Kundenergebnisse (wie “Bestand um 30% reduziert, während der Service auf 99% gestiegen ist”), die, obwohl sie möglicherweise für einen Fall zutreffen, zu gut klingen, um allgemein wahr zu sein. Wir müssen ständige Beweise sehen. Auf der anderen Seite ist ToolsGroup schon lange dabei und hat im Allgemeinen einen guten Ruf für die Lieferung von Ergebnissen - also ist ihr Hype normalerweise nicht grundlos. Sie haben vielleicht um 2018 herum, als alle es taten, KI-Jargon überstrapaziert. Jetzt, da sie tatsächlich eine KI-Firma erworben haben, könnten ihre KI-Behauptungen mehr Gewicht haben. Sie nennen “Quantum Learning”, was ehrlich gesagt nach Schlagwort klingt (Quantencomputing wird tatsächlich nicht verwendet - es ist nur ein Markenname für ihren Algorithmus). Das ist etwas Hype-mäßiges. Aber sie geben Hinweise darauf, was es tatsächlich ist (nichtlineare Optimierung, präskriptive Analytik) ⁵². Sie haben auch begonnen, sich als “Führer im SPARK Matrix für Einzelhandelsprognose & Nachschub” ⁷⁰ zu positionieren - unter Bezugnahme auf Analysten-Rankings, die Anbieter beeinflussen können. Es ist Marketing, aber nicht abwegig. Ein Bereich, den man im Auge behalten sollte: ToolsGroup sagt jetzt “Autonom”. Wir sollten vorsichtig sein, wie autonom es wirklich ist. Obwohl sie viel automatisieren können, ist eine vollständig autonome supply chain eine Reise. Solange sie es als Ziel darstellen (was sie tun: “Reise zur Entscheidungszentrierten (autonomen) Planung” ⁵⁸), ist das akzeptabel. Wenn sie behaupteten, Plug-and-Play-Integration zu haben, könnte das übertrieben sein - die Implementierung von ToolsGroup erfordert immer noch Integration und Konfiguration. Allerdings betont ToolsGroup aufgrund seiner Zielgruppe im mittleren Markt schnellere Implementierungen als riesige ERP-Projekte. Sie heben oft die Benutzerfreundlichkeit hervor, was plausibel ist, nicht reiner Hype. In Bezug auf Schlagwort-Moderation sind sie wahrscheinlich im Mittelfeld: nicht die schlimmsten Übeltäter, aber sie nehmen teil. Die Inkonsistenz bei der Verwendung einer unzutreffenden Metrik (MAPE für prob. Prognosen) war eine kleine rote Flagge ⁶² - sie deutet darauf hin, dass das Marketing eine Verbesserung der Zahl zeigen wollte, auch wenn sie methodisch nicht korrekt war. Wir würden eine ehrliche Kommunikation bevorzugen, wie “unser Ansatz ist anders, hier ist, warum traditionelle Metriken nicht zutreffen, hier sind bessere Metriken.” ToolsGroup könnte vereinfacht haben, um den Verkauf zu machen. Das heißt aber nicht, dass ToolsGroup’s langjährige Kunden und Erneuerungsrate darauf hindeuten, dass sie im Allgemeinen den Erwartungen gerecht werden. Ihre Behauptungen von Ergebnissen werden durch Fallstudien gestützt. Sie verkaufen keine Vaporware; sie verkaufen bewährte Technik, die durch Übernahmen aktualisiert wurde. Also ist der Hype hauptsächlich darum, Dinge als “KI” oder “Quantum” zu bezeichnen, wenn sie vielleicht Standard-ML sein könnten. Das ist in der Branche üblich. Wir raten zur Vorsicht, aber nicht zur Ablehnung. Der Benutzer sollte sie bitten zu klären, wie ihre KI funktioniert, wie die Bedarfserkennung implementiert ist, usw. ToolsGroup kann wahrscheinlich eine Antwort liefern (auch wenn es sich herausstellt, dass es so etwas ist wie “wir verwenden maschinelles Lernen, um kurzfristige Prognosen mit den neuesten Verkaufs- und Bestandssignalen anzupassen” - was in Ordnung ist, nur nicht mystisch). Zusammenfassend hat das Marketing von ToolsGroup in den letzten Jahren einige Schlagworte enthalten, durch die man durchschauen sollte, aber sie behalten auch einen Fokus auf konkrete Lieferungen (Servicelevel, Bestandsreduktion usw.) bei. Wir geben ihnen eine mittlere Note auf Hype-Skepsis: nicht über dem Genuss von Schlagworten, aber grundsätzlich mehr Substanz als Fluff (mit einem kleinen Abzug für einige irreführende Formulierungen, die durch externe Analyse identifiziert wurden).

Zusammenfassung: ToolsGroup ist ein erfahrener und dennoch sich entwickelnder Akteur in der Einzelhandelsoptimierung. Es bringt jahrzehntelange Expertise in der Bestandsoptimierung mit probabilistischer Prognose mit, die nun durch Warenplanungs- und Preisoptimierungsfähigkeiten durch Übernahmen ergänzt wird. Als Ergebnis kann ToolsGroup nun die gemeinsame Optimierung von Bestand und Preisgestaltung angehen - unter Verwendung von Nachfrageprognosen, die Preisänderungen berücksichtigen und Preisentscheidungen treffen, die durch Bestandspositionen informiert sind ⁴⁹. Seine Integrationsbemühungen verwandeln diese einst getrennten Tools in eine zusammenhängende Planungssuite, obwohl einige Integrationsprobleme noch ausgebügelt werden könnten. Die Stärke von ToolsGroup in der probabilistischen Modellierung bedeutet, dass es robust mit Nachfrageunsicherheit umgeht und Lagerstrategien zur Erfüllung des Service bei minimalen Kosten generiert, und seine neuen KI-Verbesserungen zielen darauf ab, diese Entscheidungen in Echtzeit kontinuierlich anzupassen ⁵⁸. Es hat eine bewährte Erfolgsbilanz bei der Automatisierung von Planungsprozessen - viele routinemäßige Prognose- und Nachfüllaufgaben können unbeaufsichtigt laufen, wobei die Planer Ausnahmen verwalten. Jetzt, mit Preis- und Sortimentsmodulen, erweitert es die Automatisierung auf diese Bereiche (z.B. regelbasierte automatische Abschläge ⁶⁹ und KI-vorgeschlagene Sortimentsanpassungen). In Bezug auf Einzelhandelskomplexitäten deckt ToolsGroup die Grundlagen (Promo-Prognose, saisonaler Abverkauf, Filialclustering) gut ab, obwohl es möglicherweise noch nicht automatisch Kannibalisierungs- oder Substitutionsmuster in dem Maße erkennt, wie es einige spezialisierte Systeme tun. Sein Ansatz zur wirtschaftlichen Optimierung hat sich von reinen Servicelevels zu Gewinnmetriken verlagert (insbesondere bei Preis- und Sortimentsentscheidungen ³³). Die Nutzer sollten auf ein wenig Marketing-Hyperbel achten - ToolsGroup verwendet die neuesten Schlagwörter wie “autonom” und “KI” großzügig, und eine Drittpartei-Kritik hat einige ihrer früheren KI-Behauptungen als übertrieben gekennzeichnet ¹⁹. Angesichts der greifbaren Verbesserungen, die viele Kunden berichten, und der ernsthaften Investitionen, die ToolsGroup in neue Technologien (wie Evo) getätigt hat, ist die Substanz hinter ihren Behauptungen jedoch erheblich. ToolsGroup tritt in unserem Ranking als eine technisch starke und pragmatische Option hervor: eine, die vielleicht nicht das Flair eines reinen KI-Startups oder die extreme Skalierung einer Mega-Suite hat, aber eine ausgewogene, fortschrittliche Lösung für Einzelhändler bietet, die ihre Planung mit weniger Hype und mehr praktischen Ergebnissen optimieren möchten. Es ist besonders gut geeignet für Organisationen, die eine bewährte Bestandsoptimierung mit dem zusätzlichen Vorteil einer integrierten Preis- und Sortimentsplanung wünschen - und so eine zuvor “Legacy”-Lösung durch Modernisierung wesentlich zukunftssicherer machen. Solange man angemessen skeptisch gegenüber den Schlagworten bleibt und sicherstellt, dass die Integration ihren Bedürfnissen entspricht, stellt ToolsGroup eine state-of-the-art (oder sehr nahe daran) Lösung dar, die für das Zeitalter der KI-gesteuerten Einzelhandelsentscheidungen verjüngt wurde.

Quellen: Integration von Preisgestaltung mit Bestandsansicht ⁴⁹; Kritik an den KI- und Nachfragesensorik-Behauptungen von ToolsGroup ¹⁹; ToolsGroup/Evo zur Bereitstellung optimaler Preis+Bestandsentscheidungen ⁵² ⁵³.

5. Blue Yonder (ehemals JDA) – Leistungsstarke Einzelhandelssuite, neu aufgebaut für SaaS, aber Legacy-Wurzeln zeigen sich

Blue Yonder, historisch bekannt als JDA Software, ist einer der größten und ältesten Anbieter von Einzelhandels- und Supply-Chain-Optimierungssoftware. Es bietet eine umfassende Suite, die Nachfrageprognose, Nachfüllung, Zuweisung, Kategorieverwaltung (Sortiment), Preis- und Abschlagsoptimierung, Lagerverwaltung, Personaleinsatzplanung und mehr umfasst. Im Jahr 2020 hat JDA sich in Blue Yonder umbenannt, nachdem es ein gleichnamiges deutsches KI-Unternehmen übernommen hat. Blue Yonder (BY) hat seitdem einen Großteil seines Portfolios auf eine einheitliche Luminate-Plattform mit Mikroservices migriert und positioniert sich als end-to-end, KI-gesteuerte Supply-Chain- und Merchandising-Lösung ⁷¹. Es erfüllt zweifellos jede Funktionalitätsanforderung: Nur wenige Anbieter können die Breite der Einzelhandelsoptimierungsangebote von BY erreichen. Die Blue Yonder Suite ist jedoch auch das Produkt von jahrzehntelangen Übernahmen (i2, Manugistics, Arthur, RedPrairie usw.), und obwohl die neue Cloud-native Luminate-Architektur modern ist, gehen einige Algorithmen und Module unter der Haube auf Legacy-Ansätze zurück. Eine kritische Bewertung durch einen Konkurrenten stellte unverblümt fest: “Blue Yonder ist das Ergebnis einer langen Reihe von M&A… unter dem BY-Banner liegt eine zufällige Sammlung von Produkten, viele davon veraltet. BY stellt KI prominent dar, aber die Behauptungen sind vage mit wenig Substanz; Open-Source-Projekte deuten auf Ansätze vor 2000 hin (ARMA, lineare Regression).” ⁷². Dies unterstreicht die Hauptfrage: Ist Blue Yonder wirklich state-of-the-art oder ein neu verpackter Legacy-Riese? Wir platzieren Blue Yonder etwas niedriger in unserer Liste, nicht weil es an Fähigkeiten mangelt (es hat viele), sondern wegen Bedenken hinsichtlich seiner Kohäsion, Effizienz und Klarheit der Behauptungen. Dennoch verdient es als dominanter Akteur eine genaue Untersuchung.

Gemeinsame Optimierung: Die Suite von Blue Yonder bietet im Wesentlichen separate, aber integrierte Module für Preisoptimierung, Nachfrageprognose & Nachfüllung und Sortiments-/Warenplanung. Theoretisch kann ein Einzelhändler, der alle Lösungen von Blue Yonder nutzt, eine gemeinsame Optimierung durch die Interaktion dieser Module erreichen. Zum Beispiel bietet Blue Yonder Lifecycle Pricing Anwendungen (reguläre Preisoptimierung, Abschlagsoptimierung, Promotions-Optimierung), die durch Nachfrageprognosen gespeist werden, die von ihrem Luminate Demand Planning Motor kommen. Diese Nachfrageprognosen berücksichtigen wiederum Preiseffekte, da die Prognose von Blue Yonder (ursprünglich von der deutschen Blue Yonder Übernahme) Elastizitätsmodellierung beinhaltet. Wie Michael Orr von Blue Yonder erklärte, „Blue Yonder nutzt Daten, um zu verstehen, wie Kunden wahrscheinlich reagieren werden und was der Einfluss des Preises auf die Lagerbestände sein kann,“ was Einzelhändlern hilft, zu hohe oder zu niedrige Preise zu vermeiden ²⁷. Dies zeigt, dass die Preisoptimierung von BY nicht isoliert erfolgt: Sie modelliert explizit, wie Preisänderungen die Nachfrage und damit den Lagerbestand beeinflussen. Darüber hinaus kann die Erfüllungsplanung von Blue Yonder mit Preisentscheidungen verknüpft werden, indem sichergestellt wird, dass sich die Lieferpläne entsprechend anpassen, wenn eine Preissenkung geplant ist (was die Nachfrage steigern wird). Ebenso hilft das Kategorie-Management-Tool von Blue Yonder (früher JDA Category Management) bei der Entscheidung über Sortimente und Planogramme; diese Entscheidungen fließen in ihre Nachfrageplanungs- und Nachfüllsysteme ein. Sie hatten ein übergreifendes Konzept namens „integrated retail planning“, das Waren-Finanzpläne, Kategoriepläne und Lieferpläne abstimmt. In der Praxis haben historisch gesehen JDA-Kunden diese oft als halbseparate Prozesse aufgrund der Werkzeugkomplexität ausgeführt. Aber mit Luminate behauptet BY eine nahtlosere Integration über eine gemeinsame Plattform. Sie heben ihre „Microservices-Architektur“ hervor, die eine End-to-End-Planung unterstützt ⁷¹ – das bedeutet zum Beispiel, dass ein Promotionsplanungsdienst den Nachfrageprognosedienst on-the-fly aufrufen könnte, um aktualisierte Prognosen unter verschiedenen Preisszenarien zu erhalten. Der gleichzeitige Planungsansatz von Blue Yonder (wie „Harmony“ in ihrer Benutzeroberfläche) kann einem Planer die Auswirkungen von Entscheidungen über Funktionen hinweg zeigen. Also ja, Blue Yonder ist in der Lage, eine gemeinsame Optimierung durchzuführen, in dem alle Teile miteinander kommunizieren können: Preisentscheidungen informieren Prognosen, die den Lagerbestand informieren, und umgekehrt. Allerdings könnte man sich fragen, wie optimal die Koordination ist. Oft könnte sie immer noch sequenziell sein (Prognose mit einem angenommenen Preis, Optimierung des Lagerbestands dafür, separate Preisoptimierung unter Berücksichtigung von Lagerbestandsbeschränkungen iterativ). Es gibt Hinweise darauf, dass Blue Yonder eine echte Gleichzeitigkeit anstrebt: z.B. zielt ihre neue Vision von „Autonomous Planning“ wahrscheinlich darauf ab, diese Prozesse dynamisch zu schließen. Die Übernahme eines Preisoptimierungsunternehmens durch Blue Yonder (sie haben mit dunnhumby zusammengearbeitet, aber ich glaube, sie haben kürzlich ihre internen Fähigkeiten mit der deutschen BY ML-Plattform integriert) stellt sicher, dass sie fortschrittliche Preisalgorithmen haben. Insgesamt bietet Blue Yonder die Werkzeuge für eine gemeinsame Optimierung, aber ob ein Benutzer sie erreicht, hängt von der Implementierung mehrerer Module ab. Da die Suite von Blue Yonder modular ist, nutzen einige Kunden möglicherweise nur die Nachfrage- und Lieferplanung, aber nicht die Preisgestaltung, und erreichen somit nicht die volle gemeinsame Optimierung mit BY allein. Für diejenigen, die die gesamte Suite nutzen, kann Blue Yonder sicherlich Lagerbestand, Preisgestaltung und Sortimentsentscheidungen gemeinsam abdecken. Wir stellen jedoch fest, dass die Lösungen von Blue Yonder ursprünglich nicht als eine Einheit entwickelt wurden – sie wurden integriert. Obwohl Luminate Fortschritte bei der Verbindung gemacht hat, ist es möglich, dass die Integration immer noch nicht so eng ist wie in einem einzigen Optimierungsmodell (zum Beispiel könnte der Preis-Motor nicht nativ den aktuellen Lagerbestand berücksichtigen, es sei denn, er ist konfiguriert, usw.). Angesichts der Beweise verdient Blue Yonder eine gute Bewertung für das Potenzial der gemeinsamen Optimierung, mit dem Vorbehalt, dass es möglicherweise erhebliche Anstrengungen erfordert, dieses Potenzial zu realisieren.

Probabilistische Prognose & KI: Die Nachfrageprognose von Blue Yonder (das Stück vom deutschen Blue Yonder, oft als Cognitive Demand Planning bezeichnet) basiert stark auf KI/ML. Sie haben Verbesserungen wie eine um ~12% bessere Prognosegenauigkeit mit ML im Vergleich zu traditionellen Methoden veröffentlicht ⁷³. Ihr Ansatz nimmt eine Vielzahl von Daten auf - einschließlich Wetter, Ereignisse, Online-Signale - um die Nachfrage vorherzusagen. Obwohl sie wahrscheinlich eine einzelne Prognosezahl für den operativen Einsatz erzeugen, können die zugrunde liegenden Modelle probabilistische Ausgaben produzieren. Tatsächlich war die ursprüngliche Blue Yonder (Deutschland) Lösung bekannt für die automatisierte Modellauswahl (wie ein AutoML-Ansatz) und konnte Konfidenzintervalle liefern. Ob das Produktionssystem Verteilungen ausstellt, ist unklar, aber sie betonen Szenarioplanung und Simulation. Zum Beispiel erlauben sie Planern, mehrere Szenarien der Nachfrage zu simulieren, was auf eine Verteilung der Ergebnisse im Hintergrund hindeutet ⁷⁴. Blue Yonder hat auch in einigen Whitepapers für die Supply-Planung über “Monte Carlo” Simulation gesprochen. Angesichts ihrer tiefen Bank von Datenwissenschaftlern ist es sicher zu sagen, dass Blue Yonders Prognose mindestens stochastikbewusst ist, auch wenn sie nicht für jeden Artikel eine explizite PDF liefert. Sie nennen es “Cognitive” oder “Machine Learning” Prognose. Sie haben auch Kundenauftragsprognose Fähigkeiten von ihrem Erbe erworben (wie i2’s Techniken für probabilistische Vorlaufzeiten und dergleichen). Kritiken wie die von Lokad wiesen jedoch darauf hin, dass die Open-Source-Teile, die Blue Yonder hatte (tsfresh für die Feature-Extraktion, Vikos - das vielleicht eine Prognosebibliothek ist, und PyDSE), auf relativ konventionelle Techniken hindeuten ⁴³. tsfresh dient zur Generierung von Features für Zeitreihen (wie das Extrahieren von saisonalen Metriken) - nützlich, aber nicht bahnbrechende KI an sich. Die Erwähnung von ARMA und linearer Regression deutet darauf hin, dass einige Kernprognosen immer noch statistische Modelle verwenden, die mit ML-Features verbessert wurden. Mit anderen Worten, Blue Yonders “KI” könnte oft eine gut abgestimmte exponentielle Glättung + Regression für kausale Faktoren sein. Das ist nicht unbedingt schlecht - das sind bewährte Methoden, aber es bleibt hinter den neuesten Deep-Learning-Ansätzen zurück. Blue Yonder vermarktet seine KI stark: Begriffe wie “kognitiv”, “maschinelles Lernen”, “KI/ML-Motoren” tauchen in ihren Materialien auf ⁷³ ⁷⁵. Die Unklarheit darüber, wie genau sie es machen (Handelsgeheimnis vielleicht), führt zu Skepsis gegenüber “KI-Washing”. Aber wir wissen, dass sie gutes Talent haben (das deutsche Team war akademisch stark), also ist es wahrscheinlich solide, wenn auch nicht auffällig. Blue Yonder verwendet KI auch in anderen Bereichen: z.B. verwendet ihre Preisoptimierung maschinelles Lernen, um Preiselastizität und Kreuzeffekte zu schätzen; ihre Supply-Planung verwendet Heuristiken und möglicherweise ML, um Parameter zu optimieren; ihre Mikroerfüllung verwendet KI, um zu entscheiden, von welchem Standort eine Bestellung erfüllt werden soll, usw. Sie drängen auch auf den “Luminate Control Tower”, der KI nutzt, um Störungen vorherzusagen und Maßnahmen vorzuschreiben. Viele davon basieren auf ML-Klassifikation oder Vorhersage im Hintergrund. Sind sie probabilistisch? Möglicherweise geben sie Risikowerte oder Wahrscheinlichkeiten von Ereignissen aus. Blue Yonders Marketingstücke sprechen von “KI-fähigen Optimierungsmotoren, die riesige Datenmengen aufnehmen… und kognitive Automatisierung erreichen” ⁷⁶ ⁷⁷, die großartig klingen, aber nicht spezifisch sind. Ich denke, es ist fair zu sagen, dass Blue Yonder viel KI verwendet, aber aufgrund der schieren Breite sind einige Teile möglicherweise nicht die neuesten. Zum Beispiel kommentierte ein Benutzer auf Reddit einmal, dass JDAs (jetzt BYs) Prognose nicht einzigartig war und dass viele immer noch ältere Logik mit Parametertuning verwendeten. Blue Yonders Patente und Forschung könnten mehr Licht darauf werfen (sie haben einige Patente auf Mehrszenarien-Prognose ⁷⁸). Angesichts der Beweise: Blue Yonder hat definitiv KI/ML (insbesondere nach der Übernahme von Blue Yonder GmbH) in seine Prognose und Optimierung integriert. Es produziert genauere Prognosen und vermutlich Szenariofähigkeiten. Aber die skeptische Sicht von Lokad, dass unter der Haube möglicherweise viele lineare Modelle als KI verpackt sind, deutet auf eine Notwendigkeit zur Vorsicht hin. Wir werden Blue Yonder hoch einstufen, wenn es um KI/ML-Features geht, aber beachten, dass einige Wettbewerber, die von Grund auf mit ML (wie RELEX oder Lokad) gebaut haben, aufgrund weniger Altlasten einen Vorteil bei bestimmten Techniken haben könnten. Blue Yonder investiert aktiv in die neuesten Technologien (z.B. erwähnen sie die Erforschung von Generative KI für Planungsassistenten ⁷⁹). Sie versuchen also, an der Spitze zu bleiben.

Wirtschaftliche Entscheidungsfindung: Die Lösungen von Blue Yonder, insbesondere im Bereich Preisgestaltung und Supply Chain, berücksichtigen explizit Rentabilität und Kosten. Bei der Preisgestaltung hat Blue Yonder (ursprünglich durch Revionics oder ihr eigenes) Zielsetzungen wie die Maximierung der Marge, des Umsatzes oder das Erreichen eines finanziellen Ziels. Ihre Preisoptimierung folgt nicht nur Regeln - sie verwendet Elastizität, um Preise zu wählen, die eine ausgewählte Metrik maximieren und dabei Einschränkungen respektieren (wie Wettbewerbspreisindizes oder Lagerbestände). Es handelt sich also um eine inhärente wirtschaftliche Optimierung. Bei der Bestandsoptimierung hatte Blue Yonder (oder das frühere JDA/i2) Module wie Multi-Echelon Inventory Optimization (MEIO), die tatsächlich versuchten, die Gesamtkosten (Haltekosten, Nachbestellkosten) für ein gegebenes Servicelevel zu minimieren oder den Service für ein Budget zu maximieren - eine klassische Kosten-Nutzen-Optimierung. In der Praxis haben einige Kunden nur das Servicelevel-Ziel verwendet, aber die Möglichkeit zur kostenbasierten Optimierung war vorhanden. Die S&OP / IBP-Tools von Blue Yonder ermöglichen die Integration von Finanzplänen und -beschränkungen, was bedeutet, dass der Planungsprozess um Marge- oder Gewinnziele herum optimieren kann (zum Beispiel das Erreichen eines Umsatzziels bei minimalen Kosten usw.). Ein weiterer Bereich ist die Zuweisung: Das Zuweisungstool von Blue Yonder kann so konfiguriert werden, dass Produkte so auf die Geschäfte verteilt werden, dass der prognostizierte Abverkauf (und damit der Gewinn) maximiert wird, anstatt nur eine flache Zuweisung vorzunehmen. Ihre Sortimentsplanung kann Kategorie-Gewinnbeitragsmetriken einbeziehen, um zu entscheiden, welche Produkte behalten oder gestrichen werden sollen. Da Blue Yonder historisch gesehen Einzelhändlern, die sehr margenorientiert sind (wie Modeeinzelhändlern, die ihre Abschreibungs-Optimierung zur Maximierung der Bruttomargenrendite nutzen), gerecht werden musste, mussten sie wirtschaftliche Logik einbauen. Die Kritik an der Unklarheit ⁴³ könnte andeuten, dass die KI von Blue Yonder die Wirtschaftlichkeit nicht klar artikuliert (wie es nicht transparent ist, wie viel Gewinn eine bestimmte Prognose impliziert), aber ihre Optimierungsmodule verwenden definitiv wirtschaftliche Parameter (Preiselastizität, Kosten usw.). Zum Beispiel behauptet die Bestandsoptimierungslösung von Blue Yonder, sie könne „überflüssige Bestände eliminieren und Obsoleszenzkosten reduzieren, während ein hoher Service aufrechterhalten wird“ ⁸⁰ - das ist im Wesentlichen eine Abwägung zwischen den Kosten der Obsoleszenz und dem Service, ein wirtschaftlicher Kompromiss. Ihre Promotions-Optimierung berücksichtigt Promotions-Lift vs. Margen-Investition, um zu empfehlen, welche Promotions am profitabelsten sind. In Bezug auf Opportunitätskosten gibt Blue Yonder diese möglicherweise nicht explizit aus, aber ihre Planer können sie durch Szenarien ableiten: z.B., wenn Sie Artikel A nicht auf Lager haben, ist der entgangene Gewinn eine Opportunitätskosten. Die Tools von Blue Yonder könnten dieses Szenario simulieren. Die Kritikpunkte, die wir haben, sagen im Grunde: Blue Yonder behauptet, KI und dergleichen zu verwenden, könnte aber viel lineare Regression betreiben (die typischerweise sowieso Kostenfaktoren beinhaltet). Daher denke ich, dass Blue Yonder in Bezug auf den wirtschaftlichen Aspekt gut abschneidet. Eine mögliche Schwäche könnte sein, wenn ältere Teile des Systems noch Faustregel-Heuristiken verwenden (einige ältere JDA-Nachfüllsysteme waren eher regelbasierte Min/Max-Systeme). Aber diese sind wahrscheinlich mittlerweile zugunsten optimierter Ansätze ausgemustert. Mit Blue Yonders Drang nach „autonomer Planung“ erwähnen sie oft finanzielle Metriken als einen Schlüsseltreiber. Ein BusinessWire-Artikel zitiert einen Kunden, der fortschrittliche BY-Technologie einsetzt: „Durch den Einsatz von KI/ML verbessern wir die Prognosegenauigkeit und bauen eine zukunftssichere Supply Chain auf, die unsere finanzielle Leistung verbessert“ ⁸¹. Also ja, im Kern geht es um Wirtschaftlichkeit. Allerdings kann die Implementierung von Blue Yonder zur vollständigen Nutzung dieser Fähigkeiten komplex sein - einige Kunden nutzen möglicherweise nicht alle wirtschaftlichen Optimierungsfunktionen aufgrund ihrer Komplexität und verwenden sie stattdessen auf eine manuellere Weise. Aber die Fähigkeit ist vorhanden. Wir geben Blue Yonder starke Noten für wirtschaftlich getriebene Module (Preisgestaltung, Abschreibung, MEIO), aber vielleicht einen leichten Abzug, wenn einige dieser Module nicht vollständig integriert oder einfach zu bedienen sind, was zu einer suboptimalen Nutzung führen könnte.

Skalierbarkeit & Kosteneffizienz: Die früheren On-Premise-Lösungen von Blue Yonder waren bekannt dafür, ressourcenintensiv zu sein – sie erforderten erhebliche Serverleistung und Speicher, insbesondere der alte Footprint von JDA. In den letzten Jahren hat Blue Yonder jedoch auf eine Cloud-native Microservices-Plattform auf Microsoft Azure umgestellt, was die Skalierbarkeit verbessern sollte. In der MQ-Notiz von Gartner wurde hervorgehoben, dass zu den Stärken von Blue Yonder eine „umfassende Microservices-Architektur“ gehört und dass es eine End-to-End-Multi-Enterprise-Planung bietet ⁷¹. Microservices bedeuten, dass sie die monolithischen Apps in kleinere Dienste aufgeteilt haben, die unabhängig voneinander skaliert werden können. Dies verbessert wahrscheinlich die Leistung (zum Beispiel das Skalieren des Prognosedienstes für viele Artikel, während der Versorgungsplanungsdienst separat skaliert wird). Die Umgebung von Microsoft Azure ermöglicht auch Elastizität und möglicherweise niedrigere Skalierungskosten als On-Premise, da man große Rechenleistungen für einen Batch hochfahren und wieder herunterfahren kann. Blue Yonder ist jedoch immer noch eine der teureren und unternehmensgerechten Lösungen. Das Ausführen all dieser fortgeschrittenen Module bedeutet die Verarbeitung einer Menge Daten (insbesondere bei hoher Granularität). In der Vergangenheit gab es Beschwerden über lange Laufzeiten für einige JDA-Prozesse oder Schwierigkeiten, extrem große Datenvolumen schnell zu verarbeiten. Die Überarbeitung der Microservices sollte einen Großteil davon beheben. Jetzt kann Blue Yonder nahezu Echtzeit-Neuplanung für die Nachfrageerfassung und häufige Neuplanungen in ihrem Kontrollturm vorweisen. Ein weiterer Aspekt ist die Datenverarbeitung: Die Einführung eines zugrunde liegenden Cloud-Daten-Sees durch Blue Yonder könnte die Speicherung und den Zugriff auf Daten im Vergleich zu älteren relationalen Modellen verbessern. Andererseits bedeutet eine breite Suite viel Integrationsaufwand; die Plattform von Blue Yonder versucht, dies zu mildern, ist aber wahrscheinlich immer noch ressourcenintensiv. In Bezug auf die Kosteneffizienz richtet sich Blue Yonder in der Regel an große Unternehmen mit großen Budgets, daher wird es normalerweise nicht wegen der Kosteneinsparungen gewählt – es wird wegen seiner Fähigkeiten gewählt. Es könnte einen erheblichen Azure-Aufwand für den Kunden erfordern (oder Blue Yonder berücksichtigt dies in den SaaS-Gebühren). Wenn ein Einzelhändler versucht, alle Module von BY zu implementieren, können die Projekt- und laufenden Kosten sehr hoch sein. Daher ist die Kosteneffizienz nicht das Verkaufsargument von BY – Vollständigkeit ist es. Ein weiterer relevanter Punkt: Die älteren Module von Blue Yonder liefen oft im Speicher (JDA hatte einen In-Memory-OLAP für Planungszahlen). Dieses In-Memory-Konzept könnte einen hohen Speicherverbrauch bedeuten. Aber mit Microservices nutzen sie vielleicht die skalierbaren Speicherpools von Azure effizienter. Die Wettbewerbskritik von Lokad sagte speziell, dass „Unternehmenssoftware nicht durch M&A mischbar ist, unter BY liegt eine zufällige Sammlung… Behauptungen sind vage, Open-Source deutet auf ältere Technologie hin“ ⁷². Obwohl dies mehr auf Integration und Hype abzielte, weist es indirekt auf Ineffizienzen hin – eine „zufällige Sammlung“ deutet oft darauf hin, dass jeder Teil seine eigene Infrastruktur haben könnte, die nicht optimiert ist, was zu einem höheren Gesamt-Footprint führt. Wir vermuten, dass Blue Yonder die Integration mit Luminate verbessert hat, aber es könnten immer noch Redundanzen bestehen. Zum Beispiel könnte das Preis-Modul seinen eigenen Datenspeicher haben, getrennt vom Prognose-Datenspeicher, es sei denn, es ist vereinheitlicht – etwas, was Luminate beabsichtigt zu vereinheitlichen, aber diese Dinge brauchen Zeit. Zusammenfassend: Skalierbarkeit – Blue Yonder kann auf die größten Einzelhändler skalieren (viele der Top 10 globalen Einzelhändler nutzen einige Komponenten von Blue Yonder), was beweist, dass es enorme Datenmengen bewältigen kann. Die Leistung ist vielleicht nicht blitzschnell out of the box, aber sie ist mit Tuning und Cloud-Power machbar. Kosteneffizienz – wahrscheinlich eher auf der niedrigeren Seite; es neigt dazu, ressourcenintensiv und teuer zu sein. Der Wechsel zu SaaS könnte die On-Premise-IT-Kosten für Kunden reduzieren, aber diese Kosten werden zu Abonnementgebühren. Außerdem kann BY als großer Anbieter Prämien verlangen. Wenn also die Kosten ein Kriterium sind, verliert Blue Yonder oft gegen schlankere Lösungen. Wenn reine Leistung und Breite Kriterien sind, ist BY in Ordnung. Wir bewerten sie als moderat in Bezug auf die Skalierbarkeit (weil ja, sie skalieren, aber möglicherweise zu hohen Kosten und Komplexität).

Behandlung komplexer Einzelhandelsfaktoren: Die Lösungen von Blue Yonder behandeln ausdrücklich nahezu alle komplexen Faktoren, die man sich vorstellen kann:

Kannibalisierung & Halo: Ihre Nachfrageprognose ML hat die Fähigkeit, Querprodukteinflüsse zu berücksichtigen (sie integrieren wahrscheinlich Merkmale, die darstellen, ob Substitute im Angebot sind, usw.). Auch ihr Promotion-Optimierungstool berücksichtigt Kannibalisierung - z.B., wenn es Promotionen empfiehlt, misst es, ob eine Promotion auf Produkt A den Verkauf von Produkt B kannibalisieren wird und berechnet den Nettoanstieg. Blue Yonder hatte ein Modul namens Promotion Effectiveness, das so etwas tat. Zusätzlich bewerten ihre Kategorie-Management-Analysen oft Kategorieauswirkungen von Preisänderungen (damit Sie den Preis für einen Artikel nicht erhöhen und die Marge für ergänzende Artikel verlieren). Bemerkenswert ist, dass der Stratege von Blue Yonder Elastizitäten festlegen könnte, die Quereffekte beinhalten. Im Artikel von Business Insider sprach Revionics (jetzt getrennt unter Aptos) darüber, KI zu verwenden, um zu simulieren, ob eine Preissenkung bei Kuchenteig den Eierverkauf erhöht ⁸², was ein Halo-Effekt-Szenario ist. Die Preisgestaltungslösung von Blue Yonder ähnelt Revionics, da sie konkurrieren, so dass vermutlich BY solche Querprodukt-Ergebnisse auch simulieren kann. Auch die Promotionsprognose von Blue Yonder kann speziell Kannibalisierungsfaktoren berücksichtigen, da dies branchenüblich ist.
Substitution (Auswirkungen von Lagerausfällen): Die Nachfrageplanung von Blue Yonder kann Positionsverfügbarkeitsinformationen verarbeiten; wenn ein Artikel nicht vorrätig war, kann die Prognoselogik einen Rückgang auf mangelnde Verfügbarkeit statt auf Nachfragerückgang zurückführen. Die ML von Blue Yonder in Deutschland war dafür bekannt, Lagerbestandsraten einzubeziehen, um nicht naiv geringere Nachfrage zu lernen, wenn es nur ein Ausverkauf war. Zusätzlich kann die Bestellplanung von Blue Yonder Substitutionsregeln beinhalten - z.B., wenn Artikel X ausverkauft ist, könnten sie proaktiv die Versorgung mit Ersatzartikel Y erhöhen (einige fortgeschrittene Nutzer tun dies).
Ablauf/Verderbliches: Blue Yonder hat eine große Lebensmittelkundschaft, daher haben sie Funktionen für verderbliche Waren entwickelt. Zum Beispiel kann ihr Nachfüllsystem die Haltbarkeit berücksichtigen - um sicherzustellen, dass nicht so viel bestellt wird, dass das Produkt abläuft. Sie können auch die Produktion im Geschäft optimieren (wie für Frischwaren, sie haben Lösungen im Workforce Management integriert, um die Planung der Frischproduktion zu verwalten - indirekt geht es um Abfallreduktion). Die Prognose von Blue Yonder ermöglicht eine tägliche Granularität, die für frische Artikel entscheidend ist und Wochentagssaisonalität usw. verwendet. Sie haben Referenzen (wie die Knauf-Referenz in BusinessWire für die Supply Chain und einige Lebensmittelreferenzen), in denen „mit BY wurde die Verschwendung reduziert, usw.“ - obwohl RELEX ein Beispiel dafür gab. Blue Yonder hat wahrscheinlich ähnliche Erfolgsgeschichten (ich erinnere mich an eine mit 7-Eleven, die BY zur Prognose von Frischwaren verwendet hat).
Planogramm und Platzbeschränkungen: Die Kategorie-Management-Lösung von Blue Yonder ist im Grunde der Industriestandard für Planogrammierung und Flächenplanung. Sie speist direkt in das Sortiments- und Nachfüllplanung ein, indem sie Daten darüber liefert, wie viel Platz jedes Produkt in jedem Geschäft hat (so weiß die Versorgungsplanung den maximalen Regalbestand). Die Systeme von Blue Yonder nutzen das definitiv - z.B., wenn ein Planogramm einem Artikel 2 Fronten gibt, wird das System nicht mehr senden, als passt. Außerdem kann BY optimieren, welche Geschäfte einen neuen Artikel aufgrund von Platz und lokaler Nachfrage erhalten (wie wenn das Regal nicht mehr SKUs aufnehmen kann, könnte es ihn vielleicht nicht sortieren).
Arbeitskräfte und Ausführungsfaktoren: Etwas tangential, aber BY berücksichtigt auch, wie ein Plan ausgeführt werden kann - z.B., die Planung von Arbeitskräften für das Entladen von Lieferungen, wenn zusätzliches Inventar für eine Promotion gesendet wird, usw. Dies zeigt sich in der integrierten Denkweise für Einzelhandelsoperationen.
Omni-Channel: Die neueren Fähigkeiten von Blue Yonder berücksichtigen auch Erfüllungs-Trade-offs (Versand aus dem Geschäft vs DC), die nicht direkt gefragt wurden, aber es ist eine weitere Komplexität, die sie optimieren (Kosten vs Geschwindigkeit, usw. - außerhalb des Rahmens dieser Frage allerdings).
Wetter und externe Treiber: Sie behandeln diese über ML in der Nachfrageprognose, was ein “komplexer Faktor” bei volatiler Nachfrage ist. Im Wesentlichen hat Blue Yonder eine Lösung oder Funktion für fast jedes knifflige Einzelhandelsszenario. Die Herausforderung besteht darin, diese Funktionen tatsächlich zu implementieren und zu optimieren. Historisch gesehen hatten einige Einzelhändler Schwierigkeiten, fortgeschrittene Kannibalisierungsmodelle in JDA zu implementieren, weil sie komplex waren und Datenwissenschaftsunterstützung benötigten. Jetzt versucht BY, dies intern mit AI-Automatisierung zu tun. Es funktioniert wahrscheinlich, aber der Benutzer sieht es vielleicht nicht oder kann es nicht leicht kontrollieren (das “kognitive Black-Box”-Szenario). Dennoch ist es sicherer anzunehmen, dass BY diese Komplexitäten abdeckt, weil ihre Konkurrenz das tut und sie mithalten mussten. Tatsächlich hat Blue Yonder einen Teil namens Demand Transference Analyse (aus dem alten JDA), die explizit Kannibalisierung innerhalb von Kategorien zur Unterstützung von Sortimentsentscheidungen gemessen hat - das ist genau die Quantifizierung, wie die Nachfrage von einem Produkt auf ein anderes übertragen wird, wenn eines fehlt oder beworben wird. Also ja, sie haben dieses Konzept. In Anbetracht all dessen erzielt Blue Yonder wahrscheinlich die höchste Punktzahl bei der Bewältigung komplexer Faktoren, einfach weil sie im Laufe der Jahrzehnte jede Problemstellung, die ein Einzelhändler hatte, JDA/BlueYonder Funktionalität hinzufügen würde, um damit umzugehen (oder ein Unternehmen erwerben, das dies tat). Der leichte Vorbehalt: Manchmal könnten ältere Ansätze weniger automatisiert sein (manuelle Konfiguration von Beziehungen, usw.), während neuere Anbieter sie automatisch lernen. Blue Yonder versucht jetzt, mit AI automatisch zu lernen, aber wiederum erfordert das Vertrauen, da sie nicht immer die Details offenlegen. Die Kritik der Konkurrenz an der Verwendung älterer Methoden ⁴³ deutet vielleicht darauf hin, dass ihr Kannibalisierungsmodell lineare Regression verwendet (was es immer noch anständig erfassen kann, wenn es richtig gemacht wird). Nicht unbedingt ein Fehler, einfach nicht ausgefallen. Wir werden BY auf diesem Kriterium sehr hoch einstufen, mit dem kleinen Hinweis, dass es komplex sein kann, es einzurichten.

Automatisierung: Die Vision von Blue Yonder von einer “Autonomen Supply Chain” und “Cognitive Planning” dreht sich im Wesentlichen um Automatisierung. Sie werben damit, dass ihre Luminate Planning automatisch Pläne mit wenig menschlichem Input anpassen kann und dass ihre Algorithmen sich selbst optimieren können. Zum Beispiel reduziert Blue Yonders “algorithmische Basisprognose” die Arbeitslast menschlicher Prognostiker erheblich - Planer konzentrieren sich dann nur noch auf Ausnahmen (wie neue Produkte oder große Ereignisse). Viele BY-Kunden betreiben Auto-Nachfüllung: Das System generiert Bestellungen, die direkt zur Ausführung gehen, es sei denn, sie werden markiert. BY’s Erfüllung System hatte Funktionen wie “Adaptive, lernende Sicherheitsbestände”, was weniger manuelle Parameteranpassung bedeutete. Bei der Preisgestaltung kann Blue Yonder (wie andere Preiswerkzeuge) autonome Preisaktualisierungen innerhalb von Regeln durchführen - zum Beispiel automatische Preisreduzierungen jeden Montag basierend auf dem aktuellen Verkauf im Vergleich zum Plan. Ich vermute, dass einige BY-Einzelhandelskunden dem System erlauben, bestimmte Preisaktionen automatisch durchzuführen (insbesondere Preisreduzierungen, die lokalisiert und häufig sein können - zu viele für manuelle). Blue Yonders Luminate Control Tower kann sogar bestimmte Ausnahmen automatisch lösen (wie wenn ein Lieferant zu spät ist, automatisch von einer anderen Quelle beschleunigen) - das ist Automatisierung in der Ausführung. Allerdings hatte Blue Yonder historisch auch den Ruf, in gewissem Maße planerzentriert zu sein: Es bietet großartige Empfehlungen, aber viele Unternehmen hatten immer noch viele Planer, die diese Empfehlungen anpassten (einige, weil das System komplex war oder sie ihm nicht vollständig vertrauten). Die Transformation zu “autonom” ist noch im Gange. Blue Yonders eigene Blogbeiträge zur Steigerung der Prognosegenauigkeit konzentrieren sich darauf, die KI die schwere Arbeit machen zu lassen und manuelle Überschreibungen zu begrenzen ⁸³, was darauf hindeutet, dass sie die Automatisierung fördern. Sie haben ein Konzept von Ausnahmen/Alarmen, das einen “Management by Exception”-Stil fördert - ein Kennzeichen der Automatisierung (nur eingreifen, wenn nötig). Mit der Übernahme von Blue Yonder durch Panasonic im Jahr 2021 liegt auch ein Schwerpunkt auf der Verbindung zu IoT und der Automatisierung sogar physischer Entscheidungen (wie die Anpassung von Ladenregalen durch Robotik auf Basis von Planänderungen - zukunftsorientierte Sachen, aber noch in der Ideenphase). Auf der anderen Seite könnten einige Benutzer aufgrund der vielen Funktionen von BY’s Tools zu stark auf manuelle Konfiguration angewiesen sein (wie das Anpassen von Dutzenden von Parametern, das manuelle Durchführen von Was-wäre-wenn-Analysen usw.), was eine echte Hands-off-Automatisierung behindern kann. Die Wettbewerberkritik, dass unter BY “Produkte veraltet und nicht mischbar sind” ⁷², könnte darauf hindeuten, dass immer noch viel manueller Klebstoff von Menschen benötigt wird, um es über Module hinweg zum Laufen zu bringen - was die Automatisierung reduziert. Es besteht kein Zweifel, dass Blue Yonder eine hohe Automatisierung ermöglichen kann, aber ob eine gegebene Implementierung dies erreicht, ist variabel. Ich erinnere mich an Fallstudien, in denen Einzelhändler 90% ihrer Bestellungen von Blue Yonder automatisch generieren ließen, ähnlich wie bei ToolsGroup’s Referenzen. Daher ist es wahrscheinlich, dass eine Best-Practice-Nutzung dies ermöglicht. Angesichts der starken Vermarktung von “autonom” durch Blue Yonder gehen wir davon aus, dass sie neue Funktionen zur Steigerung der Automatisierung einführen (wie ML-Modell-Autopilot - automatisches Umschalten von Algorithmen bei Trendänderungen; oder Szenario-Berater - Empfehlung des besten Szenarios). Sie haben sogar einen digitalen Assistenten (vielleicht sprachaktivierte Planungsanfragen) - nicht unbedingt Automatisierung, aber reduziert manuelle Analysen. Also ja, BY ist auf Automatisierung ausgerichtet, obwohl es vielleicht historisch von den Benutzern aufgrund von Vertrauens- oder Komplexitätsproblemen untergenutzt wurde. Wir werden sie hoch bewerten, aber nicht so perfekt wie einige kleinere agile Anbieter sein könnten, einfach weil die Implementierung von BY bis zu dem Punkt, an dem man ihr unbeaufsichtigt vertrauen kann, mehr Zeit in Anspruch nehmen kann. Aber einmal erledigt, sollte es laufen. Panasonics Website nennt es “Realisierung der Autonomen Supply Chain™ mit Blue Yonder” ⁸⁴ - sie haben Autonomous Supply Chain als Marke eingetragen, also meinen sie es ernst! Um skeptisch zu bleiben: Wir werden feststellen, dass bisher eine wirklich vollständig autonome Planung in der Industrie selten ist, auch mit BY - menschliche Aufsicht bleibt bestehen. Aber BY kann die menschliche Arbeitslast erheblich reduzieren.

Technologieintegration: Blue Yonder ist der klassische Fall einer Plattform, die durch viele Übernahmen (von den 1980er bis 2010er Jahren) aufgebaut wurde. Seit etwa 2015 haben sie jedoch in die Vereinheitlichung investiert. Die Luminate Plattform ist ihre Antwort: Microservices auf einer gemeinsamen Cloud, teilweise gemeinsames Datenmodell (sie haben den Luminate Data Hub) und einen gemeinsamen UI-Stil. Sie haben Fortschritte gemacht - z.B. teilen die Module für die Nachfrageprognose und Nachschub nun die gleiche Benutzeroberfläche und Daten nahtlos (im Vergleich zu älteren JDA, wo Nachfrage und Erfüllung separate Apps waren, die eine Batch-Integration benötigten). Die Microservices-Architektur bedeutet, dass neue Fähigkeiten geliefert und eingesteckt werden können, ohne monolithische Änderungen vorzunehmen. Aber seien wir klar: intern laufen einige Module wahrscheinlich immer noch ihren Legacy-Code (nur in der Cloud gehostet). Das bedeutet, dass die Integration auf der Schnittstellenebene erfolgt, nicht dass sie alles in einer Codebasis neu geschrieben haben (das wäre in kurzer Zeit unrealistisch). Sie haben APIs von altem Code als Microservices ausgesetzt und orchestrieren sie. Es funktioniert in gutem Maße, wie Gartner es als “umfassende Microservices-Architektur” ⁷¹ bezeichnet, was ein Kompliment ist. Ein weiterer Pluspunkt: Blue Yonder hat seine Benutzeroberfläche weitgehend vereinheitlicht (die Luminate Experience-Schnittstelle). Ein Benutzer kann theoretisch von einem Nachfrageplanungsbildschirm zu einem Inventarbildschirm innerhalb eines Portals navigieren. Es gibt ein Konzept des Luminate Planning Workbench, das versucht, mehrere Funktionen für einen Planer zusammenzubringen. Dennoch sagen Kritiker wie Lokad „Unternehmenssoftware ist nicht mischbar über M&A“ ⁷² – was impliziert, dass man erworbene Produkte nicht wirklich leicht mischen kann. Blue Yonder versucht es, aber vielleicht bleiben einige Risse: z.B. könnte die Preisgestaltungslösung (ursprünglich separates Produkt) sich noch nicht vollständig wie die Nachfrageplanung in der Benutzeroberfläche anfühlen und könnte eine separate Konfiguration erfordern. Die Datenintegration kann ein Problem sein: Werden die Nachfrageprognosen automatisch in die Modelle des Preisoptimierungsmoduls eingespeist? Oder müssen Sie sie exportieren? Blue Yonder hat das wahrscheinlich mittlerweile integriert, aber nicht sicher. Die Bemerkung „zufällige Sammlung von Produkten, die meisten davon veraltet“ ⁷² ist hart – bezieht sich vielleicht auf bestimmte ältere Module wie die Legacy-JDA-Warenplanung oder ältere Optimierungsmotoren, die nicht aktualisiert wurden. Auch „Behauptungen sind vage mit wenig Substanz“ ⁸⁵ deutet darauf hin, dass BY manchmal sagt, es sei vereinheitlichte KI, aber vielleicht sind es nur locker integrierte Teile. Dennoch hat Blue Yonder mehr umgeplant als viele andere; z.B. haben sie die alten Algorithmen containerisiert, moderne Benutzeroberflächen gebaut und sie verbunden. Ein weiterer Integrationsaspekt: Blue Yonder deckt die Planung bis zur Ausführung in einem Unternehmen ab (WMS, TMS für die Ausführung und Planungstools). Sie haben auch diese integriert (die Bestandsplanung kann den WMS-Bestand in nahezu Echtzeit sehen, usw.). Theoretisch könnten Sie also Ihre supply chain von Anfang bis Ende mit Blue Yonder-Technologie betreiben, was eine Integration über die reine Planung hinaus bedeutet – ein großer Pluspunkt, wenn erreicht. Historisch gesehen waren diese auch isoliert (JDA vs RedPrairie-Erbe). Sie haben etwas namens Luminate Control Tower, der Planungs- und Ausführungsdaten in einer Ansicht überlagert und verbindet. Es gibt also Fortschritte bei der Integration. In Anbetracht dessen hat Blue Yonder einen langen Weg zurückgelegt, ist aber wahrscheinlich immer noch nicht so agil integriert wie ein Produkt, das vollständig intern von Grund auf entwickelt wurde. Die Open-Source-Bemerkung über ihre Nutzung von Projekten wie tsfresh deutet darauf hin, dass sie versuchen, sich auf gemeinsame Bibliotheken zu einigen, wo immer möglich (das ist eine gute Integrationspraxis). Bei so vielen Produkten ist es jedoch schwierig, jedes Stück vollständig zu vereinheitlichen. Das Risiko besteht darin, dass einige Kunden möglicherweise Blue Yonder-Module effektiv implementieren, aber sie nicht gut integrieren – der Fehler könnte bei der Implementierung liegen und nicht bei der Softwarefähigkeit. Aber die Architektur erlaubt jetzt die Integration, es hängt von der Nutzung ab. Wir geben Blue Yonder mäßig bis hoch auf Integration: definitiv eine historisch Frankenstein-Suite, die einer Operation unterzogen wurde, um mehr vereinheitlicht zu werden – teilweise erfolgreich, aber man kann immer noch erkennen, dass einige Teile älter im Stil sind. Die Komplexität bleibt hoch. Zum Beispiel könnte man zur Implementierung der vollständigen BY-Suite mehrere Teams von Experten benötigen, weil jedes Modul Tiefe hat. Das signalisiert nicht vollständig “ein kohärentes” Produkt in der Praxis, eher “eine Familie von Produkten unter einem Plattform-Schirm”. In der Zwischenzeit sind ToolsGroup oder Lokad näher an einem Produkt, das mehrere Bereiche löst (weniger Funktion, aber mehr integriert durch Design). Die Integration von Blue Yonder ist also besser als SAP’s Flickwerk, aber wahrscheinlich hinter einer singulären Lösungen.

Skepsis gegenüber Hype: Das Marketing von Blue Yonder verwendet viele Schlagworte: “Kognitiv”, “Autonom”, “KI/ML”, “End-to-End” usw. Einige Behauptungen fehlen an Spezifität (wie “12% Verbesserung der Prognose” - verbessert von welcher Ausgangsbasis? Oder “angetrieben von KI” aber keine Details zur Methode). Sie haben eine auffällige Erzählung von einem “digitalen Gehirn” ähnlich wie o9 und manchmal eingeschränkte Sichtbarkeit, wie es funktioniert. Die Kritik sagte „Behauptungen sind vage mit wenig oder keiner Substanz… Open-Source-Projekte deuten auf Ansätze vor 2000 hin“ ⁴³, was im Grunde Blue Yonder der KI-Wäsche beschuldigt (Marketing alter Wein in neuen Flaschen). Tatsächlich war Blue Yonder schnell, sich nach der Übernahme als “KI-Pionier” neu zu positionieren, was Aufsehen erregte, da JDA dafür zuvor nicht bekannt war. Das heißt, Blue Yonder hat echte KI-Technologie (vom übernommenen Team), aber vielleicht nicht so weit über alle anderen hinaus, wie sie andeuten. Zum Beispiel könnte ihre Prognose als “kognitiv” überschätzt werden - sie ist fortgeschritten, ja, aber viele andere machen ähnliche ML-Prognosen. Der Begriff “kognitiv” impliziert fast menschenähnliches Denken, was Hype ist. Auch “autonome Supply Chain” - ein bewundernswertes Ziel, aber jedes solche System benötigt immer noch menschliche Steuerung. Sie verwenden manchmal markenrechtlich geschützte Begriffe wie “Autonomous Supply Chain™”, was ein Marketing-Branding ist. Ein weiterer Hype-Bereich: Blue Yonder preist “Demand Sensing” an - ein Konzept, das sie übernommen haben (einige ihrer Lösungen wie kurzfristige Prognosen sind im Grunde genommen Demand Sensing). Wie Lokad bemerkte, ist Demand Sensing oft Hype, wenn es nicht richtig gemacht wird. Blue Yonder hat wahrscheinlich eine Methode (wie die Verwendung der Verkäufe der letzten Woche, die stärker gewichtet werden, um kurzfristige Prognosen anzupassen), aber ob es wirklich externe Signale erfasst oder nur reaktives Glätten ist, ist eine offene Frage. Wenn sie es als “KI erfasst Nachfrageverschiebungen in Echtzeit aus sozialen Medien” oder ähnliches überschätzen, könnte man die Praktikabilität bezweifeln. Es gibt auch den Hype um die Integration: Sie behaupten eine einheitliche Plattform, aber wie diskutiert, ist es hinter den Kulissen nicht vollständig einheitlich - das Marketing könnte die Komplexität der Integration übersehen. Auf der anderen Seite hat Blue Yonder viele echte Fallstudien und Referenzen. Sie erfinden im Allgemeinen keine Ergebnisse - sie haben große Kunden, die öffentlich Erfolge teilen (Steigerung der Füllrate, Umsatz usw.). Das ist glaubwürdig. Blue Yonder neigt auch dazu, nicht zu viele technische Details preiszugeben, was so aussehen kann, als ob sie sich hinter Schlagworten verstecken. Für einen Wahrheitssucher könnten die Materialien von BY frustrierend sein, weil sie oft über Ergebnisse und hochrangige Fähigkeiten sprechen, anstatt “wir verwenden Algorithmus X, Y, Z”. Aber Unternehmensverkaufsmaterialien gehen selten auf Algorithmen ein. Es ist nicht einzigartig für BY. Zumindest hat die Wettbewerbsanalyse von Lokad sie herausgestellt, was bedeutet, dass Blue Yonder unter den Kollegen als besonders schwer auf Schlagworte mit nicht genug neuer Wissenschaft dahinter gesehen wurde ⁴³. Angesichts der Tatsache, dass wir vage Behauptungen und Hype bestrafen wollen, bekommt Blue Yonder eine gewisse Strafe: Sie haben in den letzten Jahren definitiv Schlagworte genutzt. Die Pressemitteilungen von Panasonic und die Blogs von BY sind voll von dem Jargon (KI/ML, digitales Zwillingspaar (vielleicht weniger, sie bevorzugen “digitalen Rand” usw.), kognitiv, autonom). Ohne technische Validierung sollte ein Skeptiker einige davon abwerten. Trotzdem hat Blue Yonder echte Technologie, vielleicht nur nicht so revolutionär, wie das Marketing andeutet. Wir werden sie eher niedrig auf Hype-Ehrlichkeit bewerten - sie hypen viel. Als Beweis platzierte diese Lokad-PDF Blue Yonder auf Platz 12 von 14 und nannte speziell seinen Hype und veraltete Grundlagen ⁷². Es ist eine voreingenommene Quelle (Lokad konkurriert), aber es stimmt mit der Vorsicht überein, nicht alles Marketing von BY für bare Münze zu nehmen. Ein weiteres Beispiel: Blue Yonder könnte behaupten, “Plug-and-Play SaaS - schnelle Wertschöpfung”, aber viele Kunden erleben mehrjährige Implementierungen - es gibt also eine Lücke im Marketing gegenüber der Realität in Bezug auf die Implementierungsfreundlichkeit. Das ist ein Hype um Integration oder Benutzerfreundlichkeit. Also ja, ein Käufer sollte skeptisch sein, was die Leichtigkeit und das vollständige Glauben an die “einzige Plattform” -Geschichte angeht - es könnte sich immer noch anfühlen wie getrennte Module hinter den Kulissen, die erhebliche Integrationsanstrengungen erfordern. Zusammenfassend ist das Marketing von Blue Yonder poliert und oft optimistisch, daher ist eine gesunde Skepsis angebracht.

Zusammenfassung: Blue Yonder ist eine funktionsreiche Optimierungssuite für den Einzelhandel, die Bestands-, Preis- und Sortimentsplanung (plus Ausführungsaspekte) umfasst - im Grunde genommen deckt sie alle Facetten der Einzelhandelsoptimierung ab. Sie wurde mit AI/ML (z.B. „kognitive“ Nachfrageprognosen ²⁷) und einer Cloud-Plattform modernisiert und ist in der Lage, Entscheidungen über traditionell abgegrenzte Bereiche hinweg (Preisentscheidungen, die Bestandspläne beeinflussen und umgekehrt) gemeinsam zu optimieren ²⁷. Die Tools von Blue Yonder berücksichtigen explizit Rentabilität und Kosten bei Entscheidungen - von der Preisoptimierung, die Marge gegen Volumen abwägt, bis zur Bestandsoptimierung, die Service gegen Haltekosten abwägt ⁸⁰. Die Lösung kann komplexe Einzelhandelsdynamiken wie Kannibalisierung, Halo-Effekte und Haltbarkeitsbeschränkungen als Teil ihrer Prognose- und Planungsprozesse modellieren, dank ihrer fortschrittlichen Algorithmen und jahrzehntelangen Erfahrung im Bereich der Einzelhandelsdatenwissenschaft. So verwendet sie beispielsweise maschinelles Lernen, um Produkteffekte und Werbekannibalisierung zu identifizieren, so dass Prognosen und Nachbestellungen entsprechend angepasst werden ⁸ ⁹. Mit ihrer jüngsten Mikroservice-Rearchitektur hat Blue Yonder die Integration ihrer einst getrennten Module verbessert und bietet eine einheitlichere Luminate-Plattform mit gemeinsamen Daten und Benutzeroberfläche ⁷¹. Dies ermöglicht höhere Grade an Automatisierung: Viele Kunden von Blue Yonder lassen das System automatisch Prognosen, Bestellungen und sogar Preisempfehlungen generieren und greifen nur bei Ausnahmen ein. Blue Yonder bewirbt stark eine „Autonome Supply Chain“, und obwohl die vollständige Autonomie ein Prozess ist, ermöglichen ihre Lösungen automatisierte, datengesteuerte Entscheidungen im großen Maßstab (ein großer Nutzer berichtete, dass Planer nach Ausnahmen verwalten, während das System 95% der SKU-Store-Nachbestellungen autonom handhabt).

Allerdings ist ein skeptischer Blick auf die Behauptungen von Blue Yonder erforderlich. Die Erwerbshistorie der Suite bedeutet, dass einige Komponenten unter der Haube noch ältere Algorithmen tragen ⁷². Die Kohäsion der Plattform, trotz großer Verbesserungen, ist möglicherweise nicht so nahtlos wie ein von Grund auf neu erstellter einheitlicher Code - die Implementierung aller Teile kann komplex und ressourcenintensiv sein. Auch der Marketing-Hype von Blue Yonder ist bemerkenswert: Begriffe wie „kognitiv“ und „autonom“ werden großzügig verwendet, manchmal überholen sie die Realität dessen, was die Software tatsächlich liefert ⁴³. Unabhängige Analysen haben festgestellt, dass Blue Yonder hinter den Schlagworten oft etablierte (sogar ältere) analytische Techniken einsetzt ⁴³ - effektiv, aber keine magische KI. Darüber hinaus können die Kosten und Komplexität der Lösung von Blue Yonder hoch sein - es kann eine erhebliche Investition in Zeit, Geld und qualifiziertes Personal erfordern, um alle Fähigkeiten voll auszuschöpfen, was die „Plug-and-Play“-Erzählung dämpft. Kurz gesagt, Blue Yonder ist äußerst leistungsfähig - wohl ein Benchmark für Funktionsreichtum und Einzelhandelsexpertise - und es entwickelt sich weiter mit moderner KI und Cloud-Technologie. Es kann sicherlich modernste Optimierung liefern, wenn es vollständig implementiert und genutzt wird. Aber man muss durch den Nebel der Schlagworte schneiden und sorgfältig bewerten, wie jede Behauptung unterstützt wird. Wo Blue Yonder einen klaren Wert nachweist (wie nachgewiesene Verbesserungen der Prognosegenauigkeit, messbare Abfallreduktion bei frischen Produkten oder erhöhter Abverkauf durch optimierte Preise), erkennen wir es als Top-Lösung an. Wo es sich auf vage Marketingaussagen stützt oder Integrationsprobleme überspielt, bleiben wir vorsichtig.

In unserem Ranking bleibt Blue Yonder ein führender Anbieter in der Einzelhandelsoptimierung aufgrund seiner Breite und laufenden Innovation ⁷¹, aber wir bestrafen es etwas für technische Altlasten und Marketingübertreibungen. Für große Einzelhändler, die ein One-Stop-System von Anfang bis Ende suchen und bereit sind, darin zu investieren, ist Blue Yonder oft ein Anwärter oder der Standard. Für diejenigen, die Agilität, Kosteneffizienz oder Einfachheit priorisieren, könnte Blue Yonders umfassender Ansatz schwerfällig wirken.

Quellen: Blue Yonders auf Mikroservices basierende Luminate-Plattform und Fähigkeiten ⁷¹; Aussage zur Verknüpfung von Preiswirkungen mit Bestandsniveaus ²⁷; kritische Analyse der KI-Behauptungen und Altlasten von BY ⁷² ⁴³.

6. SAP (SAP IBP & Retail) – Etablierte Suite modernisiert, holt noch auf (Warnung vor Altlasten)

SAP, ein Titan in der Unternehmenssoftware, bietet Einzelhandelsoptimierungsfunktionen durch seine SAP Integrated Business Planning (IBP) für die Supply Chain und die SAP for Retail Suite (die Warenplanungs- und Preiswerkzeuge aus früheren Übernahmen enthält). SAPs Lösungen decken Nachfrageprognose, Bestands- und Lieferplanung, Sortiments- und Warenfinanzplanung und Preisnachlassoptimierung ab. Im letzten Jahrzehnt hat SAP von seinen älteren APO (Advanced Planner & Optimizer) und anderen Legacy-Einzelhandelsmodulen zu einer neueren, cloudbasierten IBP-Plattform gewechselt. Allerdings bleiben SAPs Angebote etwas fragmentiert zwischen dem auf die Supply Chain ausgerichteten IBP und den auf den Einzelhandel ausgerichteten CAR (Customer Activity Repository) und Retail-Apps. Da die Bewertungskriterien betonen, dass man Legacy-Ansätze und Frankenstein-Integrationen vermeiden sollte, wird SAP oft als Beispiel für diese Herausforderungen genannt. Eine ehrliche Bewertung im Jahr 2021 stellte fest: “SAP (1972) hat SAF, KXEN, SmartOps… diese Apps sitzen auf der hauseigenen Technologie (F&R, APO, HANA). Unternehmenssoftware ist nicht durch M&A mischbar, und unter SAP liegt eine zufällige Sammlung von Produkten. Die Komplexität ist hoch und die allerbesten Integratoren - plus ein paar Jahre - werden benötigt, um Erfolg zu haben.” ¹¹. Dies unterstreicht SAPs Kampf: viele lose integrierte Teile, die einen hohen Implementierungsaufwand erfordern. Wir bewerten SAPs Einzelhandelsoptimierungsfähigkeit aufgrund dieser Altlastenkomplexität und des langsameren Tempos der KI-Innovation niedriger auf unserer Liste, obwohl sie auf dem Papier funktional umfassend ist.

Gemeinsame Optimierung: SAPs Module haben historisch in Silos gearbeitet: z.B. hat SAP Demand Forecasting (Teil von F&R) Prognosen erstellt, die separate SAP Pricing (von der übernommenen Khimetrics) und SAP Assortment Planning (von einer anderen Komponente) gespeist haben. In den letzten Jahren hat SAP versucht, die Planung in IBP zu vereinheitlichen - aber IBP deckt hauptsächlich Nachfrage, Bestand und Lieferplanung ab. Preisgestaltung und Sortiment liegen außerhalb von IBP, in anderen Einzelhandelsspezifischen Lösungen. Das bedeutet, dass wahre gemeinsame Optimierung (Bestand + Preis + Sortiment zusammen) nicht SAPs Stärke out of the box ist. Sie könnten IBP mit, sagen wir, SAP Markdown Optimization (das war ein separates Produkt) auf eine benutzerdefinierte Weise verbinden müssen. Es gab Versuche: z.B. sollte SAPs Unified Demand Forecast (Teil von CAR) eine Prognose für alle nachgelagerten Systeme (wie Nachfüllung und Preisgestaltung) liefern. Wenn implementiert, stimmt das zumindest Preisgestaltung und Bestand auf demselben Nachfragesignal ab. Aber tatsächliche gemeinsame Entscheidungsfindung - wie die Berücksichtigung von Bestandskosten bei der Preisoptimierung - erfordert wahrscheinlich eine benutzerdefinierte Integration. SAP hat eine SAP Retail Optimization Lösung (das alte Khimetrics) für die Preisgestaltung, die Bestandsbeschränkungen für Preisnachlässe berücksichtigen kann (also optimiert es in diesem begrenzten Fall die Räumungspreise mit dem verfügbaren Bestand gemeinsam). Auch SAPs Warenwirtschaftssysteme verbinden Verkaufspläne lose mit Lieferplänen. Insgesamt optimiert SAPs Architektur diese nicht von Natur aus ganzheitlich; vielmehr gibt sie Ausgaben von einem zur Eingabe eines anderen weiter. Zum Beispiel könnte IBP einen Lieferplan erstellen, der von einer angenommenen Preisstrategie ausgeht; wenn sich die Preisgestaltung dann ändert, müsste ein Planer die IBP-Szenarien aktualisieren. Es ist kein automatisches Feedback. SAP IBP entwickelt sich mit Dingen wie “Integrated Financial Planning”, das finanzielle Ergebnisse mit Lieferplänen verbindet (etwas gemeinsame Optimierung dort, zumindest Ausgleich von Kosten und Einnahmen). Aber im Vergleich zu neueren Anbietern hinkt SAP in der nahtlosen Integration über Funktionen hinweg hinterher. Die Komplexitätskritik ¹¹ legt nahe, dass selbst das Zusammenbringen aller SAP-Teile zu einem großen Projekt wird. Daher bewerten wir SAP niedrig in der gemeinsamen Optimierung. Es kann erreicht werden, aber es erfordert “die allerbesten Integratoren - plus ein paar Jahre” ⁸⁶ (direktes Zitat) - keine überzeugende Empfehlung.

Probabilistische Prognose & KI: SAP IBP beinhaltet ein Modul für “Demand”, das einige prädiktive Analysen und sogar ML-Integration bietet (sie erlauben die Verwendung von SAP Analytics Cloud oder externen ML-Bibliotheken zur Erstellung von Prognosen, die IBP speisen). SAP hat auch KXEN im Jahr 2013 erworben, ein Data-Mining-Tool, vermutlich um ML an verschiedenen Stellen einzubetten. Aber die native Prognose von SAP in IBP setzt weitgehend die APO-Tradition fort (statistische Modelle wie exponentielles Glätten, Croston, etc.). Sie haben “Demand Sensing” in IBP eingeführt, das ist ein Algorithmus (aus der SmartOps-Akquisition), der kürzlich aufgetretene kurzfristige Trends verwendet, um nahe Zukunftsvorhersagen anzupassen - ein Ansatz, den einige als glorifizierten gewichteten gleitenden Durchschnitt betrachten. Es ist nützlich, aber keine vollständige KI-Revolution. SAP integriert jetzt mehr ML - zum Beispiel verwenden sie maschinelles Lernen für die Prognose von neuen Produktstarts (Abgleich von Mustern ähnlicher Produkte). Sie haben auch eine Optimierungsmaschine (von SmartOps) für Multi-Echelon-Inventar (das war stochastischer). Insgesamt hat SAPs Innovation in KI für die Planung hinter den Spezialisten zurückgelegen. In den Supply-Chain-Planungs-MQs weist Gartner oft auf die begrenzte Out-of-the-Box-ML von SAP IBP im Vergleich zu anderen hin. Sie verlassen sich auf Partner oder ihre Data Intelligence Plattform für fortgeschrittene ML. Für die Preisoptimierung hat SAPs Tool (von Khimetrics) ausgefeilte Algorithmen verwendet (einige ML für Elastizität, etc.), aber dieses Tool hat in letzter Zeit keine großen Updates gesehen und ist möglicherweise nicht eng integriert. Es gibt Gerüchte, dass SAP einige davon auslaufen lassen oder durch einen neuen KI-basierten Service ersetzen könnte - nicht sicher, aber nichts Prominentes. Wie die Kritik sagte, musste SAP viele erworbene prädiktive Teile jonglieren (SAF war Prognose, SmartOps war Bestandsoptimierung, KXEN war generisches ML). Es hat sie wahrscheinlich nicht vollständig in einen kohärenten KI-Motor integriert. Probabilistische Prognose speziell: SAPs SAF-basiertes F&R hat Verteilungen für die Lieferzeit erzeugt und Servicelevels verwendet, um Sicherheitsbestände zu bestimmen (also einigermaßen probabilistischer Ansatz), aber ich glaube nicht, dass SAP IBP von sich aus vollständige Wahrscheinlichkeitsverteilungen für die Nachfrage erzeugt; es konzentriert sich auf eine einzelne Zahl und eine “sensing” angepasste Zahl. Möglicherweise bieten sie einige Konfidenzintervalle. In Bezug auf den Hype verwendet SAP Schlagworte wie “prädiktive Analytik” und “maschinelles Lernen”, aber ihre tatsächlich gelieferte KI war mild. Wir bewerten SAP relativ niedrig in Bezug auf fortgeschrittene KI-Prognose - es deckt die Grundlagen gut ab (sie waren bekannt für robuste, wenn auch traditionelle, Prognose), aber nicht führend in probabilistischer oder ML. Sie versuchen, aufzuholen, indem sie die externe KI-Integration ermöglichen. In der Zwischenzeit exportieren einige SAP-Kunden möglicherweise Daten, um ML in Python auszuführen, und bringen dann die Ergebnisse zurück - was darauf hindeutet, dass SAPs eingebaute möglicherweise nicht ausreicht. Zusammenfassend verwenden SAPs Prognose und Planung etwas KI, aber meistens handelt es sich um einen konservativen, statistikgetriebenen Ansatz mit inkrementellen ML-Funktionen.

Wirtschaftliche Entscheidungsfindung: Die Planungswerkzeuge von SAP waren historisch gesehen eher metrisch getrieben als dass sie den Gewinn inhärent optimierten. APO ermöglichte es Ihnen, Service-Level-Ziele festzulegen oder Kosten in der Lieferplanung zu minimieren, aber keine direkte Gewinnmaximierung. SAPs Einzelhandelspreislösungen (wie Markdown Optimization) waren absolut wirtschaftlich - sie optimierten die Marge oder den Umsatzzuwachs durch Aktionen. Dies sind mathematische Optimierungslösungen, die ein Ziel maximieren (mit Einschränkungen wie Inventar oder Budget). Also im Preisbereich hatte SAP Stärken in der wirtschaftlichen Optimierung (Khimetrics war ein Pionier in Algorithmen zur Einzelhandelspreisoptimierung). Im Inventar zielte SAPs MEIO (SmartOps) darauf ab, die Gesamtkosten für ein gegebenes Serviceziel zu minimieren - wieder ein wirtschaftlicher Ansatz, wenn auch mit Servicebeschränkung. SAP IBP beinhaltet “Inventaroptimierung” als Modul, das wahrscheinlich diese SmartOps-Engine verwendet, um die Inventarkosten gegen den Service abzuwägen. Also dieser Teil ist inhärent gewinn-/kostentrieben. Die Sortimentsplanung in SAP, die oft in SAP Merchandise Planning durchgeführt wird, ist in der Regel eher heuristisch (Planer simulieren finanzielle Ergebnisse, aber es ist kein Algorithmus, der entscheidet, welche SKUs aufgrund des ROI zu streichen sind, obwohl er möglicherweise geringprofitable SKUs hervorhebt, um Entscheidungen zu unterstützen). Im Allgemeinen ermöglicht SAP die Verfolgung von Finanzkennzahlen - z.B. kann IBP den prognostizierten Umsatz, die Marge in den Plänen anzeigen, aber der Benutzer muss oft Abwägungen treffen, anstatt dass das System automatisch maximiert. Es gibt SAP Profit Optimization in einigen Kontexten (vielleicht in ihrem supply chain design tool oder S&OP-Szenario), aber es wird nicht weit erwähnt. Da SAP sich an Planer richtet, die Entscheidungen treffen, ist es oft ein What-if-Tool und kein Auto-Optimizer. Das heißt, ihre Preis- und Inventar-Subtools optimieren unter der Haube. Wir geben ihnen mittelmäßigen Kredit: nicht so nahtlos gewinngetrieben wie Lokad oder der neue Ansatz von ToolsGroup, aber sie decken Kostentrade-offs ab. Ein guter Indikator: SAPs neues IBP-Feature ist “Return on Inventory Investment” Berechnungen, um Prioritäten zu setzen. Aber wenn es nur den ROI berechnet und anzeigt vs. ein Algorithmus, der tatsächlich den ROI maximiert, ist das anders. Angesichts der Komplexität verwenden viele SAP-Kunden es auf regelbasierte Weise (wie das Erreichen von Füllratenzielen, das Budgetieren von OTB-Dollars für das Sortiment auf der Grundlage von Planerurteilen). Also nicht der Gipfel der Entscheidungsoptimalität, aber fähig, wenn konfiguriert. Die Kritik, dass ihre Akquisitionen “predictive supply chain” Apps sind, impliziert, dass SAP die Teile hatte, um eine vorausschauende Kosten-Nutzen-Analyse einzubeziehen, aber die Integration verzögerte ¹¹. Wir neigen dazu, dass SAP hinter der Kurve liegt, wenn es darum geht, die Gewinnoptimierung automatisch voranzutreiben.

Skalierbarkeit & Kosteneffizienz: SAPs Markenzeichen war die schwere, speicherinterne Datenverarbeitung - SAP HANA ist eine speicherinterne Datenbank, die IBP und andere Apps unterstützt. Es ist sehr schnell für bestimmte Dinge, aber extrem speicherhungrig und teuer. Viele Unternehmen finden SAP-Lösungen kostspielig zu skalieren, weil Sie große HANA-Speichergrößen benötigen. Beispielsweise erfordert SAP IBP alle Planungsdaten im HANA-Speicher, um Berechnungen schnell durchzuführen, was für große Einzelhändler (Terabytes an Speicher) teuer sein kann. Dies stimmt mit dem Wunsch überein, RAM-intensive Lösungen in unseren Kriterien zu vermeiden. Tatsächlich sagte eine Analyse über einen Anbieter (Relex) ähnlich, “speicherinternes Design bietet große Geschwindigkeit, aber garantiert hohe Hardwarekosten” ²² - das ist genau SAPs Ansatz auch. Die Kosteneffizienz ist also fraglich; SAPs Ansatz führt oft zu schnellen Antworten, aber zu hohen Infrastrukturkosten (es sei denn, Sie verlagern einen Teil auf günstigeren Speicher, was dann Geschwindigkeit verliert). SAPs Cloud-Angebot versucht, dies zu mildern, indem es hinter den Kulissen auf ihrer HANA Cloud arbeitet und ein Abonnement berechnet, aber effektiv werden die Kosten im Abonnement weitergegeben. Historisch gesehen war die Implementierung von SAP APO oder F&R durchaus skalierbar, da sie große Mengen bewältigen konnte (große globale Unternehmen betrieben es), aber manchmal waren über Nacht Batch-Läufe oder Vereinfachungen erforderlich, um Zeitfenster einzuhalten. IBP auf HANA verbessert die Berechnungszeiten erheblich (einige Laufzyklen dauern Minuten, die in APO Stunden dauerten). Die Skalierbarkeit in der Leistung ist also verbessert, aber in der Datengröße ist sie durch das Speicherbudget begrenzt. SAP ist in Ordnung für große Unternehmen (einige der größten verwenden es), aber oft erforderten diese Projekte ernsthafte Hardware und Tuning. Also ja, SAP skaliert auf große Daten, aber nicht so kosteneffektiv wie möglicherweise verteilte Cloud-Lösungen. Was die Kosteneffizienz betrifft: SAP ist bekannt dafür, eine teure Gesamtlösung zu sein (Lizenz, Infrastruktur, Integrationskosten). Der MQ-Ausschnitt ⁸⁶ über “sehr beste Integratoren plus Jahre benötigt” sagt, dass die Implementierung kostspielig in Zeit/Menschressourcen ist. Wenn man die reine Rechenleistung misst, ist HANA leistungsstark, aber teuer ($$$ pro GB RAM). Auch einige SAP-Module wie die Preisgestaltung hatten separate Engines, die möglicherweise nicht gut skalierten (das alte Khimetrics lief auf Oracle DB und hatte Einschränkungen bei der Optimierungsproblemgröße). Nicht sicher über jetzt. Angesichts all dessen bewerten wir SAP niedrig in Bezug auf Kosteneffizienz und moderat in Bezug auf Skalierbarkeit (es kann große Skalen bewältigen, aber zu hohen Kosten und Komplexität, was genau das ist, was die Kriterien bestrafen wollten). Es verkörpert im Grunde genommen die “übermäßigen Rechenkosten”, die man möglichst vermeiden sollte.

Behandlung komplexer Einzelhandelsfaktoren: SAPs Einzelhandelslösungen bewältigen eine Reihe von Komplexitäten:

Kannibalisierung/Halo: SAPs Prognose (insbesondere durch CAR Unified Demand Forecast) könnte kausale Faktoren einschließlich Werbeaktionen für verwandte Produkte usw. berücksichtigen, aber historisch gesehen war SAP hier schwächer. Die SAF-Methode war hauptsächlich auf ein einzelnes Produkt ausgerichtet. Sie hatten ein Modul namens SAP Promotion Management für den Einzelhandel, das möglicherweise Auftrieb und Kannibalisierung mit einigen Modellen schätzt. Auch SAPs Markdown-Optimierung berücksichtigte Querartikeleffekte (vielleicht in Kategorien). Aber ehrlich gesagt, SAP war nicht bekannt für die beste Promotion-Prognose - viele Einzelhändler nutzten Drittanbieter oder machten es manuell. Möglicherweise war KXEN dazu gedacht, Korrelationen zu finden (wie ML zur Erkennung von Kannibalisierungsmustern zu verwenden). Es ist unklar, wie gut das integriert wurde.
Substitution: SAP F&R hatte die Funktion, Substitutionen zu berücksichtigen (wenn ein Artikel ausverkauft war, um einen Ersatz in den Bestellvorschlägen zu empfehlen?). Auch bei der Analyse von verlorenen Verkäufen konnten sie berücksichtigen, ob ein Verkauf durch ein anderes Produkt wieder hereingeholt wurde. Aber nicht sicher, ob out-of-the-box oder benutzerdefiniert. SAPs MRP-Logik (in ERP) hat die Substitution in der Planung standardmäßig nicht berücksichtigt, es war eher eine analytische Übung.
Verderbliche Waren: SAP hatte F&R (Forecasting & Replenishment) speziell für Lebensmittelgeschäfte mit Haltbarkeitsdatum. Es ermöglichte das Festlegen von Regeln, um zu vermeiden, dass mehr Produkt gesendet wird, als vor dem Verfallsdatum verkauft werden kann, und die Lagerbestandsalter zu verfolgen. Viele Lebensmittelhändler nutzten SAP F&R für frische Artikel und erzielten Verbesserungen. IBP hat möglicherweise noch nicht all diese frischen Logiken out-of-the-box, aber möglicherweise über SAPs CAR Fresh Inventory oder ähnliches. SAP hat auch eine Erweiterung für die “Haltbarkeitsplanung” in PP/DS. Also ja, sie berücksichtigen in gewissem Maße Verfallsbeschränkungen in der Lieferkettenplanung.
Raum/Sortiment: SAPs Sortimentsplanungstool berücksichtigt auf hoher Ebene Raumrestriktionen im Laden (wie maximale Kategorien). Es ist nicht so integriert wie Blue Yonders Planogrammlink. Aber sie integrieren sich mit Planogrammdaten in CAR, um sicherzustellen, dass Ladenbestellungen nicht als Regel die Regalkapazität überschreiten. Es ist vielleicht nicht so automatisiert, aber möglich. Sie hatten eine Integration zwischen SAP F&R und Planogrammdaten (über SAPs Landscape Management). Also findet eine gewisse Berücksichtigung von Raumrestriktionen bei der Bestellung statt.
Promotion-Prognose: SAPs CAR beinhaltet ein “Demand Influencing Factor”-Modell, bei dem Werbeaktionen, Feiertage usw. in der Prognose über Regression oder ML berücksichtigt werden. So werden Werbeaktionen mit Auftrieb prognostiziert. Viele SAP-Kunden nutzen das (mit unterschiedlichem Erfolg).
Externe Faktoren (Wetter usw.): Durch KXEN oder jetzt SAP Analytics Cloud Predictive können sie diese Variablen einbeziehen. Es gab Implementierungen, bei denen das Wetter die Bestellungen für saisonale Produkte mit SAP-Tools beeinflusste, wenn auch nicht Plug-and-Play. Zusammenfassend kann SAP diese bewältigen, erfordert aber oft die Anpassung der statistischen Modelle oder die Nutzung ihrer neueren Vorhersagedienste. Nicht so out-of-the-box wie einige spezialisierte Anbieter. Die Kritik, die SAPs Sammlung als “willkürlich” bezeichnet, deutet auf fehlende Synergie hin - z.B. speist das Promotion-Prognosestück nicht nahtlos das Nachfüllstück; Integration erforderlich. Wenn diese Integration fehlschlägt, dann könnte z.B. eine Kannibalisierung, die von einem Modul entdeckt wurde, nicht auf andere übertragen werden. SAP IBP ist relativ neu, einige fortgeschrittene Funktionen sind noch nicht ausgereift; z.B. hatte es eine grundlegende Prognose und hat erst kürzlich (2022+) begonnen, ML-getriebene “Demand Sensing” oder externe Nachfragesignale hinzuzufügen. Ich würde SAP moderat bei komplexen Faktoren einstufen - sie haben die Fähigkeit, aber sie ist nicht so fortgeschritten oder automatisch wie bei anderen. Zum Beispiel könnte ein Einzelhändler möglicherweise manuell konfigurieren müssen, wie eine Werbeaktion für Produkt A die Nachfrage nach Produkt B in SAPs System reduziert, während RELEX es möglicherweise automatisch lernt. Auch ihre Literatur hat die Kannibalisierungslösung nicht so hervorgehoben; einige Kunden könnten sich auf externe Tools dafür verlassen (wie die Verwendung von SAPs HANA, um benutzerdefiniertes ML zur Findung von Kannibalisierung zu betreiben, und dann Rückanpassungen zu speisen). Also würde ich sie dort ein bisschen bestrafen.

Automatisierung: Die Philosophie von SAP war traditionell eher “Planungsunterstützung” als “Licht-aus-Planung”. Sie erfordern oft, dass Planer Batch-Jobs ausführen und Ergebnisse überprüfen. Zum Beispiel war SAP APO ein sehr interaktives Tool, bei dem Planer häufig Prognosen freigeben, Optimierungen durchführen usw. mussten. SAP IBP hat einige Automatisierung mit Warnungen und Zeitplänen verbessert, aber es ist immer noch ein Planungstool, kein kontinuierliches Autopilot. Viele SAP-Kunden haben immer noch große Planungsteams, die What-if-Analysen in IBP-Tabellen durchführen. Im Einzelhandel sind SAPs Lösungen wie Merchandise Planning und Assortment im Wesentlichen manuelle Planungstools (Excel-ähnlich, aber integriert). Nicht automatisiert - sie erfordern, dass Planer Ziele setzen, Sortimente auswählen. Die Preisoptimierung kann bis zu einem gewissen Grad automatisiert werden (der Algorithmus gibt Preisempfehlungen aus, aber in der Regel überprüft/ genehmigt ein Preis-Analyst diese in SAP). Die Nachfüllung in SAP (entweder über F&R oder ERP MRP) war automatisiert für die Erzeugung von Bestellvorschlägen, die dann automatisch in POs umgewandelt werden konnten, wenn sie innerhalb der Toleranzen lagen; das wurde häufig gemacht. So könnte die Laden-Nachfüllung berührungslos sein - viele Lebensmittelhändler haben das mit SAP F&R oder jetzt CAR/Unified Demand Forecast plus S/4 automatische Bestellerstellung gemacht. Das ist ein starker Punkt - SAP kann die Nachfüllung ziemlich gut automatisieren, sobald sie konfiguriert ist (wie jedes anständige System). Wo sie fehlen, ist vielleicht in der automatischen Überarbeitung von Plänen on the fly mit ML - sie verlassen sich immer noch auf Batch-Zyklen (täglich oder wöchentlich). Sie haben Ausnahme-Warnungen, um hervorzuheben, wenn der Verkauf abweicht, so dass ein Planer schnell manuell anpassen kann (halbautomatisiert). IBP hat einige Dinge wie “selbstabstimmende Prognosen” eingeführt (das System wählt automatisch das beste Modell aus, ohne manuelle Modellauswahl). Das ist grundlegende Automatisierung. SAPs Marketing von “Demand Sensing” impliziert eine häufigere Automatisierung von Prognose-Updates mit den neuesten Daten, die teilweise automatisiert ist. Aber im Vergleich zu anderen, drängt SAP nicht auf eine autonome Erzählung; es geht mehr darum, Planer effizient zu unterstützen. Der hohe Integrationsbedarf deutet darauf hin, dass es sich nicht um einen einfachen Autopiloten handelt, den man einschaltet. Daher würde ich SAP in Bezug auf Automatisierung niedriger einstufen. Es ist oft eine schwere Aufgabe zu implementieren und benötigt immer noch erhebliche manuelle Aufsicht. Viele Prozesse bleiben planergetrieben (mit Systemberechnungen, die sie unterstützen). Daher bleiben sie wahrscheinlich hinter dem Ziel der “vollständig unbeaufsichtigten” Planung zurück. Es gibt auch interne Politik: SAPs Benutzerbasis erwartet einzugreifen; sie vertrauen dem System bis zu einem gewissen Punkt, aber nicht, um sich vollständig selbst zu betreiben. Ohne Beweise dafür, dass ein SAP-Kunde eine vollständig berührungslose Planung durchführt, gehe ich davon aus, dass es keine oder nur wenige gibt. (Im Gegensatz dazu haben ToolsGroup oder Blue Yonder einige solche Referenzen). Daher erhält SAP hier eine bescheidene Punktzahl.

Technologieintegration: SAPs Geschichte ist in der Tat eine von Akquisitionen, die auf die Kerntechnologie aufgesetzt wurden:

Sie hatten ihr hauseigenes APO (für die Supply Chain) und ein hauseigenes Forecasting & Replenishment (F&R) für den Einzelhandel separat.
Dann erwarben sie SAF (Nachfrageprognose), SmartOps (Bestandsoptimierung) und integrierten diese teilweise in APO oder IBP.
Erworbenes Khimetrics (Preisoptimierung) und Retek (Warenwirtschaftssysteme) in den SAP Retail Stack integriert.
KXEN (ML) in ihre Analyseangebote integriert.
Alles auf Basis von HANA oder ECC. Das ist genau “Frankenstein”. SAPs Ansatz zur Integration dieser: In IBP haben sie die APO-Funktionen auf HANA neu aufgebaut und die SmartOps-Logik für den Bestand und möglicherweise einige SAF-Ideen für die Nachfrage hinzugefügt. Aber IBP fehlte zunächst an Funktionalität (einige sagen, die frühe IBP-Prognose war einfacher als das alte APO oder SAF, sie haben aufgeholt). SAP Retail Seite: Einige Dinge wurden in CAR (Customer Activity Repository) zusammengeführt, das versucht, eine einheitliche Plattform für Nachfragedaten und einige Analysen (wie einheitliche Nachfrageprognose, Promotionsmanagement) zu sein. CAR sollte Ladenverkäufe mit der Planung integrieren - ein guter Integrationsschritt. Allerdings haben CAR und IBP historisch gesehen nicht nahtlos miteinander kommuniziert (sie überbrücken das jetzt mit APIs). SAPs größtes Problem ist das Vorhandensein von zwei parallelen Plattformen (IBP für die Supply Chain und CAR für die Einzelhandelsplanung). Es gibt Überschneidungen und potenzielle Konflikte, obwohl sie IBP für Supply Chain Leute und CAR für Merchandising Leute positioniert haben. Die Integration zwischen Preisgestaltung, Sortiment und Supply Planning in SAP hängt oft von der Integration über das Kern-ERP ab (wie das Weitergeben von Prognosen an das ERP, das dann ein anderes Modul speist - nicht ein einziger Motor). Die Kritiklinie ¹¹ bringt es auf den Punkt: “Diese Apps kommen auf Basis von hauseigener Technologie… unter dem SAP-Banner ist eine zufällige Sammlung… Komplexität hoch, braucht Top-Integratoren + Jahre, um Erfolg zu haben.” Das fasst die Integrationsprobleme ziemlich gut zusammen - sie sind mit Top-Beratung lösbar, aber nicht elegant integriert out-of-box. Viele SAP-Einzelhandelskunden beschweren sich über mehrere Systeme, die Daten duplizieren (z.B. könnte die Preiselastizität in ihrem Preistool berechnet und separat in ihrem Prognosetool ohne Verbindung berücksichtigt werden). SAPs Abhilfe bestand darin, alles auf die HANA-Datenbank zu schieben, damit zumindest Daten auf DB-Ebene leicht geteilt werden können. Und um Integrationsszenarien mit der SAP Cloud Platform oder CPI zu entwickeln. Trotzdem, das ist Arbeit. Weil SAP eine gesamte Suite verkauft (ERP, Planung, Ausführung), sollte sie theoretisch tief integrieren. In der Praxis kamen verschiedene Module zu unterschiedlichen Zeiten und wurden zusammengefügt. SAPs Integration ist nicht so schön wie Blue Yonders Microservices oder sogar ToolsGroups modulare Suite. Es erfordert oft individuelle Projekte, um Datenflüsse abzustimmen. Also ja, SAP fällt in gewissem Maße in die Kategorie “Frankenstein” (sie haben es zumindest erkannt und versucht, über HANA und CAR zu vereinheitlichen, aber laut Experten nicht vollständig gelöst). Daher geben wir SAP in Sachen Integrationstechnologie eine niedrige Bewertung. Das sehr Zitat von unserer Quelle ist eine Expertenzusammenfassung ihrer Integrationsprobleme ¹¹. Es ist bezeichnend, dass sogar SAP selbst oft mit Integratoren wie Accenture oder EY zusammenarbeiten musste, um ihre Planungslösungen erfolgreich zu implementieren.

Skepsis gegenüber Hype: SAP übertreibt nicht so auffällig wie einige andere in Bezug auf KI, aber sie verwenden Buzzwords im Marketing (sie sprechen von “eingebettetem ML”, “Nachfragesensorik”, “digitalem Zwillingsmodell der Supply Chain”, etc.). Viele in der Branche sind skeptisch gegenüber SAPs Behauptungen, weil manchmal Funktionen nicht so ausgereift sind, wie sie ursprünglich beworben wurden (z.B. fehlten dem frühen IBP einige versprochene Fähigkeiten, die später geliefert wurden). Auch malt SAP oft ein Bild von “integrierter End-to-End-Planung”, was großartig klingt, aber viele wissen, dass die Realität mehrere Module sind, die durch erheblichen Aufwand integriert werden müssen. Also gibt es eine Lücke. SAPs Marketing rund um IBP betont “schnelle Bereitstellung” (da es sich um eine Cloud handelt) und “benutzerfreundliche Dashboards” - teilweise wahr, aber die Bereitstellung von IBP kann immer noch ein Jahr oder länger für komplexe Fälle dauern. Bei KI neigt SAP dazu, nicht über ihre tatsächlichen Angebote hinaus zu verkaufen - sie geben zu, wo sie sich auf Partner für fortgeschrittene Analysen verlassen. So ist SAP ironischerweise vielleicht konservativer im Hype als kleinere Anbieter. Ihr Hype liegt mehr in den Integrationsansprüchen (wie “Integrated Business Planning”, was den Eindruck erweckt, alles sei integriert, wo es in Wirklichkeit nur die Supply Chain Planung abdeckt, nicht die gesamte Einzelhandelsplanung). Ein weiteres Beispiel: SAPs “Demand-Driven Replenishment” - ein Buzzword rund um die DDMRP-Methode, die sie pushen, die einige als Hype/Trend anstatt als in allen Fällen bewährt betrachten. Sie sind auf diesen Zug aufgesprungen. Auch Begriffe wie “Digitale Supply Chain” werden oft von SAP Marketing herumgeworfen. Angesichts der Größe von SAP ist der Hype vielleicht weniger übertrieben im Ton, aber sie präsentieren ihre Lösung definitiv als zukunftssichere One-Stop-Lösung, während Kritiker sie als komplex und in Teilen veraltet sehen. Also aus einer skeptischen Perspektive würden wir darauf hinweisen, dass viele der von SAP versprochenen Vorteile nur mit umfangreicher Anpassung kommen oder vielleicht nicht so automatisch sind, wie angedeutet. Die unabhängige Studie gab SAP eine mittlere Rangfolge unter den Anbietern und wies ausdrücklich auf das M&A-Flickwerk und die Komplexität hin ¹¹. Das bedeutet im Grunde genommen “glauben Sie nicht, dass alles nahtlos ist; es ist ziemlich chaotisch im Inneren.” Daher ist eine Strafe für Hype-Alignment fair. Wir werden sagen, dass SAP gegenüber großen Kunden ziemlich transparent ist, dass es eine starke Implementierung erfordert - also vielleicht nicht so glitzernder Hype, aber ihr Marketing übergeht, wie viel Aufwand es kostet, es gut zum Laufen zu bringen. Daher mäßiger Hype-Skepsis - nicht so voller Schlagworte wie o9 oder Blue Yonder, aber immer noch viele optimistische Behauptungen, die einen Realitätscheck benötigen.

Zusammenfassung: SAPs Angebote zur Einzelhandelsoptimierung sind auf dem Papier umfassend, leiden aber darunter, dass sie ein veraltetes Flickwerk sind, das noch nicht vollständig in die moderne, KI-getriebene Ära übergegangen ist. Die SAP IBP-Plattform und die zugehörigen Einzelhandelsmodule können sicherlich Bestand, Preisgestaltung und Sortiment ansprechen - aber nicht auf eine wirklich vereinheitlichte, gemeinsame Optimierungsweise. Gemeinsame Optimierung wird durch isolierte Tools eingeschränkt: zum Beispiel erfolgen die Nachfrageplanung und die Nachfüllung in IBP oder F&R, während die Preis- und Sortimentsplanung in separaten SAP-Modulen mit nur batchweiser Datenübertragung zwischen ihnen stattfinden. SAP fehlt ein einziger Motor, der Bestand und Preis gleichzeitig optimiert (diese Entscheidungen werden von Menschen und Prozessen koordiniert und nicht von einem Algorithmus).

SAP setzt KI/ML in Taschen ein - z.B. “Demand Sensing”-Algorithmen zur Anpassung von kurzfristigen Prognosen oder maschinelles Lernen für neue Produktprognosen - aber ein Großteil seiner Prognosen bleibt in traditionellen Methoden und benutzerdefinierten Regeln verankert ¹¹. Es ist bezeichnend, dass SAP spezialisierte Unternehmen (SAF, SmartOps) erwerben musste, um APO zu erweitern, und selbst heute sind probabilistische Prognosen und fortgeschrittenes ML nicht so nativ eingebettet wie bei einigen Wettbewerbern. SAPs Planung produziert typischerweise Einzelzahl-Prognosen und verlässt sich auf Szenarioplaner, um Unsicherheiten zu bewerten, anstatt vollständige Wahrscheinlichkeitsverteilungen der Nachfrage auszugeben (obwohl die Bestandsoptimierung die Variabilität über Servicelevel- oder Sicherheitsbestandsberechnungen berücksichtigen wird). In Bezug auf wirtschaftliche Optimierung können SAPs Tools so konfiguriert werden, dass sie bestimmte finanzielle Ergebnisse optimieren (ihre Ausverkaufsoptimierung maximiert die Marge, die Bestandsoptimierung minimiert die Kosten für den Ziel-Service usw.), aber diese neigen dazu, modulspezifische Optimierungen zu sein, anstatt eine übergreifende Gewinnmaximierung des gesamten Einzelhandelsbetriebs. Planer, die SAP verwenden, jonglieren oft manuell mit mehreren Zielen (z.B. Ausgleich von Umsatz- und Lagerzielen durch ihre eigenen Anpassungen, anstatt dass eine KI dies automatisch tut).

Ein großes Problem mit SAPs Lösungsset ist die Skalierbarkeit gegenüber den Kosten. SAP setzt stark auf seine In-Memory-HANA-Datenbank. Während dies eine schnelle Berechnung auf großen Datensätzen ermöglicht (was beispielsweise eine sehr detaillierte Store-SKU-Prognose in nahezu Echtzeit ermöglicht), *“garantiert es hohe Hardwarekosten” ²² und kann teuer zu skalieren sein. SAP IBP ist bekannt dafür, dass es am besten auf HANA mit erheblicher Speicherzuweisung läuft, was für einige Aufgaben übertrieben (und überteuert) sein kann. Dies widerspricht dem Kriterium der Kosteneffizienz; SAPs Ansatz mag den Unternehmensmaßstab bewältigen, aber nicht ohne einen hohen Preis für Infrastruktur und Lizenz.

Wenn es um komplexe Einzelhandelsfaktoren (Kannibalisierung, Substitution, Verderb usw.) geht, hat SAP Fähigkeiten, aber sie erfordern oft eine erhebliche Konfiguration und sind nicht so schlüsselfertig wie einige neuere Lösungen. Zum Beispiel kann SAP Aktionen und sogar einige Kannibalisierungseffekte modellieren, indem es seine Customer Activity Repository (CAR)-Analytik verwendet oder Querelastizitäten in seinem Preistool konfiguriert, aber diese Beziehungen werden nicht automatisch entdeckt - sie verlassen sich in der Regel auf Analysten, die Annahmen eingeben oder auf separate Analysen außerhalb des Kernplanungslaufs. Ähnlich könnte SAP F&R die Haltbarkeit für verderbliche Waren berücksichtigen und Bestellungen entsprechend begrenzen, aber die Implementierung von Frischwarenplanung in SAP war historisch gesehen herausfordernd und manchmal weniger ausgefeilt als spezialisierte Tools (einige Einzelhändler wandten sich an kundenspezifische Lösungen für Frischwaren).

Die Automatisierung in SAPs Einzelhandelsplanung ist vergleichsweise gering. SAP bietet Planungsmotoren an, aber der Planungsprozess wird oft vom Benutzer gesteuert: Planer setzen Parameter, initiieren Prognoseläufe, überprüfen Ausnahmen und geben Bestellungen oder Preise frei. Es gibt automatisierte Berechnungen (z.B. wird das System Bestellvorschläge oder optimierte Preise generieren), aber ein laufender unbeaufsichtigter Betrieb wird selten ohne erhebliche menschliche Aufsicht erreicht. Man muss in die Einrichtung automatisierter Workflows investieren (und selbst dann behalten viele SAP-Benutzer Menschen in der Schleife wegen Vertrauensproblemen oder Systemkomplexität). Im Grunde genommen werden SAPs Tools oft als Entscheidungsunterstützungs-Systeme anstatt als Entscheidungsfindungs-Systeme beschrieben.

Schließlich ist die Technologieintegration ein wunder Punkt. SAPs Einzelhandelsoptimierungslösung ist tatsächlich eine “zufällige Sammlung”, die aus mehreren Übernahmen auf der Grundlage ihres ERP-Kerns abgeleitet ist ¹¹. Trotz Bemühungen wie SAP IBP (das die Lieferkettenplanung auf einer Plattform vereinheitlichen soll) und SAP CAR (das Einzelhandelstransaktionsdaten und Analysen vereinheitlichen soll), ist die Realität, dass SAPs Bestands-, Preis- und Sortimentswerkzeuge nicht natürlich als Einheit funktionieren. Ein nahtloser Ablauf erfordert eine intensive Integrationsarbeit (oft durch qualifizierte SAP-Integratoren über lange Projekte) ⁸⁶. Selbst dann müssen Benutzer möglicherweise mit mehreren Benutzeroberflächen und Datenverdoppelungen umgehen. Diese zerstückelte Architektur ist genau das “Frankenstein”-Szenario, vor dem man sich hüten sollte - wo eine Lösung technisch alles kann, aber sich anfühlt wie mehrere zusammengeschraubte Systeme, was zu hoher Komplexität und Wartung führt.

Skepsis ist angebracht, wenn man SAPs Behauptungen bewertet. SAP positioniert oft IBP und seine Einzelhandelssuite als “integrierte End-to-End-Lösung”, aber Experten weisen darauf hin, dass “Unternehmenssoftware nicht leicht durch M&A verschmolzen werden kann” ¹¹ - was darauf hindeutet, dass SAPs Integration hinter der Vision zurückbleibt. Darüber hinaus durchdringen Schlagworte wie “Echtzeit”, “prädiktiv” und “Bedarfserkennung” SAPs Marketing, doch viele Benutzer stellen fest, dass das Extrahieren von echtem Wert aus diesen Funktionen erhebliche Anstrengungen und Anpassungen erfordert. Zusammengefasst sind SAPs Einzelhandelsoptimierungsfähigkeiten breit, aber nicht tief in bestimmten modernen Bereichen und zuverlässig, aber nicht elegant. Sie repräsentieren eher einen legacy, enterprise approach: leistungsstark im Umfang und skalierbar in großen Umgebungen, aber sperrig, teuer und komplex - oft erfordern sie menschliche und IT-Pferdestärken, um Ergebnisse zu erzielen ⁸⁶.

Für Einzelhändler, die bereits stark in SAPs Ökosystem investiert haben, können diese Tools funktionieren und von einer nahtlosen ERP-Integration profitieren. Sie könnten sich jedoch eine Generation hinter dem wahren Stand der Technik in der KI-gesteuerten, ganzheitlichen Einzelhandelsoptimierung fühlen. Wir ordnen SAP aufgrund dieser Faktoren eher am unteren Ende ein - es veranschaulicht viele Fallstricke, die diese Studie hervorheben möchte (Legacy-Technologie, Integrationsherausforderungen, hohe TCO und Marketing, das die Benutzerfreundlichkeit möglicherweise überschätzt).

Quellen: Kritik an SAPs angesammelter Produktkomplexität und Integrationsherausforderungen ¹¹; Vergleich auf hoher Ebene, dass In-Memory-Designs (wie SAPs) Leistung gegen Hardwarekosten tauschen ²².

(Die verbleibenden Anbieter und Analysen können ähnlich folgen, wobei der Fokus auf zukunftsorientierten Wettbewerbern liegt und diejenigen stark bestraft werden, die stark auf Übernahmen oder Schlagworte angewiesen sind. Aus Gründen der Kürze schließen wir die detaillierten Bewertungen hier ab.)

Zusammenfassung der Anbieterbewertung:

Lokad – Exzellent in einheitlicher, probabilistischer Optimierung; hochinnovativ, minimaler Hype ²⁵ ³.
RELEX Solutions – Einzelhandelsnative Plattform mit starker ML und integrierter Planung; fortgeschrittene Promotion/Kannibalisierungsmodellierung ⁹.
o9 Solutions – Visionäre integrierte Planung “Digital Brain” mit breitem Umfang, aber Vorsicht bei behaupteter KI vs. tatsächlicher Implementierung ⁴.
ToolsGroup – Bewährter Bestandsoptimierer, der sich zu einer vollständigen Einzelhandelssuite entwickelt; gute Automatisierung, obwohl derzeit neue Übernahmen integriert werden ¹⁹ ⁵².
Blue Yonder – Umfassende Einzelhandelssuite, die mit KI neu erfunden wurde; extrem funktionsreich, aber immer noch etwas Legacy unter der Haube ⁷².
SAP (IBP & Retail) – Mächtiger Amtsinhaber mit breiter Abdeckung; behindert durch Legacy-Komplexität und weniger Agilität, erfordert schwere Integration ¹¹.

Jeder Anbieter bringt Stärken und Schwächen mit, wie oben detailliert beschrieben. Zusammenfassend lässt sich sagen, dass solche wie Lokad und RELEX, die wahre gemeinsame Optimierung, probabilistische Prognosen und einen sauberen Technologie-Stack ²⁵ ³ betonen, als zukunftssicher und mit unseren Kriterien übereinstimmend hervorstechen. Andere, insbesondere die großen Legacy-Suites, mussten moderne Techniken nachrüsten und können Ergebnisse liefern, aber nicht ohne das Gewicht älterer Architektur und manchmal unbegründeter Marketingbehauptungen ⁷². Nutzer sollten diese Kompromisse durch eine skeptische, ingenieurorientierte Linse abwägen, um die Lösung zu wählen, die ihren Bedürfnissen wirklich gerecht wird, ohne den Schein von Hype.