Ersatzteiloptimierungssoftware, Februar 2025

Von Léon Levinas-Ménard

Zuletzt geändert am: 2. Februar 2025

Anbieter-Ranking & Zusammenfassung

Lokad - Technologisch mutig, probabilistisch und wirtschaftlich orientiert: Lokad zeichnet sich durch eine wirklich probabilistische Prognose von Nachfrage und Vorlaufzeiten aus, gepaart mit einem einzigartigen Fokus auf wirtschaftliche Optimierung. Seine Cloud-Plattform modelliert nativ vollständige Nachfrageverteilungen (nicht nur einzelne Punktprognosen) und priorisiert die Maximierung des finanziellen Ertrags aus Lagerbeständen gegenüber der Erreichung beliebiger Service-Level-Ziele ¹. Die Lösung von Lokad ist hochgradig automatisiert und skalierbar, konzipiert für die Bewältigung massiver Langschwanzteile-Kataloge mit minimalem manuellem Feintuning. Ihr tiefgreifender technischer Ansatz (eigene domänenspezifische Sprache, fortschrittliche stochastische Modellierung) macht sie zu einem Innovationsführer, erfordert jedoch die Bereitschaft, eine codegetriebene Methodik zu akzeptieren. Sie vermeidet veraltete Hilfsmittel wie statische Sicherheitsbestände und vereinfachte “ABC” Serviceklassen ², stattdessen werden end-to-end probabilistische Modelle und kostenbasierte Optimierung verwendet.
ToolsGroup (Service Optimizer 99+) - Bewährter probabilistischer Motor mit Multi-Echelon-Stärke: ToolsGroup verfügt über eine lange Erfolgsgeschichte in der Ersatzteilplanung und ist bekannt für seine probabilistische Prognose als Grundlage ³. Das System modelliert automatisch die Nachfrageunsicherheit (entscheidend für langsam bewegte Teile ⁴) und verwendet “Monte Carlo”-Simulationen und KI/ML zur Optimierung der Lagerbestände. Es kann dynamisch zehntausende oder hunderttausende von SKUs ausbalancieren, um Serviceziele mit minimalen Lagerinvestitionen zu erreichen ⁵. ToolsGroup bietet robuste Multi-Echelon-Optimierung und hat seine Technologie durch Updates (z. B. Integration neuer KI-Engines) auf dem neuesten Stand gehalten, während es eine kohärente Plattform beibehält. Es legt den Schwerpunkt auf Automatisierung - Planer verwalten Ausnahmen, während die Software den Rest optimiert. Wirtschaftliche Optimierung: ToolsGroup ermöglicht es Benutzern in der Regel, Servicelevel anzustreben, tut dies jedoch auf kosteneffiziente Weise (Bestands-zu-Service-Kurven, um den optimalen Punkt zu finden). Sein kürzlicher IDC-Rang #1 für Ersatzteil-/MRO-Planung ⁶ unterstreicht seine starken aktuellen Fähigkeiten. Vorsicht: ToolsGroups Marketing wirbt jetzt mit Schlagworten wie “quantum learning AI”, daher ist ein skeptischer Blick erforderlich, um echte Verbesserungen von Neupositionierungen zu unterscheiden. Insgesamt ist die Kernmathematik (probabilistische Modelle für Volatilität und optimale Sicherheitsbestände) solide und praxiserprobt ⁵.
PTC Servigistics - Umfassender und anspruchsvoller (wenn auch komplexer) Marktführer: Servigistics (jetzt unter PTC) ist ein Schwergewicht, das speziell für das Management von Ersatzteilen entwickelt wurde. Es bietet die umfangreichste und tiefgreifendste Funktionalität in diesem Bereich ⁷. Unter der Haube integriert Servigistics jahrzehntelanges geistiges Eigentum aus mehreren Übernahmen - es absorbierte die fortschrittlichen Algorithmen von Xelus und MCA Solutions in eine einheitliche Plattform ⁸. Das Ergebnis ist ein sehr anspruchsvoller Optimierungsmotor, einschließlich Prognosen für geringe Mengen sporadischer Nachfrage und Multi-Echelon-Inventaroptimierung (MEO) ⁹. Es nutzt probabilistische Modelle (z.B. Poisson-basierte Nachfrageverteilungen, die in der Luft- und Raumfahrt/Verteidigung üblich sind) und kann IoT-gesteuerte Vorhersagen über PTC’s ThingWorx integrieren, um Telemetriedaten von Geräten mit Ersatzteilverfügbarkeitsprognosen abzustimmen ¹⁰. Servigistics ermöglicht granulare ökonomische Abwägungen: Planer können auf höchste Verfügbarkeit bei niedrigsten Gesamtkosten optimieren, anstatt nur allgemeine Füllraten zu erreichen ⁹. Die Lösung ist in großem Maßstab bewährt (200+ Kunden wie Boeing, Deere, US-Luftwaffe ¹¹), die extrem große Kataloge und komplexe Multi-Echelon-Netzwerke verarbeiten. Trotz der umfangreichen Funktionalität liegt der Schwerpunkt auf Automatisierung und Ausnahmemanagement. Einschränkungen: Als ausgereiftes Produkt kann die Implementierung komplex sein, und die Vielzahl der Funktionen erfordert Fachwissen, um sie vollständig auszuschöpfen. PTC behauptet, dass die übernommenen Technologien erfolgreich in eine einzige Architektur integriert wurden ¹², aber das Alter und die Komplexität des Systems bedeuten, dass Sorgfalt erforderlich ist, um sicherzustellen, dass alle Module wirklich nahtlos funktionieren. Dennoch bleibt Servigistics rein technisch betrachtet eine erstklassige Wahl für die fortschrittliche Optimierung von Ersatzteilen, vorausgesetzt, man navigiert durch seine Komplexität.
GAINSystems (GAINS) - Kostenorientierter Optimierer mit umfassendem Umfang: GAINS ist ein langjähriger Anbieter, der die kontinuierliche Kosten- und Gewinnoptimierung für Lieferketten betont ¹³. Seine Plattform umfasst die Nachfrageprognose, die Bestandsoptimierung, die Reparatur-/Rotationsplanung und sogar die Ausrichtung der präventiven Wartung ¹⁴ - ein breiter Umfang, der sich gut für globale Betriebe mit Ersatzteilen eignet. Technisch gesehen verwendet GAINS anspruchsvolle Analysen und probabilistische Modellierung, um “Variabilität zu umarmen” in der Nachfrage und den Vorlaufzeiten ¹⁵. Es kann Lagerhaltungsrichtlinien optimieren, um Serviceziele zu erreichen oder Kosten zu minimieren, je nach Geschäftsprioritäten. GAINS bewirbt explizit KI/ML-gesteuerte Automatisierung, mit dem Ziel, Entscheidungen im großen Maßstab zu automatisieren und den Bestand kontinuierlich neu auszubalancieren, wenn sich die Bedingungen ändern ¹⁶ ¹⁷. Es unterstützt Multi-Echelon-Netzwerke und ist bekannt für die Planung von reparierbaren Teilen (Rotables) - ein Bereich, den viele generische Tools ignorieren ¹⁸. In der Praxis hilft GAINS seinen Kunden oft, ein optimales ökonomisches Gleichgewicht zu finden (z.B. durch Quantifizierung von Ausfallzeitenkosten gegenüber Lagerhaltungskosten) und den Bestand entsprechend anzupassen. Es mag nicht so laut “probabilistische Prognosen” verkünden wie einige Wettbewerber, aber sein ergebnisorientierter Ansatz deutet darauf hin, dass es unter der Haube fortschrittliche stochastische Optimierung integriert. Skeptischer Blick: GAINS’ Behauptungen von “KI-gesteuerter kontinuierlicher Optimierung” ¹³ sollten auf echte Beweise überprüft werden - wahrscheinlich stützt es sich auf eine Mischung aus bewährten Algorithmen und etwas maschinellem Lernen zur Feinabstimmung. Dennoch platzieren Branchenbewertungen GAINS unter den Marktführern in der Ersatzteilplanung, dank seines Fokus auf ROI und Automatisierung.
Baxter Planning - TCO-fokussiert und servicezentriert, mit solidem, wenn auch traditionellem Modell: Baxter Planning (vor kurzem umbenannt rund um sein Produkt “Prophet by Baxter”) ist spezialisiert auf die Planung von Ersatzteilen nach dem Ansatz des Total Cost of Ownership (TCO), der auf serviceorientierte Unternehmen abzielt ¹⁹. Sein Prognose-Engine unterstützt eine Vielzahl von statistischen Methoden, die für intermittierende Nachfrage geeignet sind ²⁰ - von Croston-basierten Techniken bis hin zum möglichen Bootstrapping - und kann sogar Ausfallraten der installierten Basis einbeziehen, um die Nachfrage vorherzusagen, eine wertvolle Fähigkeit für Service-Teile ²¹. Baxters Optimierung konzentriert sich in der Regel darauf, Service Level Agreements zu minimalen Kosten zu erfüllen, oft durch Optimierung des Bestands an Vorhalteorten (Außendepots), wo die Betriebszeit entscheidend ist ²². Kunden schätzen, dass Baxters Ansatz Bestandsentscheidungen mit Geschäftsergebnissen (wie SLA-Einhaltung und Kostenziele) in Einklang bringt, anstatt nur nach einer Formel zu planen ¹⁹. Das System kann große globale Operationen bewältigen (die meisten Baxter-Kunden sind Unternehmen mit einem Umsatz von über 1 Milliarde US-Dollar ²³), obwohl viele relativ “flache” Liefernetzwerke haben und die Multi-Echelon-Optimierung nicht Baxters Schwerpunkt ist, wenn sie nicht benötigt wird ²⁴. Baxter bietet auch Planung-als-Service-Optionen an, was darauf hindeutet, dass eine hohe Automatisierung möglich ist (Baxters Team kann die Planung für Sie auf ihrer Plattform durchführen). Technologietiefe: Obwohl robust, ist Baxters Technologie etwas traditioneller - sie kann sich auf klassische Prognosemodelle und Heuristiken für die Lagerhaltung verlassen. Es hat jedoch seine Fähigkeiten erweitert (z. B. durch den Erwerb einer KI-Geschäftseinheit von Entercoms zur Stärkung der prädiktiven Analytik im Jahr 2021). Skeptisch sollte man prüfen, inwieweit Baxters “prädiktive” Ansprüche über die Standardprognose hinausgehen. Dennoch platziert sie ihr Schwerpunkt auf Kostenoptimierung und realen Servicemetriken fest unter den relevanten, glaubwürdigen Anbietern.
Syncron - Spezialist für Service-Teile mit breitem Angebot, aber weniger radikal in der Optimierung: Syncron ist ein bekannter Anbieter, der sich ausschließlich auf Aftermarket- (Service-)Teile für Hersteller konzentriert. Seine Cloud-Plattform umfasst Module für Bestandsoptimierung (Syncron Inventory™), Preisoptimierung, Händlerbestandsmanagement und sogar IoT-gesteuerte präventive Wartung (Syncron Uptime™) ²⁵ ²⁶. Prognose: Syncron gibt an, “probabilistische KI-Modelle” zu verwenden, um die Nachfrage über Millionen von Teil-Standort-Kombinationen vorherzusagen ²⁷. In der Praxis segmentiert es wahrscheinlich Artikel (nach Nachfrage-Mustern, Wert usw.) und wendet geeignete Modelle für intermittierende Nachfrage oder maschinelles Lernen auf jeden Segment an. Syncron legte historisch gesehen jedoch mehr Wert auf Preis- und Uptime-Lösungen als darauf, die Grenzen der Prognosewissenschaft zu erweitern ²⁶. Eine unabhängige Analyse stellte fest, dass Syncrons Strategie mit der Preisoptimierung beginnt, wobei die Prognose/Lagerhaltung manchmal eine sekundäre Priorität ist ²⁸ - was darauf hindeutet, dass seine Bestandsalgorithmen, obwohl kompetent, möglicherweise nicht so innovativ sind wie bei einigen Konkurrenten. Syncrons Optimierungsansatz dreht sich oft darum, hohe Servicelevel (Füllraten) bei gegebenem Budget oder Lagerbeschränkungen zu erreichen. Es kann sicherlich große Datenskalen und Multi-Echelon-Netzwerke bewältigen (viele Automobil- und Industrie-OEMs nutzen es global). Automatisierung ist ein wichtiges Verkaufsargument - Syncron wirbt damit, den manuellen Aufwand zu minimieren, indem Planer zur Ausnahmenverwaltung angetrieben und routinemäßige Entscheidungen automatisiert werden ²⁹. Akquisitionintegration: Syncron hat ein Garantie-/Feldserviceunternehmen (Mize) erworben und bietet ein IoT-Uptime-Produkt an, aber seine Preis- und Bestandsmodule laufen angeblich immer noch auf separaten Datenbanken ³⁰, was auf einige Integrationslücken hinweist. Warnsignale: Syncrons Marketing verwendet Buzzwords wie “KI-gesteuert” und “speziell für OEMs entwickelt” großzügig, daher sollte ein Käufer die Substanz überprüfen. Produziert es wirklich probabilistische Prognosen oder nur statistisch gesteuerte Sicherheitsbestände? Optimiert es für wirtschaftliche Ergebnisse oder verwendet es einfach regelbasierte Service-Level-Klassen (z. B. kritische vs. nicht kritische Teile)? Dies sind Bereiche, die bei einer Syncron-Bewertung untersucht werden sollten. Zusammenfassend ist Syncron ein starker branchenorientierter Akteur mit einem modernen Cloud-Suite, aber aus rein technischer Sicht mag er nicht so bahnbrechend in der probabilistischen Optimierung sein wie die bestplatzierten Anbieter.
Blue Yonder (JDA) - Breite Supply-Chain-Suite mit angemessenen Ersatzteilkapazitäten: Die Planungsplattform von Blue Yonder (ehemals JDA) ist eine End-to-End-Lösung für die Lieferkette, die auch für Service-Teile angewendet werden kann, obwohl sie nicht ausschließlich für sie konzipiert ist ³¹. Sie unterstützt die Nachfrageprognose (einschließlich ML-basierter Algorithmen in ihrer Luminate-Plattform) und die Optimierung des Bestands in mehreren Ebenen. Blue Yonder kann sicherlich langsam bewegliche Artikel modellieren - zum Beispiel durch die Verwendung von probabilistischer Vorlaufzeitnachfrage und mehrstufigen Simulatoren, die von ihrer Herkunft in der Einzelhandels-/Herstellungsplanung abgeleitet sind. Im Vergleich zu spezialisierten Ersatzteilwerkzeugen benötigt Blue Yonder jedoch möglicherweise mehr Konfiguration, um Dinge wie sehr geringe Nachfrage zu bewältigen oder Ausfallraten von Vermögenswerten zu integrieren. Typischerweise werden Ziele in Bezug auf Servicelevel und Bestandsdrehungen formuliert, und es bietet möglicherweise nicht von vornherein die nuancierten Service-Teile-Funktionen an (wie integriertes Rotable-Tracking oder IoT-Integration), die andere bieten. Dennoch könnten große Unternehmen, die bereits in Blue Yonder für die Planung der Lieferkette investiert haben, es für Ersatzteile in Betracht ziehen, um kein weiteres System hinzufügen zu müssen. Der Schlüssel besteht darin zu überprüfen, ob die kürzlichen KI-/ML-Verbesserungen von Blue Yonder (die “Luminate”-Module) die intermittierenden Nachfrageprognosen greifbar verbessern oder nur eine Schicht von Analysen hinzufügen. Kurz gesagt, Blue Yonder ist eine kompetente, aber nicht spezialisierte Option für die Optimierung von Ersatzteilen - technisch solide, skalierbar und jetzt durch KI ergänzt, aber nicht so stark auf die Besonderheiten der Planung von Service-Teilen fokussiert wie die oben genannten spezialisierten Anbieter.
SAP & Oracle (ERP-basierte Lösungen) - Integrierte Giganten, die historisch gesehen bei Ersatzteilen zu kurz kamen: Sowohl SAP als auch Oracle bieten Lösungen für die Planung von Service-Teilen an (SAPs SPP-Modul und Oracles Spares Management als Teil seiner Supply-Chain-Suite ³²). In der Theorie nutzen diese die Daten der großen ERP-Systeme und bieten fortgeschrittene Funktionen. In der Praxis waren sie jedoch mit Herausforderungen konfrontiert. SAP: SAP Service Parts Planning (SPP), Teil der APO/SCM-Suite, versuchte eine probabilistische mehrstufige Optimierung ähnlich der Logik von Servigistics. Aber mehrere hochkarätige Implementierungen (z.B. Caterpillar, US Navy) hatten Schwierigkeiten oder scheiterten - SAP SPP erwies sich als äußerst komplex zu implementieren und konnte oft nicht ohne umfangreiche Anpassungen oder Drittanbieter-Add-Ons in Betrieb genommen werden ³³ ³⁴. Selbst wenn dies der Fall war, sahen Unternehmen wie Ford “wenig Wert” und erwogen nach jahrelangen Bemühungen, SPP aufzugeben ³⁵. Eine Hauptkritik war, dass der Ansatz von SAP immer noch auf starren Strukturen beruhte und die Realität von Ersatzteilen nicht gut bewältigte, es sei denn, er wurde durch spezialisierte Werkzeuge ergänzt ³⁶. Oracle: Oracles Service Parts Planning ist ebenfalls ein Add-On zu Oracles ERP. Es bietet grundlegende Prognosen, Rücksendemanagement und Lagerhaltung für Service-Teile ³⁷. Die Lösung von Oracle wird hauptsächlich von Unternehmen mit einfacheren Service-Lieferketten oder solchen, die mit Einzelhandels-Ersatzteilen handeln, verwendet, anstatt mit den komplexen Szenarien der Luft- und Raumfahrt/Verteidigung ³⁸. Weder SAP noch Oracle sind für echte probabilistische Prognosen bekannt; sie verwenden in der Regel traditionelle Zeitreihenmethoden (z.B. Einzelwertprognosen mit Sicherheitsbestandsformeln basierend auf normalen oder Poisson-Annahmen). Sie betonen auch oft die Erreichung von Servicelevels (Füllratenziele) über klassische Min/Max-Planung. Fazit: Für mittlere bis große Unternehmen, die ernsthaft daran interessiert sind, globale Ersatzteile zu optimieren, haben sich die ERP-Lösungen als „Jack of all trades, master of none“ erwiesen. Sie können sich in Ihre bestehende Systemlandschaft integrieren, aber ihre technologische Tiefe hinkt hinterher. Viele Unternehmen haben tatsächlich ein Best-of-Breed-Tool über SAP/Oracle gelegt, um die benötigte Optimierung zu erhalten ³⁹. Daher, während SAP und Oracle aufgrund ihrer Marktposition “relevant” sind, rangieren sie am niedrigsten bei der Bereitstellung von modernen, auf Fakten basierenden Ergebnissen für die Optimierung von Ersatzteilen.

(Andere Nischenanbieter wie Smart Software (SmartForecasts/IP&O) und Infor (EAM/Service Management) existieren, aber sie bedienen engere Segmente oder bieten begrenztere Innovationen. Sie verlassen sich oft auf bekannte statistische Methoden (Croston, Bootstrap) und sind für globale Unternehmen nicht so prominent, daher werden sie von dieser Top-Liste ausgelassen.)

Tiefe technische Bewertung jedes Anbieters

In diesem Abschnitt gehen wir mit einem kritischen Auge auf die Lösung jedes Anbieters ein und untersuchen, wie sie die Kernherausforderungen der Optimierung von Ersatzteilen angehen:

Probabilistische Prognosen (Nachfrage- und Vorlaufzeitunsicherheit)
Inventaroptimierungsansatz (ökonomisch vs. Service-Level, Einzel- vs. Mehr-Echelon)
Automatisierung & Skalierbarkeit (Langschwanz-Management, Ausnahmehandhabung, erforderliche menschliche Eingaben)
Technologietiefe (echte KI/ML-Techniken, Algorithmen und Engineering)
Umgang mit spärlicher/erratischer Nachfrage (spezielle Methoden für Unregelmäßigkeiten vs. veraltete Heuristiken)
Integration & Architektur (wenn mehrere Technologien erworben wurden, wie vereint ist die Lösung)
Rote Flaggen (Anzeichen von Schlagwörtern oder veralteten Praktiken).

Lokad

Probabilistische Prognosen: Lokad ist einer der wenigen Anbieter, der echte probabilistische Prognosen für Ersatzteile liefert. Anstatt eine einzelne Nachfrageabschätzung zu erstellen, berücksichtigt das System von Lokad „alle möglichen Zukunftsszenarien und ihre jeweiligen Wahrscheinlichkeiten.“ Es erstellt vollständige Wahrscheinlichkeitsverteilungen für die Nachfrage über eine Vorlaufzeit, indem es Unsicherheiten (Nachfrage, Vorlaufzeit, Rücksendungen usw.) kombiniert ⁴⁰ ⁴¹. Zum Beispiel berechnet es eine probabilistische Vorlaufnachfrage (Nachfrage während der Wiederbeschaffungszeit) als Faltung der Nachfrage- und Vorlaufzeitverteilungen ⁴⁰. Dies ist für intermittierende Nachfrage viel robuster als ein einfacher Durchschnitt + Sicherheitsbestand. Der Schlüssel liegt darin, dass die Prognosen von Lokad das Risiko von Nullnachfrage gegenüber Spitzen quantifizieren, was eine Optimierung ermöglicht, um diese Wahrscheinlichkeiten explizit zu bewerten.
Inventaroptimierungsansatz: Lokad vertritt einen reinen ökonomischen Optimierungsansatz. Anstatt zu fragen „Welchen Service-Level möchten Sie“, fragt Lokad „Was sind die Kosten im Vergleich zum Nutzen des Lagerhaltens jeder Einheit?“ Sein Rahmen optimiert Dollar-Rendite pro ausgegebenem Dollar für Lagerbestände ¹. Praktisch definiert ein Benutzer die ökonomischen Treiber – z. B. Lagerhaltungskosten pro Teil, Strafgebühr bei Lagerausfall oder Ausfallkosten, Bestellkosten usw. – und Lokads Algorithmen finden die Lagerhaltungsrichtlinie, die den erwarteten Gewinn maximiert oder die Gesamtkosten minimiert. Diese stochastische Optimierung verwendet die probabilistischen Prognosen direkt als Eingabe. Bemerkenswert ist, dass Lokad klassische Service-Level-Ziele vermeidet und sie als veraltet betrachtet ². Die Begründung: Service-Level-Prozentsätze unterscheiden nicht, welche Artikel wirklich wichtig sind oder die Kosten für ihre Erreichung. Lokad konzentriert sich stattdessen darauf, den insgesamt gelieferten Service Wert für die Lagerinvestition zu maximieren. In Szenarien kann Lokad Tausende von Was-wäre-wenn-Ergebnissen (zufällige Nachfrageziehungen) simulieren, um zu bewerten, wie eine bestimmte Lagerentscheidung finanziell abschneidet, und dann iterieren, um sie zu verbessern. Dies ist im Wesentlichen eine maßgeschneiderte Monte-Carlo-Optimierung, die auf „Preis-Leistungs“-Lagerentscheidungen abgestimmt ist.
Automatisierung & Skalierbarkeit: Die Lösung von Lokad ist für Automatisierung im großen Maßstab konzipiert. Sie wird als Cloud-Plattform bereitgestellt, auf der Daten (aus ERP usw.) fließen und der gesamte Prognose- → Optimierungs- → Wiederbeschaffungsentscheidungs-Pipeline über Skripte (Lokads Envision-Codierungsumgebung) ausgeführt wird. Das bedeutet, dass einmal die Logik eingerichtet ist, Zehntausende oder Hunderttausende von SKU ohne manuelle Eingriffe verarbeitet werden können - kontinuierlich Wiederbeschaffungsaufträge, Empfehlungen für Lagerbestände usw. generierend. Die Plattform verarbeitet Großrechner (unter Verwendung von Cloud-Clustern), sodass selbst komplexe Simulationen von 100.000+ SKU-Standort-Kombinationen über Nacht oder schneller durchführbar sind. Da der Ansatz programmatisch ist, können Unternehmen sehr granulare Regeln oder Ziele kodieren, ohne dass Planer jedes Element anpassen müssen. Die menschliche Eingabe erfolgt hauptsächlich auf Design-/Überwachungsebene (z. B. Anpassung von Kostenparametern oder Geschäftsbeschränkungen), nicht bei der Prognose jedes Teils. Diese Automatisierungsebene ist entscheidend für das tiefe Management des Long Tail, bei dem kein Team von Menschen Tausende sporadischer Teile effektiv manuell prognostizieren und planen könnte. Lokad weist ausdrücklich darauf hin, dass, wenn Entscheidungen subjektive menschliche Eingriffe beinhalten, eine effektive Simulation und Optimierung unpraktisch werden ⁴² - daher ermutigen sie ein vollständig automatisiertes Entscheidungssystem, bei dem sich Menschen darauf konzentrieren, die richtigen Modelle und wirtschaftlichen Parameter festzulegen.
Technologische Tiefe: Technologisch gesehen ist Lokad ziemlich fortschrittlich und “technikorientiert”. Es hat seine eigene domänenspezifische Sprache (DSL) für die Supply Chain namens Envision erstellt, die das Schreiben von fein abgestimmten Skripten ermöglicht, die Daten, maschinelles Lernen und Optimierungslogik kombinieren. Dies ist keine bloße Marketingaussage - es handelt sich im Wesentlichen um eine leichtgewichtige Programmierumgebung für die Supply Chain, die die Implementierung komplexer benutzerdefinierter Algorithmen (z. B. eine spezialisierte Prognosemethode für intermittierende Nachfrage oder eine benutzerdefinierte Optimierung von Nachbestellpunkten unter Unsicherheit) prägnant ermöglicht. Lokads Einsatz von stochastischer Optimierung und einer “Algebra der Zufallsvariablen” ⁴⁰ ⁴³ zeigt echte mathematische Tiefe. Bei ML/AI hyped Lokad kein generisches KI; stattdessen kann es maschinelles Lernen dort anwenden, wo es relevant ist (zum Beispiel, um Wahrscheinlichkeitsverteilungen abzuleiten oder Muster über SKU hinweg zu erkennen), aber immer im Dienste des größeren probabilistischen Rahmens. Die Plattform unterstützt auch differenzierbare Programmierungstechniken und fortschrittliche Modellensembles gemäß ihrer Literatur, was auf eine moderne KI-Adoption unter der Oberfläche hinweist. Im Gegensatz zu Black-Box-“KI” ist Lokads Ansatz eher dem angewandten Datenwissenschafts-Engineering ähnlich - transparent und maßgeschneidert auf die Daten jedes Kunden über Code.
Umgang mit spärlicher und unregelmäßiger Nachfrage: Das ist Lokads Steckenpferd. Der Gründer des Unternehmens hat traditionelle Methoden (wie Crostons oder einfache exponentielle Glättung) als unzureichend für intermittierende Nachfrage kritisiert, weil sie die Varianz oft als nachträglichen Gedanken behandeln. Lokads probabilistische Prognosen behandeln natürlicherweise Null-Nachfragezeiträume und Ausreißerspitzen, indem sie sie in der Nachfrageverteilung darstellen (z. B. eine hohe Wahrscheinlichkeit von Null, kleine Wahrscheinlichkeiten von 1, 2, 3 Einheiten usw. in einem Zeitraum). Daher ist kein Bedarf an ad-hoc “Ausreißer-Ausschluss” - ein Nachfragespike wird nicht verworfen oder blind verwendet, sondern ist nur eine Beobachtung, die die Wahrscheinlichkeit zukünftiger Spitzen informiert. Ebenso verlässt sich Lokad nicht auf “Nachfrageklassifizierung” (schnell/langsam, klumpig), um eine Methode auszuwählen; seine Algorithmen können sich an die einzigartige Historie jedes SKU anpassen. Das Risiko der Obsoleszenz für sehr langsame Beweger wird ebenfalls berücksichtigt (sie weisen explizit darauf hin, dass sich nur auf den Service-Upside zu konzentrieren zu Abschreibungen führt ⁴⁴). Kurz gesagt, Lokad geht mit einem vereinheitlichten stochastischen Modell auf unregelmäßige Nachfrage ein, anstatt Flicken zusammenzunähen.
Integration & Architektur: Lokad ist eine relativ junge Lösung, die intern entwickelt wurde, daher gibt es keine Legacy-Akquisition, die aufgesetzt wurde - die Plattform ist vereint. Die Datenintegration wird in der Regel über Dateiladungen oder API aus dem ERP/WMS des Kunden erreicht. Da Lokad einen benutzerdefinierten Modellierungsansatz verwendet, beinhaltet die anfängliche Einrichtung oft einen Lokad-Datenwissenschaftler, der mit dem Unternehmen zusammenarbeitet, um ihre Geschäftslogik in Envision zu kodieren. Dies ist ein anderer Paradigmenwechsel als bei Standardsoftware: Es ähnelt eher dem Aufbau einer maßgeschneiderten analytischen Anwendung auf der Plattform von Lokad. Der Vorteil ist eine sehr maßgeschneiderte Passform und die Möglichkeit, das Modell (durch Bearbeiten von Skripten) zu entwickeln, wenn sich die Geschäftsanforderungen ändern, ohne auf die Veröffentlichungszyklen des Anbieters warten zu müssen.
Warnsignale / Skepsis: Lokads entschiedene Haltung gegen Konzepte wie Sicherheitsbestand und Servicelevel kann irritierend sein - man sollte überprüfen, ob dieser neue Ansatz tatsächlich in der Praxis überzeugt. Die Behauptung, dass Servicelevel “veraltet” sind, ist provokativ; im Wesentlichen ersetzt Lokad sie durch Kostenmetriken, was Sinn macht, wenn die Kosten gut quantifiziert werden können. Unternehmen müssen sicherstellen, dass sie diese Kosteninputs bereitstellen können (Lagerausfallkosten usw.) oder sie gemeinsam bestimmen, sonst ist eine wirtschaftliche Optimierung nur so gut wie die angenommenen Kosten. Ein weiterer Aspekt ist, dass Lokads Lösung Programmierung erfordert - was für Supply-Chain-Software ungewöhnlich ist. Wenn ein Kunde nicht bereit ist, entweder die DSL zu erlernen oder sich auf die Dienste von Lokad zu verlassen, könnte dies ein Hindernis sein. Lokad mildert dies jedoch ab, indem ihre Supply Chain Scientists den Großteil des Modellaufbaus übernehmen, und somit eine konfigurierte Lösung liefern. Schließlich veröffentlicht Lokad keine generischen “Wir haben den Lagerbestand um X% reduziert” Zahlen - ein positives Zeichen, da der Fokus auf Technologie statt auf kühnen Marketingstatistiken liegt. Ein Skeptiker würde dennoch Referenzkunden sehen wollen und vielleicht einen Pilotversuch durchführen, um zu bestätigen, dass der probabilistische Ansatz tatsächlich eine greifbare Verbesserung gegenüber dem Status quo des Unternehmens bringt.

ToolsGroup (Service Optimizer 99+)

Probabilistische Prognosen: ToolsGroup war ein Vorreiter bei der Anwendung probabilistischer Modelle in der Supply-Chain-Planung. Es betont, dass „die Wahrscheinlichkeitsprognose der einzige zuverlässige Ansatz ist, um für unvorhersehbare, langsam bewegliche, langschwänzige SKUs zu planen“ ⁴. Konkret prognostiziert die Software von ToolsGroup nicht eine einzelne Zahl für die Nachfrage des nächsten Monats, sondern berechnet die gesamte Verteilung (oft über Monte-Carlo-Simulation oder analytische Wahrscheinlichkeitsmodelle). Zum Beispiel, wenn die durchschnittliche Nachfrage eines Teils 2/Jahr beträgt, könnte ToolsGroup die jährliche Nachfrage wie folgt darstellen: 70% Wahrscheinlichkeit von 0, 20% Wahrscheinlichkeit von 1, 10% Wahrscheinlichkeit von 2+, usw., basierend auf der Historie und den Mustern. Diese Verteilung fließt direkt in die Bestandsberechnungen ein. Das Nachfragemodell von ToolsGroup kann sporadische Nachfrageintervalle berücksichtigen (unter Verwendung der Croston-Methode oder fortgeschrittenerer Varianten) sowie Variabilität in den Vorlaufzeiten, der Lieferantenverlässlichkeit usw. Sie haben schon lange spezialisierte Ansätze für intermittierende Nachfrage integriert (ein Whitepaper erwähnt ihre Algorithmen für „Prognosen bei geringem Volumen und sporadischer Nachfrage“ ⁹). In den letzten Jahren hat ToolsGroup maschinelles Lernen eingesetzt, um die Prognosen zu verbessern - z.B. ML zur Clusterbildung von Artikeln mit ähnlichen Mustern oder zur Erkennung von Ursachenfaktoren - aber der Kern bleibt in der Wahrscheinlichkeitstheorie verankert, anstatt reinen ML-Black-Boxen ⁴⁵.
Inventaroptimierungsansatz: Das Markenzeichen des Ansatzes von ToolsGroup ist die Optimierung des Trade-offs zwischen “Service Level vs. Lagerbestand”. Das System kann Lagerbestand-zu-Service-Kurven für jede SKU-Position erstellen, die zeigen, welchen Service-Level (Füllrate) Sie für verschiedene Lagerbestände erreichen würden ⁴⁶. Durch die Auswertung dieser Kurven findet es das optimale Gleichgewicht: oft der Punkt, an dem zusätzlicher Lagerbestand abnehmende Renditen im Service bringt. Es wählt spezifische Serviceziele für Artikel aus, die den Gesamtservice für die Investition maximieren. Dies ist eine Art wirtschaftliche Optimierung, wenn auch in Bezug auf den Service-Level formuliert. ToolsGroup ermöglicht es Benutzern in der Regel, einen gewünschten aggregierten Service-Level oder eine Mischung von Service-Levels anzugeben, und die Software verteilt dann den Lagerbestand entsprechend über Tausende von Teilen, um dieses Ziel mit minimalem Lagerbestand zu erreichen. Darüber hinaus unterstützt ToolsGroup die Multi-Echelon-Optimierung (MEIO): Es kann nicht nur entscheiden, wie viel Lagerbestand, sondern wo er in einem Netzwerk gehalten werden soll (zentral vs. regional vs. Feld), um Rückstände und Logistikkosten zu minimieren. Seine MEIO-Fähigkeit wird hoch geschätzt und wurde in der Luft- und Raumfahrt, Automobilindustrie, Elektronik und anderen Ersatzteilnetzwerken eingesetzt. Es berücksichtigt auch die mehrfache Beschaffung (z. B. ob ein Teil aus dem Lagerbestand erfüllt oder beschleunigt von einem Lieferanten geliefert werden kann, kann das Modell den wirtschaftlichsten Weg zur Sicherstellung der Verfügbarkeit wählen ⁴⁷). Während die Erzählung von ToolsGroup auf Service-Levels basiert, berücksichtigt die zugrunde liegende Optimierung sicherlich Kosten – z. B. Lagerhaltungskosten, Strafkosten für Lagerbestände (manchmal implizit über den Ziel-Service) – um eine Lösung zu identifizieren, die das gebundene Kapital freisetzt und gleichzeitig die Zuverlässigkeit aufrechterhält ⁵.
Automatisierung & Skalierbarkeit: Ein wichtiges Verkaufsargument für ToolsGroup war seine Philosophie des “selbstfahrenden Planungsprozesses”. Es zielt darauf ab, den manuellen Aufwand erheblich zu reduzieren, indem es die Prognoseanpassung, die Parameterfestlegung und sogar die Generierung von Bestellungen automatisiert. Die Software überwacht jede SKU und meldet nur Ausnahmen, wenn etwas signifikant abweicht (wie ein gefährdeter Service-Level trotz optimiertem Lagerbestand oder eine Nachfragetrendverschiebung, die das Modell nicht vorhersehen konnte). Dies ist entscheidend für Ersatzteile mit Zehntausenden von Artikeln – kein Planer kann alle überwachen. Anwender in der realen Welt berichten oft, dass das Tool die Berechnung des Nachbestellpunkts, empfohlene Einkäufe und die Umverteilung zwischen Standorten automatisiert, sodass Planer nur eine kleine Teilmenge überprüfen müssen (wie sehr teure Teile oder kritische Ausfälle). In Bezug auf die Skalierbarkeit hat ToolsGroup Referenzen mit sehr großen Datenmengen (z. B. Konsumgüterunternehmen mit Millionen von SKU-Positionskombinationen für langsame/schnelle Artikel oder globale OEMs mit über 100.000 Teilen). Seine Algorithmen sind effizient, aber anfangs könnten einige aufwändige Monte-Carlo-Simulationen rechenintensiv sein – hier hat ihre Forschung und Entwicklung über Jahre die Leistung optimiert. Jetzt ermöglichen Cloud-Bereitstellungen und moderne Verarbeitung diese Simulationen über Nacht im großen Maßstab. Der Benutzer kann darauf vertrauen, dass das System den langen Schwanz durchsucht und Ergebnisse liefert, ohne ständig Prognosemodelle manuell anpassen zu müssen – ein großer Unterschied zu älteren MRP- oder DIY-Ansätzen. Es ist erwähnenswert, dass ToolsGroup oft damit prahlt, dass Planer mit seiner Automatisierung Service-Levels von 95+% mit 20-30% weniger Lagerbestand verwalten können (Zahlen, die als illustrativ, nicht garantiert angesehen werden sollten ⁴⁸).
Technologietiefe: Die Technologie von ToolsGroup kombiniert klassische Operationsforschung mit neueren KI-Methoden. Der Kernmotor (SO99+) hat seine Wurzeln in quantitativen Methoden; beispielsweise wurden historisch Wahrscheinlichkeitsverteilungen (wie Poisson, Gamma) in Kombination mit Faltung für die Vorlaufzeitnachfrage verwendet und Optimierungslöser für die Bestandspositionierung in mehreren Ebenen. Sie haben auch Konzepte wie „Demand Creep and Fade“ eingeführt, um automatisch die Prognosetrends anzupassen, und „Power Node“-Algorithmen, um Servicelevel durch ein Liefernetzwerk zu propagieren. ToolsGroup hat kürzlich KI-fokussierte Unternehmen erworben (z. B. Evo, das „responsive AI“ mit etwas namens „quantum learning“ anbietet ⁴⁹). Es ist etwas vage, aber wahrscheinlich bedeutet es neue Module für maschinelles Lernen, um Prognosen zu verfeinern oder Parameter kontinuierlich zu optimieren. Sie haben auch ein Einzelhandelsnachfrageplanungstool (Mi9/JustEnough) ⁵⁰ und ein E-Commerce-Fulfillment-Optimierungstool (Onera) ⁵¹ erworben. Diese Schritte deuten auf eine Expansion in angrenzende Bereiche hin. Ein Skeptiker sollte fragen: Sind diese integriert oder nur Add-Ons? Bisher hat ToolsGroup JustEnoughs Frontend für Einzelhandelsbenutzer integriert und gleichzeitig seinen KI-Motor für die Prognose genutzt - hauptsächlich relevant für schnelllebige Waren. Für Ersatzteile bleibt SO99+ der Kernanalysemotor. Die Unternehmenskommunikation rund um KI ist manchmal von Buzzwords geprägt („KI-unterstützte Fähigkeiten…stellen sicher, dass Serviceziele mit dem geringsten Bestand erreicht werden“ ⁵), aber darunter verbergen sich konkrete ML-Funktionen, wie Algorithmen zur Erkennung von Saisonalität in der Nachfrage nach Ersatzteilen (ja, einige Teile haben saisonale Nutzung) oder zur Identifizierung von Teilen, die aufgrund aufkommender Feldprobleme „intermittierende Spitzen“ erleben können. Insgesamt zeigt ToolsGroup solide Ingenieursleistungen: eine stabile Plattform, die inkrementell mit modernen Techniken verbessert wird. Es bietet auch eine recht benutzerfreundliche Benutzeroberfläche über schwerwiegende Analysen, sodass Planer vor Komplexität geschützt sind, wenn sie dies wünschen.
Umgang mit spärlicher und unregelmäßiger Nachfrage: ToolsGroup vermarktet explizit seine Stärke in diesem Bereich. Sie führen oft an, dass herkömmliche Prognosen bei intermittierender Nachfrage versagen und dass ihr Ansatz aus probabilistischer Modellierung + intelligenter Analytik genau für dieses Szenario entwickelt wurde ⁴. Für ein Teil mit unregelmäßiger Nachfrage wird ToolsGroup wahrscheinlich eine Kombination aus Schätzung der intermittierenden Nachfrage (z. B. Crostons Methode zur Schätzung des durchschnittlichen Intervalls und der Größe) sowie Unsicherheitsmodellierung verwenden, um eine Verteilung zu erstellen. Wichtig ist, dass es nicht einfach einen Mittelwert berechnet und in eine Normalverteilung einsetzt - es weiß, dass die Verteilung nicht normal ist (oft stark verzerrt mit vielen Nullen). Das bedeutet, dass der berechnete Sicherheitsbestand (oder der Nachbestellpunkt) nicht auf einer einfachen Formel basiert, sondern auf dem gewünschten Perzentil dieser Verteilung. In der Praxis kann ToolsGroups Monte-Carlo-Simulation beispielsweise 1000 mögliche Nachfrageergebnisse für die Vorlaufzeit simulieren und bestimmen, wie viel Bestand benötigt wird, damit beispielsweise 950 dieser 1000 Ergebnisse aus dem Bestand gedeckt werden können (95% Service). Dies ist eine weit realistischere Möglichkeit, mit sporadischer Nachfrage umzugehen, als die Verwendung eines willkürlichen „Füge 2*STD als Sicherheitsbestand hinzu“, das von einer glockenförmigen Nachfrage ausgeht. Sie integrieren auch „predictive Analytics“, um Veränderungen zu erkennen - z. B. wenn ein Teil plötzlich eine Nutzungszunahme zeigt, kann das System einen Trend oder einen Niveauwechsel erkennen und sich schneller anpassen als bei einer festen periodischen Überprüfung. ToolsGroups Thought-Leadership-Stücke erwähnen sogar das Vermeiden von „brute-force“-„Ausreißerreinigungen“; stattdessen wird alle Nachfragedaten verwendet, um Wahrscheinlichkeiten zu informieren, es sei denn, etwas ist eindeutig ein einmaliges Ereignis (und selbst dann könnte eine gewisse Wahrscheinlichkeit eines Wiederauftretens beibehalten werden). Zusammenfassend lässt sich sagen, dass ToolsGroup unregelmäßige Nachfrage explizit modelliert und sich kontinuierlich an reale Datenmuster anpasst.
Integration & Architektur: ToolsGroups Hauptlösung wurde über Jahrzehnte intern entwickelt, daher ist die Kernintegration eng. Die Übernahmen (JustEnough, Onera, Evo) sind relativ neu und gezielt: Die Evo AI wurde wahrscheinlich in ihr Planungssystem integriert (sie erwähnen “Dank des integrierten EvoAI-Motors führt JustEnough die KI-gesteuerte Planung an” ⁵² - was darauf hindeutet, dass die Technologie von Evo in die Prognosefähigkeiten eingebunden wurde). Der Onera-Teil ist separater (Echtzeit-Inventarverfügbarkeit für den Einzelhandel), für Ersatzteile jedoch weniger relevant. Insgesamt bleibt die Architektur von ToolsGroup für die Ersatzteilplanung vereint - die Bedarfsprognose, die Bestandsoptimierung und die Auffüllung verwenden alle dasselbe Datenmodell. Sie bieten sowohl Cloud- als auch lokale Lösungen an, aber die meisten neuen Implementierungen sind Cloud-SaaS. Die Datenintegration mit ERPs wird über Standard-Connectors oder Flat-File-Loads erreicht (wie bei jedem Planungstool). Da ToolsGroup viele Module hat (Bedarfsplanung, S&OP, Bestand usw.), besteht ein potenzielles Problem darin, sicherzustellen, dass jeder Kunde die neueste Version verwendet und dass die Benutzeroberfläche konsistent ist. Historisch gesehen gab es Kommentare, dass die Benutzeroberfläche in Teilen der Anwendung veraltet wirken könnte, aber ToolsGroup hat das aktualisiert. Achtung bei der Integration von Übernahmen: Wenn ein Anbieter mehrere Unternehmen erwirbt, überschneiden sich manchmal Funktionen oder die Benutzeroberfläche weicht ab. Zum Beispiel könnte das Front-End von “JustEnough” anders aussehen als die klassische ToolsGroup-Benutzeroberfläche. Kunden sollten erfragen, wie der Fahrplan diese vereinheitlicht und ob Funktionen (insbesondere für Ersatzteile) in zwei verschiedenen Modulen vorhanden sind, die separate Produkte waren. Die gute Nachricht ist, dass die Ersatzteil-Lösung von ToolsGroup nicht stark von diesen neuen Übernahmen abhängt, sodass das Fragmentierungsrisiko für diesen Anwendungsfall gering ist.
Rote Flaggen / Anbieterbehauptungen: ToolsGroup, wie viele andere, hat Fallstudien, die eine signifikante Reduzierung des Lagerbestands oder eine Verbesserung des Service behaupten. Zum Beispiel hat ein veröffentlichter Fall: Cray (Hersteller von Supercomputern) den Teilebestand um 28% reduziert und dabei 13 Mio. USD eingespart ⁴⁸, oder Cisco bemerkt, dass Servigistics-Benutzer (einschließlich vermutlich Cisco als Referenz) eine 10-35%ige Reduzierung des Lagerbestands erreicht haben ⁵³. Diese sind beeindruckend, aber man sollte sie teilweise auf Prozessverbesserungen rund um die Software zurückführen, nicht nur auf die Magie der Software allein. ToolsGroup neigt dazu, in ihrem Material etwas technischer offen zu sein, aber es gibt immer noch etwas Marketing - z. B. Phrasen wie “Quantenlernen” (mit der Evo-Übernahme), die übertrieben klingen. Ein potenzieller Kunde sollte genauer nachfragen: nach Details zu den KI-Modellen, die sie verwenden (Neuronale Netze? Gradienten-Boosting? Was sagen sie voraus?), und wie das System mit Dingen wie neuen Teilen ohne Historie umgeht, oder ob es auf manuelle Parameterabstimmung angewiesen ist (idealerweise minimal). Eine weitere kleine rote Flagge: ToolsGroup spricht weiterhin von “Optimierung der Sicherheitsbestände” ⁴⁶ - das Konzept der Sicherheitsbestände selbst ist nicht schlecht, aber wenn es missverstanden wird, könnte es scheinen, dass sie immer noch alte Formeln verwenden. In Wirklichkeit optimieren sie durch Sicherheitsbestände, sodass es sich nicht um ein statisches Polster handelt; aber ein unerfahrener Benutzer könnte das Tool falsch verwenden, indem er statische Sicherheitsbestände oben drauf setzt, was zu doppelten Kosten führen würde. Die ordnungsgemäße Verwendung der vollautomatischen Optimierung (und nicht das Umgehen mit manuellen Sicherheitsbestandsangaben) ist entscheidend.

PTC Servigistics

Prognostizieren+Optimieren: Servigistics hat eine lange Tradition fortgeschrittener Prognosen für Ersatzteile. Der Ursprung (Xelus, MCA Solutions) war in probabilistischen Modellen wie Poisson und zusammengesetztem Poisson (für die Nachfrage) und anspruchsvoller Simulation verwurzelt. Servigistics kann Nachfrage-Wahrscheinlichkeitsverteilungen für Teile mit geringem Volumen generieren - zum Beispiel könnte es modellieren, dass ein bestimmtes Teil eine 5%ige Chance auf 1 Nachfrage, 0,5% auf 2 Nachfragen und 94,5% auf null Nachfrage in einem Monat hat, basierend auf historischen Daten und bekannten Treibern. Das von PTC zitierte “fortgeschrittene Datenwissenschaft” bezieht sich wahrscheinlich auf diese über Jahrzehnte entwickelten Algorithmen zur Vorhersage sporadischer Nutzung. Es beinhaltet auch die Vorhersage mit IoT-Daten: Mit der Integration von ThingWorx können sie Sensorwerte oder vorbeugende Wartungsalarme (z.B. Maschinenstunden, Vibrationswarnungen) in die Teilevorhersage einbeziehen ¹⁰. Dies ist eine Form der kausalen Vorhersage - anstatt nur Zeitreihen werden Ausfälle aus Bedingungen vorhergesagt. Servigistics unterstützt auch die Vorhersage von Rücksendungen und Reparaturen, was für Teilenetzwerke entscheidend ist (z.B. Vorhersage, wie viele defekte Teile zurückgeschickt und repariert werden, um die Versorgung zu gewährleisten). Zusammenfassend: Servigistics betreibt echte probabilistische Prognosen und das schon seit langem (man könnte sagen, es hat “KI” in der Prognose betrieben, bevor es cool war - obwohl sie es Operationsforschung oder stochastische Modelle nannten). PTC bezeichnet es jetzt als “KI-gestützte” Prognose, aber diejenigen in der Branche wissen, dass es sich um eine Kombination aus statistischen Prognosemethoden (Croston-Methode, Bayes’sche Inferenz, etc.) und Optimierungsalgorithmen handelt, anstatt um irgendeine mysteriöse KI-Magie. Das Fazit: Die Prognosen von Servigistics gelten im Allgemeinen als sehr solide für intermittierende Nachfrage.
Bestandsoptimierungsansatz: Servigistics ist bekannt für die Bestandsoptimierung in mehreren Ebenen (MEIO) bei Ersatzteilen. Es war eines der ersten, die die Theorie der Bestandsoptimierung in mehreren Ebenen (basierend auf Sherbrookes METRIC-Modell und anschließender Forschung) in ein kommerzielles Tool implementierten. MEIO bedeutet, dass es das gesamte Versorgungsnetzwerk betrachtet (zentrales Lager, regionale Depots, Feldstandorte usw.) und die Bestandsniveaus an jedem Ort optimiert, unter Berücksichtigung der Netzwerkeffekte (z.B. mehr zentral zu halten könnte die Variabilität über die Regionen abdecken, aber lokal zu halten ermöglicht eine schnellere Reaktion - das Tool findet das beste Gleichgewicht). Servigistics kann optimieren, um entweder die Kosten für ein bestimmtes Serviceniveau zu minimieren oder die Verfügbarkeit für ein bestimmtes Budget zu maximieren - und unterstützt somit eine echte ökonomische Optimierung. In der Praxis setzen viele Benutzer Serviceniveauziele nach Segmenten (wie 95% für kritische, 85% für nicht kritische) und lassen die Software dann den kostengünstigsten Weg finden, um dies zu erreichen. Andere geben Strafkosten für Rückstände ein und lassen sie die Gesamtkosten minimieren. Aufgrund seiner Konfigurierbarkeit kann es sowohl Serviceniveauziele als auch kostenbasierte Optimierung durchführen. Ein Unterscheidungsmerkmal: Servigistics behandelt mehrstufige Teile (Komponenten innerhalb von Komponenten) - zum Beispiel die Optimierung des Bestands von Teilbaugruppen und des Top-Level-Teils zusammen, was in der Luft- und Raumfahrt/Verteidigung wichtig ist. Es unterstützt auch die Logik der mehreren Quellen für die Erfüllung ⁴⁷ (z.B. wenn ein Standort nicht verfügbar ist, wird der seitliche Transshipment von einem anderen Standort in Betracht gezogen). Dies sind fortgeschrittene Fähigkeiten, die generische Bestandswerkzeuge oft fehlen. PTC hat auch ein Modul für Preisoptimierung integriert, das dieselbe Datenbank teilt ⁵⁴, was bedeutet, dass Preis- und Lagerentscheidungen zumindest gemeinsame Daten nutzen können (ob die Optimierung wirklich integriert ist, ist jedoch unklar - aber man könnte sich vorstellen, dass es ermöglicht zu bewerten, wie Preisanpassungen die Nachfrage und damit den Bestand beeinflussen könnten). Was die Optimierungsalgorithmen betrifft, verwendet Servigistics wahrscheinlich eine Mischung aus analytischen Methoden (wie Vari-METRIC, einem effizienten Algorithmus für mehrstufige Bestände bei Poisson-Nachfrage) und möglicherweise lineare Programmierung oder Heuristiken für bestimmte Probleme. Sie haben diese kontinuierlich mit Rückmeldungen ihrer großen Kundenbasis verfeinert ⁵⁵, sodass die Algorithmen als State-of-the-Art für die Planung von Ersatzteilen gelten.
Automatisierung & Skalierbarkeit: Da Servigistics einige der größten und anspruchsvollsten Organisationen bedient (z. B. Militär mit Hunderttausenden von Teilen, hohe Betriebszeitanforderungen und begrenzte Planer), ist Automatisierung entscheidend. Die Software ist so konzipiert, dass sie nach Festlegung von Richtlinien automatisch Prognosen neu berechnet, optimale Lagerbestände neu berechnet und Umpositionierungs- oder Beschaffungsmaßnahmen im Netzwerk vorschlägt. Die Planer erhalten dann Ausnahmemeldungen - zum Beispiel, wenn ein bestimmter Teil voraussichtlich unter seine Zielverfügbarkeit fällt oder wenn ein neuer Ausfalltrend erkannt wird, der eine Erhöhung des Lagerbestands erfordert. Die Benutzeroberfläche bietet Tools für Simulationen (“Was passiert, wenn wir den Service-Level hier erhöhen, was sind die Kostenfolgen?”), die die Planer verwenden können, aber die harte Arbeit des Zahlencrunchens erfolgt automatisch im Hintergrund. In Bezug auf den Umfang hat Servigistics sich als fähig erwiesen, sehr große Datensätze zu verarbeiten. Man muss jedoch sicherstellen, dass die Hardware oder Cloud-Infrastruktur angemessen dimensioniert ist - in älteren On-Premises-Bereitstellungen konnten große Durchläufe viele Stunden dauern. PTC bietet wahrscheinlich jetzt Cloud-Bereitstellungen an (einschließlich FedRAMP-konformem SaaS für die Regierung) ⁵⁶, was darauf hindeutet, dass sie den Stack für eine bessere Durchsatzleistung modernisiert haben. Ein weiterer Automatisierungspunkt ist die Integration von IoT: Wenn Maschinensignale einen Teileausfall vorhersagen, kann Servigistics die Prognose automatisch anpassen oder ein Bedarfssignal erstellen (das ist das Versprechen ihrer vernetzten Service-Teileoptimierung ¹⁰). Das System bewegt sich also hin zu einer Echtzeit-adaptiven Planung anstelle einer statischen periodischen Planung. All dies zielt darauf ab, den Bedarf an manuellen Reaktionen der Planer zu reduzieren; stattdessen antizipiert das System und die Planer überwachen.
Technologietiefe: Servigistics ist wohl das funktionsreichste Produkt in der Nische für Service-Teile, und das ist auf Jahrzehnte von Forschung und Entwicklung sowie mehrere Technologiezusammenschlüsse zurückzuführen. Der Vorteil ist ein sehr tiefes Reservoir an Techniken: Servigistics enthält z. B. Algorithmen von MCA Solutions, die sich auf Szenario-basierte Optimierung für die Luft- und Raumfahrt spezialisiert haben, und von Xelus, das ein Pionier in der Prognose von Service-Teilen war. PTC behauptet, dass es „die besten Funktionen von Xelus und MCA erfolgreich in die robuste Architektur von Servigistics integriert hat“ ¹². Unter PTC erhielt Servigistics auch Zugang zu IoT und fortgeschrittener Analytik aus dem Portfolio von PTC (ThingWorx für IoT, möglicherweise etwas KI aus der Forschung von PTC). PTC betont, dass Servigistics bereits 2006 Konzepte des maschinellen Lernens/KI eingeführt hat ⁵⁷ - wahrscheinlich in Bezug auf die Mustererkennung bei der Bedarfserfassung oder die Anomalieerkennung bei der Nutzung. Heute wird es als „KI-gestützte Service-Lieferkette“ vermarktet ⁵⁸. Was bedeutet das speziell? Wahrscheinlich: die Verwendung von ML zur Verbesserung der Prognosegenauigkeit durch Lernen aus großen Datensätzen (vielleicht über Kunden hinweg, obwohl der Datenaustausch sensibel ist), die Verwendung von KI zur Identifizierung optimaler Parameter oder zur Identifizierung der Faktoren (Maschinenalter, Standort, Wetter usw.), die den Teileverbrauch beeinflussen. Möglicherweise auch die Verwendung von Verstärkendem Lernen zur Feinabstimmung der Lagerstrategien. Obwohl Details nicht öffentlich sind, können wir daraus schließen, dass die technologische Tiefe erheblich ist, da Servigistics von Analysten konsequent an der Spitze bewertet wird. Allerdings ist die Komplexität die Kehrseite: Die Lösung kann so viel leisten, dass sie überdimensioniert sein könnte, wenn die Anforderungen eines Unternehmens einfacher sind. PTC hat wahrscheinlich die Benutzeroberfläche und den Technologie-Stack modernisiert (Servigistics war ursprünglich eine Client-Server-Anwendung, dann webbasiert). Es befindet sich jetzt im breiteren Technologiestack von PTC für das Management des Servicelebenszyklus, was bedeutet, dass es Daten mit Feldservice-Systemen und AR (Augmented Reality)-Schnittstellen für den Service teilen kann usw. Diese Integration verschiedener Technologien ist ein Plus, wenn Sie eine End-to-End-Lösung wünschen, könnte jedoch als überflüssig angesehen werden, wenn es Ihnen nur um Lagerbestände geht.
Umgang mit geringer und unregelmäßiger Nachfrage: Servigistics wurde genau für dieses Szenario entwickelt (denken Sie an die Luft- und Raumfahrt: Ein Flugzeugteil kann jahrelang nicht ausfallen, dann treten plötzlich eine Reihe von Ausfällen auf). Die Lösung bietet spezialisierte Methoden für die “Prognose bei geringer Menge und sporadischer Nachfrage” ⁹. Wahrscheinlich umfasst es: Crostons Methode, Bayessches Bootstrapping, Dosis-Wirkungs-Modelle mit Kovariaten (bei Verwendung von IoT). Es hat auch ein Konzept der Teilesegmentierung - nicht nur ABC nach Verwendung, sondern nuancierter. Zum Beispiel kann es Teile nach Nachfrage-Mustern klassifizieren und entsprechend verschiedene Prognoseansätze anwenden (z.B. ein Teil mit “unregelmäßiger, aber geringer Menge” vs. “unregelmäßiger, aber trendiger” vs. “wirklich klumpig zufällig”). Durch die Segmentierung wird sichergestellt, dass ein rein intermittierendes Nachfrage-Teil nicht zwanghaft mit einem trendigen Prognosemodell versehen wird. Stattdessen könnte es ein einfaches Poisson- oder zero-inflated Poisson-Modell verwenden. Servigistics befasst sich auch mit “intermittierender Nachfrage mit Obsoleszenz” - es verfolgt die Lebenszyklen der Teile und kann Prognosen reduzieren, wenn die Ausrüstung veraltet, etwas, was generische Tools möglicherweise übersehen. Wichtig ist, dass Servigistics nicht nur darauf angewiesen ist, einen hohen Sicherheitsbestand festzulegen, um unregelmäßige Nachfrage abzudecken; es berechnet tatsächlich den erforderlichen Sicherheitsbestand aus dem probabilistischen Modell, um den gewünschten Servicegrad zu erreichen. Das bedeutet, dass es für extrem unregelmäßige Artikel möglicherweise einen ziemlich hohen Bestand empfiehlt (wenn die Kosten für einen Lagerausfall hoch sind) oder umgekehrt einen niedrigeren Service akzeptiert, wenn die Kosten prohibitiv sind - diese Entscheidungen können entweder durch Eingaben des Benutzers oder durch Standardkostenannahmen geleitet werden. Da das System von Verteidigungskunden genutzt wurde, verfügt es wahrscheinlich auch über robuste Ausreißererkennungs -Tools - z.B. wenn ein Monat aufgrund eines einmaligen Projekts einen enormen Anstieg zeigt, können Planer dies kennzeichnen, damit es die Prognose nicht übermäßig beeinflusst. Idealerweise würden sie jedoch stattdessen ein bekanntes “außergewöhnliches Nachfrageereignis” eingeben und es über den Prozess ausschließen. In jedem Fall kann Servigistics praktisch mit den schlechtesten Nachfrageszenarien (sehr spärliche Daten, hohe Unsicherheit) umgehen, indem es all diese Techniken nutzt.
Integration & Architektur: Wie bereits erwähnt, ist Servigistics eine Kombination mehrerer im Laufe der Zeit integrierter Technologien. Nach allem, was man hört, hat PTC sie jetzt zu einem Produkt verschmolzen (es gibt nicht mehrere Benutzeroberflächen für den Benutzer - es ist eine Servigistics-Anwendung). Die Tatsache, dass das Preismodul von Servigistics dieselbe Datenbank wie das Inventar verwendet ⁵⁴, deutet auf ein einheitliches Plattformdesign hin, im Gegensatz zur Aufteilung von Syncron. PTC ist ein großes Unternehmen, daher profitiert Servigistics von professioneller Ingenieurskunst und Unterstützung. Ein potenzielles Problem ist der Aktualisierungspfad: Kunden mit älteren Versionen können es möglicherweise schwierig finden, ein Upgrade durchzuführen, da sich das Produkt stark weiterentwickelt und integriert hat. Außerdem, wenn ein Kunde nur einen Teil der Funktionalität wünscht, muss er möglicherweise trotzdem das große System implementieren. Die Integration mit ERP und anderen Systemen erfolgt in der Regel über Schnittstellenmodule - PTC hat wahrscheinlich Standardverbindungen zu SAP, Oracle usw., da viele Kunden diese ERP-Systeme nutzen. Da PTC auch ein PLM (Product Lifecycle Management) -Marktführer ist, sind interessante Integrationen möglich, wie z.B. die Verknüpfung von Stücklisten-Daten aus PLM mit Servigistics für die Teileplanung neuer Produkte. Diese Integrationen können ein Plus für einen ganzheitlichen Prozess sein (z.B. Planung der Einführung neuer Teile), aber jeder Integrationspunkt ist ein eigenes Projekt, daher ist die Lösung nicht gerade “Plug-and-Play”. Apropos, jede Behauptung, dass ein so ausgefeiltes Tool Plug-and-Play ist, sollte mit Skepsis betrachtet werden - es erfordert Datenbereinigung, Zuordnung und Konfiguration von Geschäftsregeln, um wirklich gut zu funktionieren.
Warnsignale / Skepsis: Das Marketing von Servigistics ist im Allgemeinen glaubwürdig, aber man sollte vorsichtig sein bei Aussagen wie “Wir garantieren eine Verbesserung um X%”. Während ihre Fallstudien (z.B. KONE, ein Aufzugshersteller, sah eine zweistellige Reduzierung des Lagerbestands ⁵⁹) real sind, hängen diese Ergebnisse von der Ausgangsreife des Unternehmens ab. Wenn ein Unternehmen vorher sehr ad hoc war, wird die Implementierung von Servigistics zusammen mit Prozessdisziplin große Gewinne bringen. Aber wenn ein Unternehmen bereits einen anständigen Planungsprozess hat, könnten die Gewinne geringer ausfallen. Ein weiterer Bereich, der untersucht werden sollte, ist, wie gut die KI/ML-Schlagwörter in Ergebnisse umgesetzt werden. PTC preist “KI der nächsten Generation” in Servigistics an ⁵⁸ - als Käufer sollte man nach konkreten Beispielen fragen: Haben sie neuronale Netzwerke für die Bedarfsprognose implementiert? Verwenden sie KI, um Lagerstrategien über traditionelle OR-Methoden hinaus zu optimieren? Oder handelt es sich hauptsächlich um ein Marketinglabel für ihre vorhandenen fortgeschrittenen Statistiken? Angesichts der technischen Kompetenz von PTC gibt es wahrscheinlich echte Verbesserungen (zum Beispiel die Verwendung von ML, um Reparaturdurchlaufzeiten besser vorherzusagen oder um Parameter-Einstellungen zu optimieren, die zuvor manuell waren). Aber es wäre klug, dies durch Demos oder technische Diskussionen zu überprüfen. Akquisitionintegration: Obwohl PTC sagt, dass die Integration erfolgreich ist, sollte immer bestätigt werden, ob noch separate Module vorhanden sind oder ob alle Teile der Software einheitlich wirken. Der Blum-Benchmark stellte fest, dass Servigistics “die breiteste Palette an Funktionalitäten” hat und das half ihm, in jedem Analystenbericht Führungspositionen zu erreichen ⁶⁰ - manchmal kann Breite auf Kosten der Tiefe in bestimmten Bereichen kommen. In Servigistics’ Fall sind jedoch die meisten Bereiche ziemlich tiefgreifend. Schließlich sollte der Ressourcenaufwand berücksichtigt werden: Die Implementierung von Servigistics ist keine leichte Aufgabe - es kann erhebliche Beratung (entweder von PTC oder von Drittanbietern) erfordern, um sie anfänglich zu konfigurieren und anzupassen. Wenn ein Anbieter behauptet, dass ihr Tool einfach eingeschaltet werden kann und sofort eine 30%ige Lagerreduzierung bringt, sollte man skeptisch bleiben - insbesondere bei etwas so Komplexem wie der Optimierung von Ersatzteilen, der Erfolg kommt durch die Kombination von Tool + Prozess + Datenpräzision.

GAINSystems (GAINS)

Probabilistische Prognosen: GAINS verwendet möglicherweise nicht so oft das Schlagwort “probabilistische Prognosen” in seinem Marketing, aber es umfasst tatsächlich Variabilität in seinen Berechnungen ¹⁵. Das GAINS-System produziert wahrscheinlich intern eine Reihe von Nachfrageergebnissen und verwendet diese zur Optimierung des Lagerbestands. Historisch gesehen umfasste die Methodik von GAINS statistische Prognosemodelle, die nicht nur einen Mittelwert schätzen, sondern auch die Varianz, und dann den benötigten Bestand simulieren oder analytisch bestimmen. Auf ihrer Website heißt es ausdrücklich, dass sie Angebot und Prognosen verwalten, um “optimale Servicelevel durch die Berücksichtigung von Variabilität in Nachfrageprognosen, Vorlaufzeiten, Angebot…” zu erreichen ¹⁵. Dies impliziert, dass GAINS die Verteilung von Angebot und Nachfrage berücksichtigt. Sie verfügen auch über Funktionalitäten für “Reparatur- und präventive Wartungsplanung”, was bedeutet, dass die Prognose nicht nur auf Zeitreihenverkäufen basiert; sie prognostizieren auch Teileausfälle basierend auf Wartungsplänen und Zuverlässigkeitskurven (für Kunden im Flottenmanagement, Versorgungsunternehmen usw.). Dies fügt ein weiteres probabilistisches Element hinzu: z.B. Verteilung der Zeit zwischen Ausfällen für eine Komponente. GAINS verwendet wahrscheinlich eine Kombination aus Zeitreihenprognosen (Croston’s, exponentielle Glättung, wo anwendbar) und Zuverlässigkeitsmodellierung (Weibull-Verteilungen für Ausfallraten) je nach verfügbaren Daten. Darüber hinaus war GAINS ein früher Anwender von Szenariosimulation für S&OP, so dass man sich vorstellen kann, dass sie auch Szenariodenken für Teilenachfrage anwenden (wie best case, worst case usw., was eine Form des probabilistischen Denkens ist). Zusammenfassend lässt sich sagen, dass GAINS dem Benutzer möglicherweise kein schickes Histogramm für jedes SKU ausgibt, aber hinter den Kulissen geht es nicht davon aus, dass die Zukunft bekannt ist - es plant die Variabilität unter Verwendung bewährter statistischer Modelle.
Inventaroptimierungsansatz: GAINS konzentriert sich stark auf Kosten- und Gewinnoptimierung. Sie stellen ihren Wert dar, indem sie eine höhere Rentabilität durch kontinuierliche Optimierung der Lagerentscheidungen liefern ¹³. Praktisch gesehen kann GAINS optimieren, um die Gesamtkosten (einschließlich Lagerhaltung, Bestell- und Rückstandskosten) zu minimieren oder um einen bestimmten Gewinnkennwert zu maximieren. Sie erlauben auch Service-Level-Ziele - auf ihrer Website wird erwähnt, dass sie “zielgerichtete Service-Level präzise erreichen” können ⁶¹ - jedoch mit der Feinheit, dass sie es auf optimale Weise tun werden. GAINS unterstützt auch die Optimierung des Lagerbestands in mehreren Ebenen, obwohl ihr Schwerpunkt oft Szenarien mit zentralen und Feldstandorten und möglicherweise Reparaturschleifenbeständen umfasst (sie erwähnen ausdrücklich die Optimierung von Rotationsbeständen ⁶²). Eine der Stärken von GAINS liegt in der Optimierung über verschiedene Einschränkungen: Sie können Dinge wie Kapazitätseinschränkungen (Reparaturkapazität oder Finanzierungseinschränkungen) in ihre Optimierung einbeziehen. Wenn beispielsweise Reparaturwerkstätten nur X Einheiten pro Woche bearbeiten können, könnte GAINS zusätzliche Ersatzteile bevorraten, um diesen Engpass abzudecken - ein ganzheitlicher Ansatz. Sie integrieren auch Wartungsplanung - z. B. wenn ein Gerät für eine Überholung in 6 Monaten geplant ist, kann GAINS Teile dafür planen, was eine Art deterministische Nachfrage in den stochastischen Mix einfügt. All diese Faktoren fließen in eine umfassende Optimierung ein, die eher “betriebsbewusst” ist als rein auf Artikelbasis arbeitende Lagerwerkzeuge. Ein weiterer Aspekt: GAINS bietet Was-wäre-wenn-Analysen und Szenariooptimierung - Sie können verschiedene Strategien simulieren (z. B. mehr in Lagerbestände investieren vs. beschleunigen) und die Auswirkungen auf Kosten und Service sehen, was einen wirtschaftlichen Ansatz für Entscheidungen widerspiegelt. Es ist fair zu sagen, dass GAINS versucht, die Leistung der End-to-End-Service-Lieferkette zu optimieren, und nicht nur einen Service-Level um jeden Preis zu erreichen.
Automatisierung & Skalierbarkeit: GAINS wird als Cloud-Plattform bereitgestellt (sie behaupten, dass Bereitstellungen in Monaten und nicht Jahren erfolgen können ⁶³). Ein Kernziel des Designs ist die Entscheidungsautomatisierung - Pläne auf die besten Entscheidungen zu lenken oder sie sogar zu automatisieren. GAINS verfügt über Funktionen wie “Expertensystem”-Empfehlungen, die automatisch Aktionen wie “Bestand hier erhöhen” oder “Bestand von Standort A nach B ausgleichen” kennzeichnen. Planer können genehmigen oder anpassen, aber die umfangreiche Analyse wird vom System durchgeführt. GAINS wirbt auch für kontinuierliche Planung: Anstatt statischer Parameter wird kontinuierlich neu optimiert, wenn neue Daten eintreffen (daher “kontinuierliche Optimierung über maschinelles Lernen, bewährte Algorithmen” ¹³). In Bezug auf die Skalierbarkeit hat GAINS Kunden mit großen globalen Operationen (ein öffentliches Beispiel: BC Transit nutzte GAINS für die Bus-Ersatzteilplanung in Flotten). Ihre Architektur ist jetzt cloud-basiert, was eine Skalierung der Berechnungen ermöglicht. Wir hören nicht oft von Leistungsproblemen bei GAINS, was darauf hindeutet, dass es durchaus in der Lage ist, große Datensätze zu verarbeiten, wenn auch vielleicht mit etwas Feinabstimmung. Das System kann mit mehreren ERPs interagieren, um Nachfrage, Lagerbestände, Stücklisten usw. einzubeziehen und empfohlene Bestellungen auszugeben. Ein einzigartiger Automatisierungsaspekt: GAINS kann auch Prognosen für Budgetierung und Finanzplanung generieren, um Lagerpläne mit der Finanzabteilung abzustimmen - nützlich für Unternehmen, um den Ausgaben des Systems im Rahmen der umfassenderen Planung zu vertrauen. Insgesamt positioniert sich GAINS als größtenteils “hands-off”-Optimizer: Planer setzen Ziele und Einschränkungen, und das System erledigt den Rest, indem es Alarme auslöst, wenn menschliche Entscheidungen erforderlich sind (zum Beispiel, wenn ein neues, sehr teures Teil eingeführt wird, könnte eine manuelle Überprüfung der Strategie dafür erforderlich sein).
Technologietiefe: GAINS ist seit Jahrzehnten im Geschäft und ihr Ansatz war immer sehr analytisch. Die Erwähnung von “fortgeschrittenen Heuristiken, KI/ML und Optimierung” ⁶⁴ legt nahe, dass sie eine Mischung von Techniken verwenden. Zum Beispiel könnten sie heuristische Algorithmen oder Metaheuristiken verwenden, um komplexe Optimierungsprobleme zu lösen, die nicht durch Formeln gelöst werden können (wie die Planung von Reparaturen und Beständen gleichzeitig). Sie integrieren maschinelles Lernen wahrscheinlich, um die Prognosegenauigkeit zu verbessern (wie die Identifizierung von Nutzungsmustern, die mit externen Faktoren verbunden sind, oder die Klassifizierung von Teilen für Modelle mit bester Passform) und vielleicht auch für die Anomalieerkennung in Daten. GAINS hat auch das Konzept des “Decision Engineering” eingeführt - ein Begriff in einer ihrer Pressemitteilungen ⁶⁵ - was auf ein Rahmenwerk hinweist, das kontinuierlich lernt und Entscheidungen verbessert. Dies könnte Verstärkendes Lernen beinhalten (Systemlernen, bei dem Entscheidungen im Laufe der Zeit zu guten Ergebnissen geführt haben und entsprechend angepasst werden). Ohne spezifische Informationen zum Anbieter kann man vermuten, dass die Technologie von GAINS nicht so auffällig oder experimentell ist wie die von Lokad, aber solide ist: Sie mischen bewährte OR-Algorithmen (für Bestände und Multi-Echelon), statistische Prognosen und wenden ML dort an, wo es hilft (wie die Anpassung von Vorlaufzeitprognosen oder das Auffinden nichtlinearer Beziehungen). GAINS betont auch die Integration von Planungsbereichen: Nachfrage, Bestand, Versorgung und sogar Verkaufs- und Betriebsplanung (S&OP) alles auf einer Plattform ¹⁸. Das bedeutet, dass ihr Datenmodell von hochrangigen Plänen bis zur Ausführung auf Artikelebene reicht. Technisch gesehen ist das wertvoll, weil die Ersatzteilplanung oft leidet, wenn sie isoliert ist; GAINS zielt darauf ab, sie mit Produktion, Beschaffung usw. zu verbinden, um die Machbarkeit sicherzustellen. In Bezug auf Benutzeroberfläche und Technik hat GAINS eine moderne Web-Oberfläche und Dashboards für KPIs (sie heben die Echtzeitverfolgung von Füllraten, Umsätzen usw. hervor). Sie betonen auch oft ihren Kundenerfolg, was darauf hindeutet, dass sie sich bemühen, die Technologie für jeden Kunden fein abzustimmen (weniger eine Blackbox, mehr eine kollaborative Konfiguration - etwas wie ein Service, obwohl es sich um ein Produkt handelt). Ihre Tiefe in Bereichen wie präventive Wartungsplanung ist ein Unterscheidungsmerkmal: Wenige Bestandstools wagen es vorzuschlagen, wann Wartungsarbeiten durchzuführen sind; GAINS kann sich mit Zuverlässigkeitsmodellen integrieren, um die Optimierung dieses Zeitpunkts im Vergleich zur Teileverfügbarkeit zu optimieren und zeigt eine systemweite Optimierungsmindset.
Umgang mit sporadischer und unregelmäßiger Nachfrage: GAINS beschäftigt sich definitiv mit unregelmäßiger Nachfrage und nutzt dabei mehrere Strategien. Eine davon sind statistische Modelle, die speziell für Unterbrechungen entwickelt wurden - wahrscheinlich die Croston-Methode oder neuere Varianten (z. B. Syntetos-Boylan-Approximation usw.). Darüber hinaus kann GAINS kausale Daten nutzen, um Prognosen zu verbessern - zum Beispiel die Verknüpfung von Teilenutzung mit Gerätenutzung. Wenn der Verbrauch eines bestimmten Teils unregelmäßig ist, aber Daten darüber vorliegen, wie oft das Gerät verwendet wird oder unter welchen Umweltbedingungen, könnte GAINS’ ML Korrelationen finden und Bedarfe etwas besser vorhersagen als reine Zeitreihen. Trotzdem bleibt ein Großteil der Ersatzteilenachfrage auch mit ML im Wesentlichen zufällig. GAINS stützt sich dann auf die Optimierung von Sicherheitsbeständen unter Unsicherheit. Es wird in der Regel für jedes Element einen angemessenen statistischen Sicherheitsbestand festlegen, basierend auf seiner Variabilität und dem gewünschten Servicegrad. Da GAINS kostenorientiert ist, könnte es sogar die Serviceziele dynamisch nach Artikel variieren, basierend auf der Wirtschaftlichkeit (ähnlich wie die Idee von Lokad): Wenn ein Teil extrem unregelmäßig und teuer ist, könnte GAINS entscheiden, einen etwas niedrigeren Servicegrad zu tolerieren, weil die Kosten für einen hohen Servicegrad enorm sind (es sei denn, es handelt sich um eine geschäftskritische Komponente mit hohen Ausfallzeiten). Diese Feinheiten könnten entweder von Benutzerdefinierten Prioritäten oder von GAINS eigenen Algorithmen stammen, die den Gesamtsystemfüllgrad unter einem Kostenbudget maximieren. GAINS verfügt auch über Funktionen zur Bewältigung von “unregelmäßigen Nachfragespitzen”: Wenn beispielsweise eine plötzliche Großbestellung oder ein Rückruf erfolgt, kann es diese separat behandeln, um das normale Muster nicht zu verzerren. Die Plattform enthält Tools zur Erkennung und Bereinigung von Ausreißern in historischen Daten, was nützlich sein kann, wenn historische Aufzeichnungen einmalige Ereignisse enthalten. Ein Skeptiker könnte bemerken, dass die Bereinigung von Ausreißern etwas manuell/traditionell ist (und tatsächlich kritisiert Lokad diesen Ansatz), aber GAINS bietet es wahrscheinlich als Option für Planer an, die Kontrolle wollen. Wenn es dem System überlassen wird, würde GAINS wahrscheinlich robuste Prognosemethoden verwenden, die den Einfluss von Ausreißern natürlich dämpfen. Zusammenfassend bewältigt GAINS unregelmäßige Nachfrage durch eine Mischung aus fortschrittlicher Prognose, intelligenter Berechnung von Sicherheitsbeständen und durch die Nutzung zusätzlicher Informationen (wie geplante Wartungsarbeiten oder Konstruktionsänderungen), um sonst “zufällige” Ereignisse vorherzusehen.
Integration & Architektur: GAINS ist eine einzige Plattform (entwickelt von GAINS Systems), die nicht bekannt ist, externe Produkte erworben zu haben, daher sind ihre Module organisch aufeinander abgestimmt. Es wird als SaaS angeboten, was bedeutet, dass GAINS die Infrastruktur und Updates verwaltet. Die Integration in Quellsysteme (ERP, Anlagenverwaltungssysteme) ist ein wesentlicher Bestandteil eines jeden GAINS-Projekts - sie haben wahrscheinlich Standard-APIs oder Batch-Upload-Prozesse. GAINS integriert oft mit Anlagenverwaltungs- oder ERP-Systemen, um Ausrüstungslisten, Stücklisten, Ausfallraten usw. abzurufen. Da sie mehrere Planungsbereiche abdecken, kann GAINS die Anzahl der unterschiedlichen Tools, die ein Unternehmen verwendet, reduzieren (beispielsweise könnte ein Unternehmen GAINS für die Bedarfsprognose und Lagerbestände verwenden, anstatt separate Tools für jedes zu verwenden). Die Architektur unterstützt globale Operationen - Multiwährung, Multi-Maßeinheit usw., was für große Unternehmen erforderlich ist. Eine mögliche Integrationsüberlegung ist, ob ein Unternehmen GAINS nur für Ersatzteile verwenden möchte, während es für Produktionsmaterialien etwas anderes verwendet; GAINS müsste die richtigen Datenbegrenzungen festlegen. Aber insgesamt wird die Architektur in öffentlichen Bewertungen nicht als Problem für GAINS-Kunden genannt, was darauf hindeutet, dass sie stabil und gut integriert ist.
Rote Flaggen / Skepsis: GAINS neigt dazu, im Marketing weniger auffällig zu sein, daher gibt es weniger offensichtliche Buzzword-Rote Flaggen. Sie erwähnen jetzt oft KI/ML, was fast obligatorisch ist. Man sollte sicherstellen, dass diese Behauptungen durch nachweisbare Funktionen gestützt werden. Zum Beispiel fragen Sie GAINS: „Wie verbessert Ihre KI genau die Planung? Können Sie einen Fall zeigen, in dem ML die Prognosegenauigkeit oder die Entscheidungsqualität verbessert hat?“ Angesichts ihrer langen Geschichte können sie das wahrscheinlich, aber es ist gut zu überprüfen. Ein weiterer Bereich, der untersucht werden sollte, ist die Benutzererfahrung - einige ältere Bewertungen erwähnen, dass die Benutzeroberfläche von GAINS vor einigen Jahren nicht die modernste war. Sie haben sie seitdem aktualisiert, aber stellen Sie sicher, dass die Planer sie benutzerfreundlich finden und dass sie nicht zu komplex ist, um Szenarien einzurichten oder Parameter anzupassen. Da GAINS viele Bereiche abdeckt (Inventar, Prognosen, S&OP usw.), können manchmal Allround-Tools in einem Bereich schwächer sein. GAINS wurde jedoch speziell in der Ersatzteilplanung (in Gartner- und IDC-Berichten) als starker Akteur anerkannt ⁶⁶, daher ist es wahrscheinlich durchweg gut. Eine subtile rote Flagge: Die Botschaft von GAINS über schnelle Bereitstellung (“in wenigen Monaten live” ⁶³) sollte im Kontext betrachtet werden - das setzt wahrscheinlich einen fokussierten Umfang und eine gute Datenbereitschaft voraus. Die vollständige Optimierung in einer komplexen Umgebung in nur wenigen Monaten zu erreichen, ist optimistisch; Unternehmen werden es häufiger schrittweise umsetzen (einige Standorte oder Produktlinien testen und dann erweitern). Dies ist normal, aber seien Sie vorsichtig mit zu optimistischen Zeitplänen. Schließlich ist GAINS ein privates, kleineres Unternehmen im Vergleich zu Unternehmen wie PTC oder SAP - einige risikoaverse Unternehmen machen sich Sorgen um die Größe/Stabilität des Anbieters. GAINS gibt es seit etwa 40 Jahren, daher sind sie stabil, aber sie haben in den letzten Jahren neue Investitionen und Management erhalten, vermutlich um zu expandieren. Stellen Sie sicher, dass Support und F&E stark bleiben. In unserer Recherche sind keine offensichtlichen technischen roten Flaggen aufgetaucht - GAINS scheint das zu liefern, was es behauptet, mit der üblichen Einschränkung, dass es für Ihre spezifischen Anforderungen geeignet ist.

Baxter Planning (jetzt Teil von STG, Produkt “Prophet von Baxter”)

Prognostizieren+Optimieren: Die Lösung von Baxter umfasst einen Prognose-Engine mit vielen deterministischen und statistischen Methoden, die für eine intermittierende Nachfrage geeignet sind ²⁰. Dies deutet darauf hin, dass der Ansatz von Baxter eher klassisch ist: Wahrscheinlich verfügt er über eine Bibliothek von Prognosemodellen (Croston-Methode für unregelmäßige Nachfrage, exponentielle Glättung für gleichmäßigere Nachfrage, vielleicht Regression für nachfragegetriebene Nachfrage nach installierter Basis) und wählt oder ermöglicht es dem Planer, welche Methode pro Artikel auszuwählen. Es gibt möglicherweise keine vollständige Wahrscheinlichkeitsverteilung standardmäßig aus; stattdessen könnte er eine mittlere Prognose und vielleicht ein Maß für die Variabilität ausgeben (wie Prognosefehler oder einen empfohlenen Sicherheitsbestand). Allerdings unterstützt Baxter auch prognostizieren auf Basis der Ausfallrate ²¹ für Teile, die mit Geräten verbunden sind - das bedeutet, wenn Sie wissen, dass ein Teil mit einer bestimmten MTBF (mittlere Betriebsdauer zwischen Ausfällen) ausfällt, kann Baxter die Nachfrage aus der installierten Basis dieses Geräts berechnen. Dies ist inhärent probabilistisch (oft unter Verwendung von Poisson-Prozessen für Ausfälle). In diesem Bereich verwendet Baxter tatsächlich probabilistische Modelle. Es ist unklar, ob das Tool von Baxter automatisch Nachfragehistorie und installierte Basisinformationen in eine einzige Verteilung kombiniert oder ob dies separate Ausgaben sind, die Planer abgleichen. Angesichts ihrer Kundschaft (Telekommunikation, IT-Teile usw.) bieten sie wahrscheinlich sowohl statistische Prognosen als auch Zuverlässigkeitsprognosen zum Vergleich an. Die Materialien von Baxter rufen nicht “probabilistische Prognose” als Funktion hervor, was darauf hindeutet, dass es möglicherweise nicht so nativ probabilistisch ist wie ToolsGroup oder Lokad. Stattdessen verlässt es sich möglicherweise darauf, ein Konfidenzniveau festzulegen (wie die Auswahl eines hohen Prozentrangs für den Sicherheitsbestand), was indirekt einen probabilistischen Servicegrad ergibt. In jedem Fall deckt Baxter die Grundlagen der Prognose für intermittierende Nachfrage ab, könnte aber eher auf deterministische Methoden plus Sicherheitsbestandsbuffer als auf eine integrierte stochastische Prognose setzen.
Inventaroptimierungsansatz: Baxter Planning ist bekannt für seine TCO (Total Cost of Ownership) Optimierung Philosophie ¹⁹. Das bedeutet, dass sie bei Bestandsentscheidungen alle relevanten Kosten (Halten, Bestellen, Lagerausfall/Strafe, Obsoleszenz usw.) berücksichtigen und versuchen, das Gesamte zu minimieren. In der Praxis ermöglicht die Software von Baxter den Benutzern, die Kosten für Lagerausfälle (vielleicht über SLA-Strafen oder Ausfallkosten) und Haltekosten einzugeben. Das System empfiehlt dann Lagerbestände, die diese Kosten ausgleichen. Dies ist “ökonomische Optimierung” per Definition. Viele Kunden von Baxter legen Wert darauf, Serviceverträge (SLAs) zu minimalen Kosten zu erfüllen, und der Ansatz von Baxter findet Anklang, weil er den Bestand mit diesen Geschäftsmetriken verknüpft ¹⁹. Anstatt zum Beispiel zu sagen “erreiche eine Füllrate von 95%”, könnte Baxter es so einrichten, dass es heißt “minimiere die Kosten, aber mit einer Strafe für jeden Lagerausfall basierend auf SLA”. Der Optimierungsprozess wird dann natürlich versuchen, Lagerausfälle zu vermeiden, bis zu dem Punkt, an dem das Vermeiden eines weiteren teurer ist als die Strafe. Das Ergebnis könnte ähnlich sein (vielleicht enden Sie mit ~95% Füllung), aber der Treiber war der Kostenfaktor, nicht ein willkürlicher Prozentsatz. Baxter unterstützt die Planung mit mehreren Ebenen, aber wie bereits erwähnt, haben viele seiner Kunden einfachere Netzwerke (einfache oder zweistufige) ²⁴. Es kann Feldlagerbestände optimieren, wobei oft jeder Vor-Ort-Lagerort unabhängig oder mit grundlegendem Pooling von zentraler Stelle betrachtet wird. Wenn ein Kunde ein komplexeres Netzwerk hat, kann Baxter damit umgehen, aber es verfügt möglicherweise nicht über so fortschrittliche Multi-Ebenen-Algorithmen wie Servigistics oder ToolsGroup (die dafür bekannt sind). Eine Stärke von Baxter liegt in der Materialrückgabe und Depotreparaturverwaltung - denn in Ersatzteilbereichen können Teile zurückgegeben und repariert werden, die Lösung von Baxter umfasst die Planung für diese Rückgaben (es war eines der ersten Tools, die dies zusammen mit MCA integrierten). Das bedeutet festzustellen, wie viele Ersatzteile im Vergleich zu Reparaturpipeline-Assets benötigt werden, was an sich ein Optimierungsproblem darstellt. Baxters Optimierung verwendet wahrscheinlich einfache Heuristiken oder lokale Optimierung anstelle von groß angelegter LP oder Simulation, aber sie ist effektiv für den Bereich, den sie anvisiert. Eine weitere Anmerkung: Baxter arbeitet oft in Verbindung mit flachen Netzwerken (Inventar am Verwendungsort), daher betont es die Optimierung des Bestands auf lokaler Ebene. Sie erwähnen, dass Kunden sich auf die Kostenoptimierung von Vor-Ort-Lagerorten konzentrieren, anstatt auf die Netzwerkoptimierung ²² - was darauf hindeuten könnte, dass die Stärke von Baxter darin liegt, jeden Ort zu optimieren, basierend auf einer bestimmten Nachfragezuweisung, anstatt auf komplizierte Multi-Tier-Mathematik. In Umgebungen, in denen Multi-Ebenen weniger kritisch sind (weil es kein großes zentrales Lager oder viele Ebenen gibt), ist das in Ordnung.
Automatisierung & Skalierbarkeit: Baxters Lösung wird von großen Unternehmen genutzt, was darauf hindeutet, dass sie sich für eine große Anzahl von SKUs skalieren lässt. Es wird nicht so häufig in Hunderttausenden von SKUs zitiert wie beispielsweise Servigistics, kann aber wahrscheinlich vernünftig mit etwa 50.000 Teilen umgehen. Viele Baxter-Kunden nutzen auch die Managed Services von Baxter - Planer von Baxter, die bei der Planung unterstützen oder diese vollständig übernehmen ⁶⁷. Dies deutet darauf hin, dass die Software über Automatisierungsfunktionen verfügt (da ein kleines Baxter-Team den Bestand für einen Kunden mithilfe des Tools verwalten kann). Das System von Baxter kann automatisch Auffüllungsaufträge erstellen, die Neuausrichtung des Bestands empfehlen und die Planungsparameter regelmäßig aktualisieren. Es hat wahrscheinlich Dashboards für die Ausnahmenverwaltung. Aufgrund seines Ansatzes mit vielen Prognosemethoden erfordert es möglicherweise etwas mehr Eingriff von Planern, um die richtige Methode festzulegen oder Prognosen zu überprüfen, wenn sich etwas ändert. Es ist vielleicht nicht so “selbstfahrend” wie ToolsGroup oder Lokad, aber es handelt sich auch nicht um manuelle Prognosen. Baxters neuer Schwerpunkt auf die Vorhersageanalyse (über die Übernahme einer Geschäftseinheit durch Entercoms) deutet darauf hin, dass sie mehr automatisierte Anomalieerkennung und KI hinzufügen, um den manuellen Aufwand zu reduzieren. Beispielsweise könnten Funktionen wie die automatische Erkennung einer Nachfragemusteränderung oder eines Teils, das sich dem Ende seines Lebenszyklus nähert, hinzugefügt werden und eine Strategieänderung vorschlagen (ohne auf einen Planer zu warten, der es bemerkt). Ein Punkt zur Automatisierung: Baxter betont die Ausrichtung des Bestands auf SLAs und Betriebsabläufe - dies erfordert oft Input von verschiedenen Geschäftsbereichen (Servicebetrieb, Finanzen). Das Tool von Baxter ermöglicht es Ihnen wahrscheinlich, diese Richtlinien zu codieren und dann automatisiert auszuführen. Wenn ein SLA eine Reaktionszeit von 4 Stunden in einer Region erfordert, wird Baxter sicherstellen, dass das Modell in dieser Region ausreichend bestückt ist; wenn die Kosten hoch sind, zeigt es möglicherweise Kompromisse auf, aber letztendlich wird es, wenn das SLA festgelegt ist, den Bestand entsprechend auffüllen. Die Automatisierung erfolgt also auf der Grundlage von Richtlinien. Darüber hinaus kann die Integration von Baxter mit den Systemen der Kunden Dinge wie das Lesen von Service-Arbeitsaufträgen oder RMA-Daten (Rücksendegenehmigung für Waren) umfassen, um den Teileverbrauch vorherzusagen - das ist ein automatisierter Datenfluss, der die Planung ohne manuelle Planungsarbeit informiert. Zusammenfassend kann Baxter einen Großteil des Planungsprozesses automatisieren, aber Planer sind immer noch entscheidend für die Festlegung von Strategien und den Umgang mit ungewöhnlichen Ereignissen. Mit Planning-as-a-Service zeigt Baxter im Wesentlichen, dass eine Person viel über ihre Software verwalten kann, was für ihre Effizienz spricht.
Technologietiefe: Baxters Technologie könnte als pragmatisch anstatt als topaktuell beschrieben werden. Sie umfasst alle grundlegenden Funktionalitäten für die Planung von Ersatzteilen, hat aber historisch gesehen KI/ML nicht stark beworben. Das Produkt “Prophet von Baxter” hat sich weiterentwickelt, um moderne Technologien wie die Vorhersageanalyse einzuschließen. Die Übernahme eines Teils von Entercoms (eines Unternehmens für die Analyse von Service-Lieferketten) hat wahrscheinlich einige Fähigkeiten im Bereich des maschinellen Lernens oder fortschrittliche Vorhersagemodelle eingebracht (Entercoms spezialisierte sich auf Dinge wie proaktives Ersatzteilmanagement unter Verwendung von IoT und Analytik). Daher hat Baxter wahrscheinlich Funktionen wie die Vorhersage von Ausfällen (wie Syncron und PTC es tun) oder möglicherweise die Verwendung von ML zur Optimierung von Parametern. Der Kernmotor, der viele Prognosemethoden verwendet, ist eher altmodisch (es ist der traditionelle Ansatz, der auch von Tools wie Smart von SmartCorp verwendet wird und Planern eine Reihe von Modellen bietet). Einige mögen das als weniger elegant als ein vereinheitlichtes Wahrscheinlichkeitsmodell betrachten, aber es ermöglicht es Fachleuten, die Methode anzuwenden, der sie für jeden Teiletyp vertrauen. Baxters Optimierung verwendet TCO, was auf einige benutzerdefinierte Algorithmen hinweist, aber nicht unbedingt extrem komplexe - sie könnten marginale Analysen verwenden, um Bestandsniveaus zu entscheiden (im Grunde genommen Bestand hinzufügen, bis die marginale Kosten den marginalen Nutzen übersteigen). Das ist ein logischer, kostengesteuerter Ansatz, obwohl es sich nicht um einen ausgefallenen Algorithmus handelt, ist er effektiv, wenn er für jeden Teil sorgfältig durchgeführt wird. Baxters Benutzeroberfläche und Analytik sind auf den Kundendienst nach dem Verkauf zugeschnitten - sie verfolgen Metriken wie Füllrate, Reparaturdurchlaufzeiten, SLA-Einhaltung nach Region. Ihre Berichterstattung bietet wahrscheinlich Einblicke, wie sich Bestandsentscheidungen auf diese Metriken auswirken, was technologisch wertvoll ist (Verknüpfung der Planung mit den Serviceergebnissen). Bei der Integration muss Baxter mit verschiedenen ERPs und manchmal mehreren in einem Unternehmen interagieren. Sie haben wahrscheinlich Erfahrung im Aufbau solider Schnittstellen und sogar im Betrieb als eigenständiger Planungsknotenpunkt. Sie haben möglicherweise nicht das Maß an technischer Neuheit wie Lokads Codierplattform oder ToolsGroups KI-Labore, aber Baxter verfügt über Tiefe in domänenspezifischen Funktionen (wie das Management der installierten Basis, Was-wäre-wenn-Szenarien für Vertragsänderungen usw.). Ein möglicher Schwachpunkt besteht darin, dass ein Kunde ML-Prognosen oder superintelligente Automatisierung “out-of-the-box” erwartet - Baxter könnte eher mit einem Toolkit kommen, das einen Experten zur Konfiguration benötigt. Allerdings tritt Baxter oft mit eigenen Experten auf, um dies zu mildern.
Umgang mit sporadischer und unregelmäßiger Nachfrage: Baxters Unterstützung für viele Prognosemethoden impliziert, dass sie verschiedene intermittierende Muster durch Auswahl geeigneter Modelle bewältigen können. Sie implementieren wahrscheinlich oder erlauben die Croston-Methode (die speziell für intermittierende Nachfrage entwickelt wurde) und Varianten davon. Möglicherweise verwenden sie auch einfache gleitende Durchschnitte für extrem niedrige Volumenartikel (manchmal ist das Beste, was Sie tun können, den Durchschnitt der letzten wenigen nicht-null Ereignisse zu bilden). Baxters Fokus auf die Prognose des installierten Bestands ist ein Unterscheidungsmerkmal für unregelmäßige Nachfrage: Wenn die Nachrichtengeschichte knapp ist, Sie aber wissen, dass Sie 1000 Einheiten einer Maschine im Feld haben, von denen jede mit einer jährlichen Wahrscheinlichkeit von 5% dieses Teil benötigt, können Sie eine Prognose von 50 pro Jahr generieren, auch wenn im letzten Jahr nur 2 verbraucht wurden. Dieser Ansatz kann die Nachfrage besser antizipieren als wenn man nur die spärliche Geschichte betrachtet - und Baxter bietet das an ²¹. Für sehr unregelmäßige Anforderungen empfiehlt Baxter wahrscheinlich Bestandsführung auf Serviceebene (z. B. Beibehaltung eines Sicherheitsbestands von 95%). Sie beinhalten standardmäßige Sicherheitsbestandsberechnungs -Fähigkeiten. Während Lokad Sicherheitsbestände möglicherweise als veraltet betrachtet, denkt der typische Benutzer von Baxter immer noch in diesen Begriffen, daher unterstützt die Software dies. Der Schlüssel liegt darin, dass Baxter den Sicherheitsbestand mit Kostenabwägungen verknüpft. Möglicherweise kann es eine Tabelle oder ein Diagramm erstellen: Servicegrad vs. Bestand vs. Kosten, um bei der Entscheidungsfindung zu helfen. Der Blum-Bericht stellte fest, dass Baxters Kunden die Optimierung der Lagerkosten insbesondere an vorgelagerten Lagerorten priorisieren ²² - was bedeutet, dass Baxter gut darin ist, auch bei sporadischer Nachfrage durch Fokussierung auf die Kosten an jedem Standort zu optimieren. Für extrem unregelmäßige, wenig genutzte Artikel ist Baxter wahrscheinlich konservativ (z. B. könnte es vorschlagen, 1 oder 0 je nach Kosten zu lagern, unter Verwendung einer Regel wie “wenn die erwartete Nachfrage < 0,3 pro Jahr liegt, vielleicht nicht lagern, es sei denn, es ist kritisch”). Diese Regeln können in das System integriert werden. Baxters Tool markiert wahrscheinlich auch Artikel mit “Nullnachfrage”, die dennoch gelagert werden, und hilft dabei zu identifizieren, ob sie aussortiert werden können (Bestandsbereinigung). Umgekehrt kann es verfolgen, ob ein Artikel lange Zeit keine Nachfrage hatte und dann eine hatte - es kann entweder von einem einmaligen Ereignis ausgehen oder signalisieren, dass überwacht werden sollte, ob sich ein neuer Trend abzeichnet. Ohne ausgefeiltes ML könnte vieles davon schwellenwertbasiert sein oder auf die Überprüfung durch den Planer angewiesen sein, aber Baxters Planung-als-Service-Team hat wahrscheinlich standardisierte Möglichkeiten, mit solchen Randfällen umzugehen. Kurz gesagt, Baxter geht mit unregelmäßiger Nachfrage um, indem es eine Mischung aus klassischer intermittierender Prognose, Fachwissen (Ausfallraten) und kostenbasierter Logik zur Entscheidung über Lagerbestände verwendet, was effektiv ist, aber nicht bahnbrechend.
Integration & Architektur: Baxter Planning ist jetzt Teil einer größeren Gruppe (sie erhielt eine Private-Equity-Investition von Marlin Equity und gehört meiner Meinung nach ab 2023 zusammen mit anderen Service-Softwareunternehmen zu STG). Das Kernprodukt, Prophet, ist vermutlich vereinheitlicht (keine Ansammlung von Übernahmen - außer dem Entercoms-Bereich, der wahrscheinlich als Modul für die Vorhersageanalytik integriert wurde). Baxter integriert in der Regel mit ERPs wie SAP, Oracle usw. für Stammdaten und Transaktionsdaten. Da viele ihrer Kunden möglicherweise SAP verwenden, hat sich Baxter wahrscheinlich als spezialisierter Add-On positioniert, das SAP ERP ergänzt (insbesondere nachdem SAP SPP Probleme hatte, haben einige Unternehmen Baxter für die Aufgabe herangezogen). Die Architektur ist client-seitig oder webbasiert (wahrscheinlich jetzt webbasiert) mit einer zentralen Datenbank. Wenn ein Anbieter mehrere Technologien erworben und nicht integriert hat, ist das ein Warnsignal - im Fall von Baxter fällt nur die Übernahme von Entercoms auf. Es handelte sich um eine kleine Übernahme, die darauf abzielte, die Vorhersageangebote zu erweitern, daher ging es wahrscheinlich darum, einige Machine-Learning-IP zu integrieren. Wir sollten überprüfen, ob Baxter es tatsächlich fusioniert hat oder ob es als separater Analyse-Service angeboten wird. Wenn separat, könnte das eine geringfügige Integrationslücke sein. Baxters Lösungen waren historisch gesehen als On-Premises oder gehostet verfügbar; heutzutage gibt es wahrscheinlich auch eine Cloud-SaaS-Option. Sie haben möglicherweise nicht die ultramoderne Mikroservices-Architektur, mit der neuere Startups prahlen, aber Zuverlässigkeit und Branchenpassung sind hier wichtiger. Eine potenzielle Integrationsherausforderung besteht darin, wenn ein Unternehmen mehrere Servicebetriebe oder Datenquellen hat - Baxters Team hilft oft bei der Konsolidierung. In Bezug auf das Benutzermanagement, da Baxter oft als Partner für ihre Kunden arbeitet (einige Kunden lagern die Planung teilweise an sie aus), unterstützt das System wahrscheinlich die Zusammenarbeit mehrerer Benutzer, die Verfolgung von Entscheidungen und Überschreibungen (damit Mitarbeiter von Baxter und Kundenmitarbeiter interagieren können). Das ist positiv für die Transparenz.
Warnsignale / Skepsis: Baxter Planning setzt nicht auf viel Hype - sie sind im Vergleich zu glanzvolleren Marketingaktivitäten anderer eher unter dem Radar. Etwas, worauf man achten sollte, ist, dass da Baxter als Service bereitgestellt werden kann, ein Unternehmen möglicherweise von den Experten von Baxter abhängig wird, anstatt interne Kompetenzen aufzubauen. Das ist nicht unbedingt schlecht (wenn Baxter gute Arbeit leistet), aber es handelt sich um ein anderes Modell. Wenn ein Kunde erwartet hat, nur Software zu kaufen und selbst zu konfigurieren, sollte er sicherstellen, dass er die Fähigkeit hat, sie zu konfigurieren oder ausreichend geschult zu werden. Ein weiterer Punkt: Während Baxter die Optimierung der Gesamtbetriebskosten (TCO) fördert, sollte man die Fähigkeit durch Anwendungsfälle überprüfen - z.B. sie bitten zu zeigen, wie die Software entscheidet, ein Teil nicht zu lagern, weil die Kosten hoch und der Nutzen gering sind. Stellen Sie sicher, dass sie tatsächlich optimiert und nicht nur Servicelevel erbringt, es sei denn, Sie geben manuell Kosten ein (d.h. erfolgt die Optimierung automatisch oder muss der Planer Szenarien durchspielen?). Baxters vergleichsweise geringe Größe könnte ein Anliegen für den globalen Support sein, aber sie waren in dieser Nische stabil und haben jetzt mit Investitionen im Rücken wahrscheinlich Ressourcen. Es sind keine offensichtlichen “falschen Behauptungen” von Baxter erkennbar; sie neigen dazu, realistisch zu sein. Wenn überhaupt, ist ihr Funktionsumfang enger als bei den großen Playern (sie konzentrieren sich auf das Kernproblem der Ersatzteileplanung, ohne sich auf Dinge wie Produktionsplanung oder Feldservicemanagement zu erstrecken), aber das ist beabsichtigt. Stellen Sie also sicher, dass dieser enge Rahmen alle Ihre Anforderungen abdeckt (normalerweise deckt er die Prognose und die Lagerplanung gut ab, aber z.B. wenn Sie eine integrierte Preisoptimierung wünschen, hat Baxter kein Preiswerkzeug wie Syncron oder Servigistics). Für Unternehmen, die eine All-in-One-Nachmarkt-Suite benötigen, könnte das ein Nachteil sein, aber viele integrieren Baxter einfach mit einem separaten Preiswerkzeug.

Syncron

Probabilistische Prognosen: Syncron vermarktet seine Lagerprognosen als „Probabilistische KI-Modelle“ für Ersatzteile ²⁷. Dies deutet darauf hin, dass sie über grundlegende Prognosen hinausgegangen sind und KI einsetzen, um die Nachfrageunsicherheit zu erfassen. Es ist jedoch wahrscheinlich, dass Syncrons Ansatz traditionelle Methoden zur Vorhersage intermittierender Nachfrage mit maschinellem Lernen kombiniert. Zum Beispiel könnte Syncron ein neuronales Netzwerk oder ein Gradient-Boosting-Modell verwenden, um die Wahrscheinlichkeit der Nachfrage in einem Zeitraum vorherzusagen, indem es aus Mustern über viele Teile/Kundenfälle lernt. Syncron bedient hauptsächlich OEMs mit vielen Teilen, sodass sie Daten über viele ähnliche Teile haben; eine KI könnte erkennen, dass Teile mit bestimmten Merkmalen (Nutzungsrate, Gerätealter usw.) ähnliche intermittierende Muster aufweisen. Syncron könnte auch ML verwenden, um Artikel automatisch in Nachfrage-Muster zu klassifizieren (SKU-Clustering nach intermittierenden Mustern). Sobald klassifiziert, könnte es das am besten geeignete statistische Modell auf jede Klasse anwenden - das wäre ein „KI-unterstützter“ Prognoseansatz. Ohne Insiderwissen müssen wir aus Hinweisen schließen: Auf der Website von Syncron wird „Artikel dynamisch klassifizieren“ und Szenario-Prognosen erwähnt ²⁷, was auf einen Algorithmus hindeutet, der sich pro Artikel anpasst. Sie integrieren auch IoT-Daten über Syncron Uptime: Das bedeutet, wenn das IoT auf einen wahrscheinlichen Ausfall hinweist, kann Syncron die Prognosewahrscheinlichkeit für dieses Teil anpassen. Das ist von Natur aus probabilistisch (wenn ein Sensor auslöst, besteht vielleicht eine 70%ige Chance, dass dieses Teil bald benötigt wird). Syncron nutzt also tatsächlich Wahrscheinlichkeiten bei der Prognose, wenn möglich. Auf der einfacheren Seite bietet Syncron wahrscheinlich immer noch einen Prognosemittelwert und einen vorgeschlagenen Sicherheitsbestand (wie viele Tools) für Planer als Ausgaben an. Es ist nicht klar, ob Syncron vollständige Verteilungen angibt oder Monte Carlo unter der Haube verwendet - ihre Kommunikation mit Kunden bezieht sich oft immer noch darauf, Servicelevel zu erreichen, was darauf hindeutet, dass die Ausgabe darauf ausgerichtet ist (z.B. „Um 95% Service zu erhalten, lagern Sie 3 Einheiten“). Daher verwendet Syncron wahrscheinlich intern probabilistisches Denken, aber die Benutzererfahrung könnte sich eher wie eine geführte Prognose mit berücksichtigter Variabilität anfühlen, anstatt rohe Wahrscheinlichkeitskurven offenzulegen. Sie ermutigen auf jeden Fall zur Nutzung von Simulationen in der Planung - ihr Marketing erwähnt „strategische Simulationen und automatische Optimierung“ mit minimalem manuellem Aufwand ²⁹.
Inventaroptimierungsansatz: Syncrons Optimierung konzentrierte sich historisch darauf, Servicelevel zu minimalen Kosten zu erreichen, ähnlich wie andere. Viele Syncron-Kunden setzen differenzierte Servicelevel-Ziele (oft über eine Kritikalitätsmatrix oder PICS/VAU-Analyse - was für Teilwichtigkeit und Volumenklasse steht) ⁶⁸. Die Software von Syncron optimiert dann Lagerhaltungsrichtlinien, um diese Ziele zu erreichen. Sie haben Konzepte wie “dualer Servicelevel” eingeführt - einen zentralen und einen vor Ort -, um einen globalen Service sicherzustellen, ohne lokal zu überbestücken. In jüngster Zeit betont Syncron jedoch Gewinn und Abfallreduzierung (“Machen Sie Gewinn, nicht Abfall” ist ein Slogan ⁶⁹). Dies legt nahe, dass sie es als ökonomische Optimierung darstellen: Sicherstellen, dass das Inventar nur dort ist, wo es Wert bringt. Die bekannte Methodik von Syncron verwendet jedoch viel Segmentierung und Geschäftsregeln. Zum Beispiel segmentieren sie oft Teile nach Wert und Kritikalität (z. B. A, B, C-Kategorien und X, Y, Z-Kritikalität) und wenden dann unterschiedliche Servicelevel-Ziele oder Nachbestellrichtlinien auf jeden Segment an. Dies ist ein eher manueller Optimierungsansatz - der mehr auf Expertenregeln als auf reine algorithmische globale Optimierung setzt. Innerhalb jedes Segments kann Syncron jedoch sicherlich Nachbestellpunkte/Bestellmengen mit traditionellen Formeln oder Simulationen optimieren. Syncron Inventory handhabt Multi-Echelon in gewissem Maße (insbesondere für Zentrallager -> regional -> Händlernetzwerke). Sie haben ein Modul Syncron Retail für Händlerbestände, das wahrscheinlich mit zentralen Lagerplänen koordiniert ³⁰. Sie berücksichtigen auch Transfer- vs. Beschaffungsentscheidungen - z. B. schlagen sie vor, Überschüsse von einem Standort zum anderen zu verschieben, um einen Bedarf zu decken, wenn möglich, was ein Optimierungsschritt ist. Ein wichtiger Schwerpunkt für Syncron ist globale Planung vs. lokale Planung. Sie werben damit, dass Unternehmen durch die Verwendung von Syncron global optimieren können, anstatt dass jede Region in Silos plant. Dies bedeutet wahrscheinlich, dass sie eine Optimierung durchführen, die das Inventar über alle Standorte hinweg ausbalanciert, um den bestmöglichen Gesamtservice zu gewährleisten. Die ökonomische Optimierung bei Syncron ist möglicherweise nicht so mathematisch explizit wie der ROI von Lokad oder die Kostenminimierung von GAINS, aber sie ist in Funktionen wie Lagerausfallkosteneinstellungen vorhanden. Wenn ein Benutzer Kosten eingibt, berücksichtigt Syncron das. Ein kleiner Unterschied: Syncron betont oft Verfügbarkeit (Betriebszeit) als Hauptziel. Sie könnten also sagen, wir gewährleisten X% Betriebszeit bei minimalem Bestand. In der Praxis ist das dasselbe wie der Servicelevel, aber als Gerätebetriebszeit formuliert. Angesichts des breiten Angebots von Syncron verknüpfen sie die Inventaroptimierung auch mit der Preisgestaltung - wenn ein Teil von Wettbewerbern selten bevorratet wird, könnte Syncron aufgrund der hohen Serviceunterscheidung eine Preiserhöhung empfehlen ⁶⁸. Das ist eher ein Ergebnis der Geschäftsstrategie, zeigt aber Syncrons ganzheitlichen Ansatz (Inventar steht nicht allein, es interagiert mit der Preisgestaltung und dem Kundennutzen). Insgesamt ist die Optimierung von Syncron solide, aber vielleicht eher heuristisch/segmentierungsgetrieben und weniger rein algorithmisch als beispielsweise ToolsGroup oder Servigistics.
Automatisierung & Skalierbarkeit: Syncron hebt hervor, dass sein System „Maßnahmen zur Ausnahmebehandlung, strategische Simulationen und automatische Optimierung vorantreibt“ ²⁹ mit minimalem manuellem Input. Dies deutet auf ein hohes Maß an Automatisierung hin. Viele Syncron-Implementierungen ermöglichen es Planern, nach Ausnahmen zu managen: Das System generiert Bestellanforderungen, Wiederausgleichsvorschläge und identifiziert alle Artikel, die voraussichtlich die Ziele verfehlen werden. Die Planer überprüfen dann nur diese Vorschläge oder untersuchen die Ursachen für Ausnahmen. Die Skalierbarkeit von Syncron wird durch seine Kundenbasis großer OEMs demonstriert (einige mit Millionen von Ersatzteilen in ihren Katalogen, obwohl typischerweise nicht alle aktiv sind). Die ausschließliche Cloud-Bereitstellung hilft – Syncron läuft auf einem SaaS-Modell, sodass sie die Rechenleistung bei Bedarf skalieren können. Sie erwähnen die Handhabung von „Millionen von Teil-Standort-Kombinationen“ mit KI-Modellen ²⁷, was darauf hindeutet, dass sie Big-Data-Verarbeitung durchführen (vielleicht verteiltes Computing für ihre ML-Algorithmen). Der Benutzer muss diese Komplexität nicht verwalten, alles geschieht im Hintergrund. Syncron automatisiert auch Datenintegrationsaufgaben – z. B. tägliche oder wöchentliche Datenfeeds aus ERPs, automatische Bereinigung von Daten (etwas KI könnte verwendet werden, um Ausreißer zu bereinigen oder fehlende Vorlaufzeiten zu ergänzen usw.). Darüber hinaus, da Syncron auch Field Service Management und IoT anbietet (nach der Übernahme von Mize und der Entwicklung von Uptime), gibt es Automatisierung bei der Auslösung von Teileversorgungsmaßnahmen aus externen Ereignissen. Zum Beispiel, wenn Syncron Uptime einen Ausfall in 10 Tagen für eine Maschine in Brasilien vorhersagt, könnte das System automatisch sicherstellen, dass das Teil im brasilianischen Depot bevorratet ist oder es beschleunigen. Diese automatisierte Intermodul-Automatisierung ist eine einzigartige Fähigkeit, wenn sie vollständig realisiert wird. Das Händler-Inventarmodul von Syncron legt nahe, dass sie die Zusammenarbeit automatisieren – zentrale Planer können die Lagerbestände der Händler sehen und automatisch Bestände verschieben, anstatt auf Händlerbestellungen zu warten. Aus personeller Sicht argumentiert Syncron, dass Unternehmen mit relativ kleinen Teams globalen Service-Teile mit ihrer Software verwalten können. Viele Benutzer loben Syncron dafür, dass sie das Feuerlöschen reduzieren – das System gewährleistet hohe Servicelevel, sodass Planer nicht so oft in Eile geraten.
Technologische Tiefe: Syncron gibt nicht so viele Details zu seinem Technologie-Stack preis, aber offensichtlich haben sie in die Modernisierung durch KI und IoT investiert. Die KI bei Syncron umfasst wahrscheinlich maschinelles Lernen für die Prognoseerstellung (Zeitreihenmodelle, ergänzt durch Regressionsfaktoren wie Nutzung oder sogar Deep Learning für die Mustererkennung). Sie könnten KI auch für die Parameterabstimmung verwenden – zum Beispiel, um automatisch Vorlaufzeitverteilungen zu identifizieren oder Teile als saisonal oder nicht-saisonal zu klassifizieren. Die separaten Module von Syncron (Inventar, Preis, Betriebszeit) deuten auf eine Mikroservices- oder modulare Architektur hin, die jeweils spezialisiert ist. Der Nachteil wurde festgestellt: Inventar und Preis hatten separate Datenbanken ⁷⁰, was bedeutet, dass sie ursprünglich nicht auf einer einzigen Plattform aufgebaut waren und integriert werden mussten. Dies deutet darauf hin, dass Syncron Price möglicherweise aus einer Übernahme stammt oder später mit einer anderen Technologie entwickelt wurde. Wenn nicht vollständig vereinheitlicht, könnte dies zu Ineffizienzen führen (z. B. Notwendigkeit zur Synchronisierung von Stammdaten zwischen beiden). Syncron wird dies wahrscheinlich in zukünftigen Versionen angehen, aber derzeit ist es eine Überlegung. Allein auf der Inventarseite verfügt Syncron über eine tiefe Funktionalität für What-If-Simulationen: Ein Planer kann Änderungen simulieren wie „Was passiert, wenn wir den Servicelevel für diese Gruppe von Teilen erhöhen?“ und die Auswirkungen auf das Inventar sehen. Das erfordert schnelle Berechnungsmotoren – Syncron berechnet wahrscheinlich im Voraus viele Reaktionskurven, um schnelle Simulationen zu ermöglichen (ähnlich dem Konzept der Bestand-zu-Service-Kurven). Für IoT (Betriebszeit) liest die Technologie von Syncron Gerätedaten, wendet prädiktive Modelle an (wie maschinelles Lernen zur Anomalieerkennung oder regelbasierte Auslöser) und wenn ein Bedarf an einem Teil identifiziert wird, wird dies dem Inventarsystem zugeführt. Die Raffinesse liegt hier in der Übersetzung von Sensordaten in Teilnachfragesignale – Syncron verfügt über dieses Know-how aus der Entwicklung von Uptime (die dem Ansatz von PTC’s ThingWorx + Servigistics ähnelt). Ein weiterer technischer Punkt: Syncron setzt auf ausschließlich Cloud-basierte, mandantenfähige SaaS. Das bedeutet, dass alle Kunden auf der neuesten Codebasis laufen, was schnellere Verbesserungszyklen fördert, aber auch weniger Anpassung pro Kunde bedeutet (im Gegensatz zum Code-Ihr-eigenes-Modell von Lokad ist Syncron standardisierter; sie behandeln kundenspezifische Anforderungen durch Konfiguration, nicht durch Änderung des Codes pro Kunde). Man würde nicht erwarten, dass Syncron eine DSL oder benutzererweiterbaren Code hat; stattdessen bieten sie Einstellungen und Optionen im UI zur Anpassung der Strategie. Zum Beispiel kann ein Benutzer Servicelevel ändern, Klassifizierungsschwellen ändern, aber nicht so einfach einen benutzerdefinierten Algorithmus einfügen. Das ist typisch für ein SaaS-Produkt, aber es bedeutet, dass die Technologie verschiedene Bedürfnisse durch eingebaute Flexibilität antizipieren muss.
Umgang mit sporadischer und unregelmäßiger Nachfrage: Der Ansatz von Syncron war historisch gesehen, zu segmentieren und zu puffern. Sie klassifizieren wahrscheinlich Teile nach Nachfragevolatilität und Kritikalität. Für rein unregelmäßige Teile empfiehlt Syncron oft eine „Null oder Eins“-Strategie: Entweder lagern Sie eine Einheit (wenn sie kritisch genug ist) oder keine (wenn es nicht lohnt), da die Prognose eines Durchschnitts von z. B. 0,2/Jahr nicht sinnvoll ist. Dies ist im Grunde eine wirtschaftliche Entscheidung, die als Regel getarnt ist (Lagerbestand, wenn die Kosten für das Nichtvorhandensein höher sind als die Kosten für das Halten einer Einheit möglicherweise über Jahre). Syncrons neuer KI-Ansatz könnte besser sein, indem er Muster in unregelmäßigen Anfragen identifiziert. Aber in Abwesenheit von Mustern wird Syncron auf Sicherheitsbestandslogik zurückgreifen: z. B. einen Servicegrad festlegen, der dann durch Berechnung einen bestimmten Lagerbestand ergibt, der möglicherweise >0 ist, auch wenn die durchschnittliche Nachfrage 0,2 beträgt. Sie berücksichtigen definitiv die Vorlaufzeit dabei – eine lange Vorlaufzeit bei unregelmäßiger Nachfrage rechtfertigt oft das Vorhalten von 1 „für alle Fälle“, was das Tool signalisieren würde, wenn das Serviceziel hoch ist. Etwas, worauf Syncron Wert legt, sind kausale Faktoren für Teilenachfrage: Beispielsweise kann die Verwendung eines Geräts oder eine bevorstehende Servicekampagne zu einer unregelmäßigen Teilenachfrage führen. Syncron ermutigt dazu, solche Informationen in die Planung einzubeziehen (ihr System kann manuelle Prognoseanpassungen oder zusätzliche Nachfragefaktoren berücksichtigen). Wenn ihr Uptime-Modul bestimmte sich abzeichnende Ausfallmodi erkennt, kann es die Lagerplanung entsprechend anpassen. Das ist eine proaktive Möglichkeit, mit unregelmäßiger Nachfrage umzugehen, die eine Ursache hat. Bei wirklich zufälliger Nachfrage – die einzige Lösung sind Puffer, und das weiß Syncron. Verlassen sie sich auf „Ausreißerentfernung“? Möglicherweise nicht offensichtlich; große Nachfragespitzen werden wahrscheinlich manuell untersucht oder als besondere Ereignisse behandelt, anstatt blind in Prognosen aufgenommen zu werden. Syncron erlaubt wahrscheinlich das Festlegen von manuellen Prognosen oder Überschreibungen für bestimmte Fälle (z. B. wenn ein OEM weiß, dass aufgrund eines Rückrufs eine Reihe von Teilen benötigt wird, können sie dies explizit eingeben). Daher ist die Handhabung eine Mischung aus automatisierter Klassifizierung und menschlicher Interaktion bei außergewöhnlichen Ereignissen. Die Erwähnung im Bericht von Blum, dass Syncron bei Preisgestaltung und Servitisierung führend ist und die Prognose sekundär ist ²⁶, könnte darauf hindeuten, dass die Forschung und Entwicklung von Syncron in ausgefeilte neue Prognosemethoden nicht so hohe Priorität hatte, sodass sie sich möglicherweise auf bekannte Methoden (Croston, Bootstrapping usw.) stützen, die mit etwas KI optimiert sind, aber nicht wesentlich von Mitbewerbern abweichen.
Integration & Architektur: Syncron als SaaS muss sich mit den ERPs der Kunden (SAP, Oracle usw.) typischerweise über sicheren Datenaustausch oder APIs integrieren. Viele große OEMs haben Syncron beispielsweise mit SAP integriert, um Artikelstammdaten, Lagerbestände und geplante Bestellungen zu erhalten. Dies ist ein Standardteil von Syncron-Projekten. Die modulare Architektur (Inventar, Preis usw.) bedeutet, dass diese Module über definierte Schnittstellen miteinander kommunizieren. Die separate Datenbank für den Preis bedeutet, dass es möglicherweise eine Datenredundanz gibt und die Notwendigkeit besteht, Teilenummern und ähnliches zwischen Modulen zu synchronisieren, was während der Implementierung mühsam sein kann. Syncron wird diese wahrscheinlich im Hintergrund irgendwann vereinheitlichen (oder einen vereinheitlichten Datenpool für alle Module anbieten). Wenn ein Kunde mehrere Syncron-Module verwendet, ist es wichtig zu klären, wie sie verbunden sind – z. B. wird eine Preisänderung automatisch die Bestandsoptimierungslogik aktualisieren (z. B. könnte die prognostizierte Nachfrage sinken, wenn der Preis erhöht wird)? Oder handelt es sich im Wesentlichen um isolierte Funktionen, die der Benutzer koordiniert? Diese Integrationsreife ist etwas, das überprüft werden sollte. Übernahmen: Syncron hat Mize (Feldservicemanagement) übernommen – das beeinflusst wahrscheinlich die Bestandsoptimierung nicht direkt, außer dass mehr Daten zur Verfügung stehen (z. B. Serviceticketdaten, die auf Teilenutzung hinweisen könnten). Wenn integriert, könnte dies einen vollständigen Closed-Loop bieten: Teil verwendet -> Bestand verringert -> Aufzeichnung auf Vermögenswert -> mögliche Wiederauffüllung auslösen. Das ist leistungsstark, wenn es umgesetzt wird. Syncron hat auch Finanzierung erhalten und möglicherweise mit anderen kleineren Unternehmen fusioniert (ich erinnere mich an die Syncron- und Mize-Vereinbarung sowie einige Partnerschaften). Bisher deutet nichts auf eine große Fragmentierung hin, nur auf ein Problem mit der Preisdatenbank. Für einen potenziellen Benutzer sind die wichtigsten Integrationsfragen: Kann Syncron Inventory problemlos in unsere bestehende IT-Landschaft integriert werden? In der Regel ja, da es andere bereits getan haben – aber stellen Sie sicher, dass Ihre spezifischen Systeme unterstützt werden (einige ältere ERPs oder Eigenentwicklungen benötigen möglicherweise individuelle Anpassungen).
Rote Flaggen / Anbieteransprüche: Syncrons Ansprüche drehen sich in der Regel um die Ermöglichung von Servitisierung, Verbesserung der Servicelevels usw. Sie haben Fallstudien, in denen ein Unternehmen beispielsweise mit weniger Beständen eine Verfügbarkeit von 98% erreicht hat. Diese sind plausibel, aber es ist schwer zu isolieren, wie viel auf das Tool und wie viel auf den Prozess entfällt. Eine gesunde Skepsis: Fordern Sie von Syncron den technischen Nachweis für ihre KI an - vielleicht ein Beispiel, bei dem ihre KI-Prognose eine naive Methode um X% übertroffen hat. Marketingphrasen wie “nur für KI-gestützte Ersatzteilsoftware entwickelt” ⁶⁹ können mit Vorsicht betrachtet werden, da Wettbewerber den “nur”-Teil bestreiten würden. In Bezug auf Buzzwords: “Nachfrageerfassung” - Syncron verwendet diesen Begriff meines Wissens nach nicht explizit im Marketing (Nachfrageerfassung ist eher in schnelllebigen Lieferketten), daher hier kein rotes Flagge. “Plug-and-Play” - Syncron, als SaaS, könnte auf eine schnellere Bereitstellung hindeuten, aber bei Industriekunden ist es nie wirklich Plug-and-Play aufgrund der Datenbereinigung. Seien Sie vorsichtig, wenn ein Anbieter, einschließlich Syncron, sagt, dass die Integration einfach ist; Benutzererfahrungen erwähnen oft, dass es erheblichen Aufwand erfordert, Daten zu kartieren und zu bereinigen. Eine weitere mögliche rote Flagge: Syncrons Schwerpunkt auf Preisgestaltung und Betriebszeit könnte bedeuten, dass ihre F&E aufgeteilt ist, möglicherweise nicht zu 100% darauf ausgerichtet, die besten Bestandsalgorithmen zu entwickeln, sondern auch auf diese anderen Bereiche. Wenn ein Kunde nur Exzellenz bei der Bestandsoptimierung interessiert, sollte er prüfen, ob Syncrons Bestandsmodul allein so stark ist wie beispielsweise ToolsGroup oder GAINS. Es könnte etwas weniger anspruchsvoll sein, da Syncrons Wettbewerbsvorteil in der gesamten Suite liegt (Bestand + Preisgestaltung + Außendienst). Diese Suite kann für den Gesamtwert großartig sein (alle Nachmarkt-Hebel an einem Ort verwalten), aber individuell könnte ein Spezialist sie in einem Bereich schlagen. Eine letzte Vorsichtsmaßnahme: Syncron Inventory erforderte historisch eine sorgfältige Abstimmung der Parameter (wie Klassifizierungsschwellen, Überprüfungszeiträume usw.). Bei falscher Konfiguration können die Ergebnisse enttäuschend sein. Es ist also keine Wunderbox - der Benutzer oder Berater muss die Vorarbeit leisten, um sie richtig einzurichten. Die Bestätigung, dass diese Parameter im Laufe der Zeit angepasst werden können (mit KI oder Regeln), ist etwas, das bestätigt werden sollte, damit das System nicht statisch wird.

Blue Yonder (JDA)

Probabilistische Prognosen: Blue Yonders Erbe umfasst sowohl Manugistics als auch i2 Technologies, zwei alte Giganten der Supply-Chain-Software, und vor kurzem das übernommene Blue Yonder (ein KI-Startup) für die Bedarfsplanung. In seiner aktuellen Form verwendet Blue Yonder Luminate maschinelles Lernen für die Bedarfsprognose, was probabilistische Prognosen liefern kann. Sie haben speziell ein Produkt namens Luminate Demand Edge, das probabilistische Kurzzeitprognosen für schnelllebige Konsumgüter generiert. Für Ersatzteile hat Blue Yonder ein “Advanced Inventory Optimization”-Modul, das historisch (aus den JDA-Tagen) einen stochastischen Optimierungsansatz verwendete - im Wesentlichen die Berechnung der Verteilung der Nachfrage über die Vorlaufzeit (oft als normal oder Poisson angenommen) und die Optimierung des Bestands entsprechend. Es ist wahrscheinlich, dass Blue Yonder Konfidenzintervalle oder Service-Level-Kurven ausgeben kann, aber nicht sicher, ob es eine vollständige benutzerdefinierte Verteilung pro Artikel über die Standardverteilungen hinaus gibt. Angesichts des Branchentrends hat Blue Yonder wahrscheinlich ihren Bestandsoptimierer aktualisiert, um Nachfrageverteilungen aus ihren ML-Prognosen zu berücksichtigen. Wenn Blue Yonders Bedarfsplanung beispielsweise eine Wahrscheinlichkeitsverteilung (oder zumindest einen Bereich und Fehlermetriken) liefert, kann die Bestandsoptimierung dies nutzen, um Sicherheitsbestände intelligenter festzulegen. Blue Yonder hat auch die Fähigkeit zur Multi-Echelon-Simulation aus den i2-Tagen - sie könnten die Nachfragevariabilität und -ausbreitung durch ein Liefernetzwerk simulieren. Ja, probabilistische Konzepte sind vorhanden, obwohl Blue Yonder dies möglicherweise nicht explizit für das Marketing im Ersatzteilkontext betont. Stattdessen könnten sie über “Szenarioplanung” und “Was-wäre-wenn-Analyse” sprechen, die indirekt unsichere Ergebnisse abdecken. Zusammenfassend ist Blue Yonders Prognose für Ersatzteile kompetent und verwendet moderne Algorithmen, aber sie ist möglicherweise nicht so explizit probabilistisch oder auf intermittierende Nachfrage zugeschnitten wie spezialisierte Anbieter. Es könnte sich auf den gleichen Motor verlassen, der beispielsweise Produktteile oder Verkäufe prognostiziert, nur anders abgestimmt.
Inventaroptimierungsansatz: Blue Yonder bietet sowohl die Ein-Ebenen- als auch die Mehr-Ebenen-Inventaroptimierung als Teil seines Supply Chain Planning-Suites an. Die Optimierung zielt in der Regel darauf ab, gewünschte Kundenservicelevel mit minimalem Bestand zu erreichen. Der Ansatz von Blue Yonder beinhaltet oft die Lösung eines mathematischen Optimierungsmodells, das den Gesamtbestand unter Berücksichtigung von Servicestufenbeschränkungen im gesamten Netzwerk minimiert, unter Verwendung der Mehr-Ebenen-Theorie, wenn erforderlich. Es kann auch das Gegenteil tun - den Service für ein festes Bestandsbudget maximieren. Die Lösung schlägt Sicherheitsbestände oder Nachbestellpunkte für jedes SKU an jedem Standort vor. Blue Yonder würde historisch (als JDA) Benutzer Servicelevel-Ziele nach Artikel oder Gruppe eingeben lassen. Es gibt eine Funktionalität zur Differenzierung nach Segmenten (wie A-Artikel 99%, B-Artikel 95%, usw.). Es berechnet also möglicherweise nicht von Natur aus einen ROI für jedes Element, es sei denn, Sie richten es so ein. Aber die Stärke von Blue Yonder liegt in der umfassenden Planungsintegration: Sie können die Bestandsoptimierung mit der Lieferplanung verknüpfen, um sicherzustellen, dass diese Lagerziele mit der Lieferantenkapazität usw. machbar sind. Für Ersatzteile hat Blue Yonder auch Funktionen für die Reparaturplanung (diese stammt aus der früheren JDA-Service-Teileplanungslösung). Dabei wird koordiniert, wann repariert werden soll und wann neu gekauft werden soll, unter Berücksichtigung der Lagerbestände. Die Optimierung dazu basiert eher auf Regeln (Festlegen von wirtschaftlichen Reparatur- vs. Austauschschwellen). Die Netzwerkoptimierungsfähigkeiten von Blue Yonder können große, komplexe Vertriebsnetzwerke bewältigen, wie sie Ersatzteile oft haben. Wenn der Benutzer es voll ausnutzt, kann er Dinge wie sehen, wie sich die Neugewichtung des Bestands von einem Lagerhaus in ein anderes auf den globalen Service auswirkt - Blue Yonders Tools können solche Bewegungen identifizieren. Wirtschaftlich gesehen kann die Lösung von Blue Yonder absolut Kosten (Rückstandskosten, Haltekosten usw.) einbeziehen, wenn man sich für den Kostenminimierungsmodus entscheidet. Viele JDA-Implementierungen blieben jedoch bei der Verwendung als Servicestufenwerkzeug stecken (weil so die Planer denken). Aber wenn konfiguriert, kann es ein Kostenziel minimieren. Eine Lücke: Blue Yonder verfügt nicht über eingebautes Wissen über beispielsweise SLA-Strafen oder Ausfallzeitenkosten - der Benutzer muss diese eingeben. Es ist also so gut in der wirtschaftlichen Optimierung wie der Aufwand, den Sie investieren, um Ihre Kosten korrekt zu modellieren.
Automatisierung & Skalierbarkeit: Blue Yonders Lösungen werden von vielen Fortune-500-Unternehmen verwendet, daher ist die Skalierung im Allgemeinen kein Problem. Sie verarbeiten enorme Datensätze im Einzelhandel (Zehn Millionen SKU-Store-Kombinationen). Für Ersatzteile, die möglicherweise kleiner im Volumen sind, aber dennoch groß (vielleicht bis zu Millionen von Kombinationen für große OEMs mit vielen Depots), kann Blue Yonder es verwalten, insbesondere in ihrer Cloud-Infrastruktur. In Bezug auf die Automatisierung bietet Blue Yonder den Motor, der nach einem Zeitplan ausgeführt werden kann, um aktualisierte Prognosen und Bestandsziele zu generieren. Die Ergebnisse können automatische Auffüllungsvorschläge auslösen, die an ERP weitergeleitet werden. Da Blue Yonder jedoch ein breites Werkzeug ist, erfordert es oft mehr Überwachung und Feinabstimmung. Planer müssen möglicherweise immer noch interagieren, um sicherzustellen, dass die Daten korrekt sind oder um Prognosemodelle anzupassen (die traditionelle Nachfrageplanung von Blue Yonder erforderte oft die manuelle Auswahl des Modells oder die Feinabstimmung der Parameter, obwohl das neue Luminate AI dies möglicherweise reduzieren könnte). Der Automatisierungsgrad kann je nach Implementierung variieren: Einige Unternehmen passen die Workflows von Blue Yonder stark an, andere versuchen, die Out-of-the-Box-Automatisierung zu nutzen. Typischerweise waren JDA-Implementierungen in die Integration mit Auftragssystemen für die automatische Ausführung involviert, behielten jedoch Menschen in der Schleife für Prognosegenehmigungen oder Planakzeptanz. Das moderne Blue Yonder strebt nach mehr Autonomie, mit seinen KI-Prognosen und automatischen Optimierungsschleifen. Aber es ist sicher zu sagen, dass Blue Yonder für Ersatzteile möglicherweise etwas mehr Betreuung benötigt als ein Spezialwerkzeug wie Syncron, da Blue Yonder nicht von vornherein mit all der spezifischen Logik für Ersatzteile ausgestattet ist (Sie müssen möglicherweise konfigurieren, wie Teile am Ende ihres Lebenszyklus behandelt werden sollen usw., während ein Nischentool dedizierte Einstellungen haben könnte). Dennoch wird der Bestandsoptimierer nach der Konfiguration automatisch empfohlene Lagerbestände regelmäßig neu berechnen. Und Blue Yonders Ausnahmemanagement kann Artikel außerhalb der Grenzen kennzeichnen (z. B. wenn der tatsächliche Service unter dem Zielwert liegt, wird dies angezeigt und fordert Maßnahmen). Blue Yonder unterstützt auch Kollaborations-Workflows (z. B. eine Benachrichtigung geht an einen Lieferanten oder einen Käufer, wenn etwas Aufmerksamkeit erfordert) - eine hilfreiche Automatisierung für den Prozess. Es ist auch in Blue Yonders S&OP integriert, sodass alle strategischen Änderungen (wie die Einführung oder das Auslaufen neuer Produkte) automatisch in die Bestandsplanung einfließen. Diese umfassende Integration ist eine Form der Automatisierung, die strategische und taktische Planung verknüpft.
Technologietiefe: Blue Yonder (das Unternehmen) hat nach der Übernahme durch Panasonic und dem früheren Blue Yonder AI stark in KI/ML investiert. Sie verfügen über ein Data-Science-Team und haben ML an verschiedenen Stellen eingebettet: Nachfragesensorik für den Einzelhandel, dynamische Segmentierung, Anomalieerkennung in der Planung usw. Für Ersatzteile ist ein interessantes technologisches Element der Luminate Control Tower, ein Echtzeit-Sichtbarkeits- und Planungstool. Es kann Echtzeitereignisse (wie z.B. einen plötzlichen Nachfrageanstieg oder eine Versandverzögerung) erfassen und Inventar neu planen oder Sofortmaßnahmen vorschlagen. Dies ist eine Spitzentechnologie für die Lieferkette (wie Kontrolltürme mit ML-gesteuerten Erkenntnissen). Im Kontext könnte es Ersatzteilplanern beispielsweise helfen zu sehen, dass ein bestimmtes Depot aufgrund einer Lieferverzögerung von einem Lagerbestandsausfall bedroht ist, und dann automatisch eine Beschleunigung oder Umlagerung vorschlagen, etwas, das herkömmliche Planungstools erst bei der nächsten Batch-Ausführung tun würden. Die Tiefe der Plattform zeigt sich auch in den Optimierungslösern: Blue Yonder verfügt über starke Optimierungsalgorithmen aus seiner Manugistics-Linie (die große lineare und nichtlineare Probleme gelöst hat). Wahrscheinlich verwenden sie diese, um die Mehr-Ebenen-Inventaroptimierung als großes gemischt-ganzzahliges Programm oder ähnliches zu lösen (einige Anbieter simulieren es, einige lösen es über mathematische Programmierung - Blue Yonder hat wahrscheinlich einen mathematischen Programmieransatz aufgrund ihrer OR-Wurzeln). Die Technologie von Blue Yonder deckt ein breites Spektrum ab: zum Beispiel Mehrsprachigkeit, Cloud-Bereitstellung, hohe Sicherheit (wichtig für einige Kunden) und benutzerfreundliche Dashboards. Allerdings bringt eine breite Palette auch Komplexität mit sich. Die Lösungen von Blue Yonder können manchmal wie ein “ERP für die Planung” wirken - viele Konfigurationstabellen, Anforderungen an Stammdaten, und nicht alles wird für Ersatzteile relevant sein. Das kann überwältigend sein. Die technologische Philosophie unterscheidet sich von einem schlanken Startup wie Lokad: Blue Yonder bietet eine umfassende Plattform mit konfigurierbaren Modulen, während Lokad eine maßgeschneiderte Modellierungsplattform bietet. Die von Blue Yonder ist umfangreicher, aber standardisierter. Sie halten auch mehrere Patente im Bereich der Lieferkettenoptimierung, obwohl man diese auf ihre Merkmale hin überprüfen sollte. (Zum Beispiel könnten sie ein spezifisches Algorithmuspatent für die Mehr-Ebenen-Optimierung oder eine Prognosetechnik patentiert haben, aber das bedeutet nicht zwangsläufig, dass andere nicht ähnliche Dinge auf andere Weise tun.)
Umgang mit sporadischer und unregelmäßiger Nachfrage: Blue Yonder kann mit intermittierender Nachfrage umgehen, aber es kann eine Anpassung erfordern. Historisch gesehen hat JDA Crostons Methode in ihrer Bedarfsplanung für Artikel mit geringer Frequenz implementiert. Sie hatten auch eine Technik namens “aggregieren und dann disaggregieren” - wenn die Daten eines SKUs zu spärlich waren, um eine Prognose zu erstellen, könnten sie auf einer höheren Ebene (wie der Produktfamilie) prognostizieren und dann proportional auf SKU-Ebene zuweisen. Dies ist nicht ideal für Ersatzteile mit sehr unterschiedlichem Verhalten, aber eine verfügbare Technik. Mit ML könnte Blue Yonder möglicherweise bessere Signale finden (vielleicht unter Verwendung von Flottennutzungsdaten als externes Signal, wenn verfügbar, oder makroökonomischen Faktoren wie Wetter für Versorgungsteile). Aber standardmäßig könnte Blue Yonders Prognose bei nur sporadischer historischer Nachfrage standardmäßig auf etwas wie “meistens 0, gelegentlich 1” und einem Durchschnitt, der bruchteilhaft ist, plus einer hohen Varianz basieren. Die Bestandsoptimierung tritt dann ein, um den Bestand sicherzustellen. Blue Yonders Bestandsoptimierung für unregelmäßige Artikel würde im Wesentlichen Sicherheitsbestand basierend auf einer Poisson-Annahme berechnen oder einfach einen hohen Prozentsatz der Nachfrage während der Vorlaufzeit verwenden. Zum Beispiel, wenn ein Artikel normalerweise 0 oder 1 pro Jahr sieht und die Vorlaufzeit 90 Tage beträgt, könnte er annehmen, dass in dieser Vorlaufzeit 0 oder 1 vorkommt, und wenn Sie 95% Service möchten, wird er 1 als Sicherheitsbestand führen. Das ist ein vernünftiges Ergebnis, aber das dahinter liegende Modell könnte einfacher oder mehr Annahmen-getrieben sein als beispielsweise ToolsGroups Monte Carlo. Blue Yonders Vorteil ist jedoch, dass Sie es oft konfigurieren können, wenn Sie eine bekannte Wahrscheinlichkeit oder Verteilung haben. Aber es könnte nicht automatisiert sein; ein Planer müsste möglicherweise einige Prognoseparameter für die seltsamen Artikel manuell anpassen. Blue Yonder ist auch weniger spezialisiert auf End-of-Life- oder Nachfolgeprognosen - spezialisierte Anbieter handhaben oft automatisch Teilenachfolgen (ein Teil ersetzt ein anderes) mit Bayes’scher Kombination der Nachfrage. Blue Yonder kann es tun, aber es könnte erforderlich sein, es einzurichten, wie das Verknüpfen der Artikel im Tool als “Einführungs-/Auslaufphase” und dann wird es die Nachfrage phasenweise steuern. Es ist also möglich, erfordert aber Aufwand. Bei wirklich zufälliger, seltener Nachfrage wird Blue Yonder auf Bestandspolitik angewiesen sein (wie Mindestbestand = 1, Höchstbestand = 1-Typ-Politiken oder ähnliches), die der Optimierer empfehlen wird, wenn es angemessen ist. Eine gute Sache: Blue Yonders Tool kann auch Überprüfungszeiträume optimieren - also wie oft jedes Teil nachbestellt werden soll. Für extrem langsame Teile könnte es vorschlagen, nur vierteljährlich zu überprüfen, was den Lärm reduzieren kann. Insgesamt kann Blue Yonder mit unregelmäßiger Nachfrage ungefähr so gut umgehen wie jede große SCP-Suite, aber es könnte nicht so hohe Servicequalität mit so niedrigem Bestand liefern wie ein spezialisierterer Ansatz, weil es möglicherweise die Feinheiten der Verteilung jedes einzelnen Artikels ohne erhebliche Konfiguration nicht erfasst. In der Praxis verwenden einige Unternehmen Blue Yonder für ihre Hauptbestandsartikel und planen ihre sehr seltenen, kritischen Ersatzteile immer noch teilweise manuell oder mit separater Logik (da diese möglicherweise besondere Aufmerksamkeit benötigen, z.B. zustandsbasierte Instandhaltung, die Blue Yonder nicht von Natur aus abdeckt, ohne Integration).
Integration & Architektur: Die Plattform von Blue Yonder ist umfangreich, was bedeutet, dass es zahlreiche Integrationspunkte gibt. Für Ersatzteile könnte eine Integration mit einem ERP (für Bestands- und Auftragsdaten) und möglicherweise einem EAM (Enterprise Asset Management, für Anlagendaten) erforderlich sein. Blue Yonder verfügt über Standardadapter für gängige ERPs, aber oft müssen diese für die spezifischen Datenstrukturen des Unternehmens angepasst werden. Da Blue Yonder Teil eines größeren Planungssuites sein kann, ist die interne Integration zwischen Modulen (Bedarf, Bestand, Produktionsplanung) nativ - das ist ein Vorteil (alle Module teilen dasselbe Datenmodell in der zentralen Datenbank). Blue Yonder wird jetzt als SaaS angeboten (typischerweise auf Azure-Basis), was die Infrastrukturkosten reduziert, aber sichere Datenleitungen zur Cloud erfordert. Was Übernahmen betrifft, hat Blue Yonder (JDA) in der Vergangenheit viele Unternehmen übernommen, aber sie inzwischen vereinheitlicht. Die Umbenennung in Blue Yonder nach der Übernahme des gleichnamigen KI-Unternehmens war auch ein Statement, dass sie sich unter einer modernen Architektur vereinigen. Einige Module könnten jedoch noch aus älterem Code integriert sein über gemeinsame Schnittstellen. Zum Beispiel könnte die Kernbestandsoptimierung noch Code aus einem Legacy-Komponenten verwenden, während die neue Benutzeroberfläche vereinheitlicht ist. Normalerweise spielt das für Endbenutzer keine Rolle, wenn es richtig gemacht wird. Ein Unternehmen, das Blue Yonder in Betracht zieht, sollte sich darüber im Klaren sein, dass es sich um eine umfassende Lösung handelt; wenn Sie es nur für Ersatzteile kaufen, könnten Sie das Gefühl haben, nur einen Bruchteil seiner Fähigkeiten zu nutzen und einige unnötige Komplexitäten mitzuschleppen. Wenn Sie es jedoch auch für die Produktionsplanung oder Verkaufsprognosen verwenden möchten, ist es vorteilhaft, da es eine integrierte Umgebung bietet. Der Integrationsaufwand, um Blue Yonder ausschließlich für Ersatzteile zu implementieren, könnte im Vergleich zu einer spezialisierten Lösung hoch sein, daher sollte der ROI berücksichtigt werden.
Warnsignale / Skepsis: Ein großes Warnsignal in der Vergangenheit ist die Implementierungsschwierigkeit dieser großen Suiten. Wie wir bei SAP gesehen haben, kann eine komplexe Lösung scheitern, wenn sie zu unhandlich ist. Blue Yonder hat eine bessere Erfolgsbilanz als SAP SPP, aber es gibt Fälle, in denen die JDA Service Parts Planning nicht vollständig übernommen wurde oder die Ergebnisse nicht wie erwartet waren, weil die Konfiguration nicht stimmte. Um dem entgegenzuwirken, bietet Blue Yonder jetzt seine bewährten Vorlagen und KI-Unterstützung an, aber Skepsis ist angebracht: Stellen Sie sicher, dass die Implementierer es richtig für intermittierende Nachfrage konfigurieren (es ist einfach, es falsch zu konfigurieren, wenn man es wie ein reguläres Bedarfsplanungsprojekt behandelt). Außerdem hat Blue Yonder glänzende Marketingaussagen über ihre KI (zum Beispiel könnten sie sagen “Autonome Planung mit KI, die den Bestand um X reduziert”). Man sollte Beweise oder Pilotergebnisse spezifisch für ihren Anwendungsfall verlangen. Die Vielseitigkeit der Plattform kann auch eine Schwäche sein - einige Gartner Peer Insights-Bewertungen weisen darauf hin, dass die Benutzeroberfläche von JDA/Blue Yonder komplex sein kann und die Lösung möglicherweise “zu umfangreich” für ein einfaches Problem ist, was bedeutet, dass Sie für und mit Komplexität bezahlen, die Sie nicht nutzen. Wenn ein Anbieter (oder SI-Partner) Ihnen während des Verkaufs sagt, dass Blue Yonder nur mit minimaler Konfiguration eingeschaltet werden kann, weil es Vorlagen hat, seien Sie vorsichtig - Vorlagen helfen, aber jede Service-Lieferkette hat einzigartige Merkmale, die eine Anpassung dieser Vorlagen erfordern. Auf der technischen Seite sollte man überprüfen, ob Blue Yonder bei der Multi-Echelon-Bestandsoptimierung vereinfachende Annahmen trifft (wie die Annahme unabhängiger Nachfrage zwischen Standorten oder Normalverteilung), die möglicherweise nicht zutreffen - einige ältere Tools haben das getan, um schneller zu lösen. Wenn ja, könnte das eine Einschränkung für sehr schief verteilte Nachfrage sein. Blue Yonder hat dies möglicherweise jetzt mit besserer Rechenleistung überwunden, aber es ist eine Frage, die gestellt werden sollte. In Bezug auf Anbieteraussagen: Blue Yonder hat wahrscheinlich Referenzen wie “Unternehmen X verbesserte die Füllrate um 10% und reduzierte den Bestand um 20%” - in Ordnung, aber prüfen Sie, ob das hauptsächlich auf Prozessverbesserungen wie die Bereinigung eines Großteils des überschüssigen Bestands während der Implementierung zurückzuführen war (was ein einmaliger Vorteil ist, der nicht direkt aus den laufenden Algorithmen der Software stammt).

(Zusammenfassend ist Blue Yonder zuverlässig und umfangreich, aber um Spitzenleistungen für Ersatzteile zu erzielen, muss ein Unternehmen sorgfältig auswählen und nur relevante Teile seines umfangreichen Toolkits verwenden. Es ist eine sichere Wahl für diejenigen, die Integration mit umfassenderen Planungsprozessen wünschen, aber nicht unbedingt der absolute Spitzenreiter in der Technologie zur Optimierung von Ersatzteilen selbst.)

SAP SPP / ERP und Oracle

(Wir haben SAP und Oracle im Ranking behandelt und ihre Einschränkungen hervorgehoben. Ein tiefer technischer Einblick würde größtenteils darauf hinauslaufen, dass SAPs SPP versucht hat, wie Servigistics zu sein, aber aufgrund eines überkomplexen Designs und mangelnder Flexibilität gescheitert ist ³³ ³⁴. Oracles Lösung ist technisch weniger ehrgeizig (eher eine Erweiterung der bestehenden Planung von Oracle mit einigen Funktionen für Teile) und hat im Allgemeinen nicht bei Innovationen geführt. Beide verlassen sich mehr auf deterministische Planung mit Sicherheitsbeständen oder grundlegenden stochastischen Modellen und haben nicht so stark in KI für diese Nische investiert wie spezialisierte Anbieter. Die sichere Schlussfolgerung: Wenn ein Unternehmen SAP oder Oracle ERP verwendet, könnte es in Betracht ziehen, die integrierten Tools für grundlegende Anforderungen zu nutzen, aber für eine echte Optimierung gemäß unseren Kriterien reichen diese nicht aus.)

Markttrends & Beobachtungen

Die Landschaft der Software zur Optimierung von Ersatzteilen entwickelt sich weiter, mit mehreren bemerkenswerten Trends:

Von deterministischer zu probabilistischer Planung: Überall gibt es eine klare Bewegung hin zu probabilistischen Methoden. Anbieter und Kunden haben gleichermaßen erkannt, dass traditionelle deterministische Prognosen (eine einzelne Zahl mit einem statischen Sicherheitsbestand) für unregelmäßige, unvorhersehbare Ersatzteilenachfrage unzureichend sind. ToolsGroup setzt sich ausdrücklich für probabilistische Prognosen ein, die für Langschwanzartikel unerlässlich sind ⁴, und andere sind diesem Beispiel gefolgt. Jetzt behaupten sogar traditionell konservative Anbieter in ihrer Vermarktung “KI-gesteuerte” oder “probabilistische” Modelle. Der Trend ist real - unter der Haube integrieren die meisten führenden Tools jetzt Nachfrageverteilungen, Monte-Carlo-Simulationen oder Szenarioanalysen, um Unsicherheiten zu erfassen. Der Unterschied liegt darin, wie ehrlich und tiefgreifend sie dies tun. Ein wahrheitssuchender Käufer sollte jeden Anbieter bitten, ihre probabilistische Logik zu demonstrieren (z.B. zeigen Sie mir die Wahrscheinlichkeitsverteilung der Nachfrage nach diesem Beispielteil und wie die Software damit optimiert). Diejenigen, die nur eine einzelne Zahl liefern können und darum herumreden, haben den neuen Paradigmenwechsel wahrscheinlich nicht wirklich angenommen, trotz des Trends.
Von Service Levels zur ökonomischen Optimierung: Es gibt eine spürbare Verschiebung vom Management nach Service-Level-Zielen hin zur Verwaltung nach erwarteten Kosten vs. Nutzen. Dies ist ein philosophischer Wandel. Viele Anbieter haben historisch gesehen zugelassen, dass Sie ein Serviceziel festlegen und optimiert haben, um es zu erreichen. Jetzt drängen Meinungsführer (z.B. Lokad, GAINS, Baxter) darauf, das Problem in Dollarbeträgen zu definieren - den Lagerbestand gegen Ausfallzeiten oder SLA-Strafen abzuwägen ¹⁹ ¹. Dies verknüpft Lagerentscheidungen direkt mit finanziellen Ergebnissen, was bei Führungskräften Anklang findet. Wir sehen Funktionen wie die Spezifizierung der Ausfallkosten pro Teil oder das System, das einen optimalen Service-Level pro SKU basierend auf dem Wertbeitrag berechnet. Markttrend: Unternehmen sind müde von pauschalen Servicezielen, die für einige Artikel zu hoch und für andere zu niedrig ausfallen können. Die Software, die “mehr fürs Geld” optimieren kann, gewinnt an Zustimmung. Dennoch denken viele Organisationen immer noch in Bezug auf Servicekennzahlen, sodass die Software oft beide Modi bietet. Aber der cutting edge geht eindeutig in Richtung ROI-basierter Optimierung.
AI/ML-Hype - Einige Substanz unter dem Buzz: Jeder Anbieter proklamiert jetzt die Verwendung von KI/ML. Die zynische Sichtweise: Es handelt sich oft nur um die Neukennzeichnung von fortgeschrittenen Statistiken oder geringfügigen ML-Ergänzungen als “KI-gesteuert”. In der Ersatzteileplanung gibt es jedoch aufkommende echte Anwendungen von KI/ML:
- Klassifizierung von intermittierender Nachfrage: ML-Algorithmen werden verwendet, um automatisch Muster in der historischen Nachfrage zu erkennen (anstatt sich auf einen Menschen zu verlassen, der sagt “verwenden Sie Crostons für dieses Teil”). Dies verbessert die Prognose, indem bessere Modelle oder Parameter ausgewählt werden.
- Integration kausaler Faktoren: Maschinelles Lernen kann externe Daten (Sensordaten, Nutzungsdaten, Wetter usw.) einbeziehen, um Teilenachfrage vorherzusagen - etwas, das mit manuellen Methoden schwer zu bewerkstelligen ist. Anbieter wie PTC (ThingWorx) und Syncron (Uptime) tun dies, indem sie IoT-Eingaben verbinden ¹⁰.
- Dynamische Parameteranpassung: KI kann Sicherheitsfaktoren oder Vorlaufzeitannahmen dynamisch anpassen, wenn neue Daten eintreffen, anstatt dass Planer regelmäßige Überprüfungen durchführen.
- Anomalieerkennung: ML ist großartig darin, Ausreißer oder Veränderungen zu identifizieren (zum Beispiel, wenn die Nachfrage für ein obskures Teil plötzlich um das Dreifache steigt, kennzeichnet ein Algorithmus dies schneller und zuverlässiger als ein beschäftigter Planer es könnte).
- Entscheidungsautomatisierung: Einige erforschen das verstärkte Lernen, bei dem das System durch Simulation optimale Bestellrichtlinien “lernt”.
Während all dies geschieht, sollten Käufer skeptisch gegenüber vagen KI-Behauptungen sein. Zum Beispiel ist es verdächtig, wenn ein Anbieter sagt “unsere KI reduziert den Lagerbestand um 30%” ohne zu erklären, wie das geschieht. Der Trend ist, dass KI immer mehr als Grundvoraussetzung angesehen wird, aber nur differenziert, wenn Anbieter konkrete KI-gesteuerte Funktionen zeigen können. In unserer Bewertung zeigen Lokads Ansatz (obwohl nicht als KI gekennzeichnet) und die hinter den Kulissen von ToolsGroup und GAINS liegenden Algorithmen substantielle analytische Stärke. Syncron und Blue Yonder investieren ebenfalls in KI, aber man muss Marketing von tatsächlicher Leistung unterscheiden. Ein verwandter Trend: Patente als Marketing. Einige Anbieter heben Patente hervor, um Einzigartigkeit zu implizieren. Allerdings garantiert ein Patent (zum Beispiel auf einen bestimmten Prognosealgorithmus) nicht, dass dieser Ansatz tatsächlich überlegen ist oder effektiv im Produkt implementiert wurde. Oftmals handelt es sich eher um Tugend-Signale als um praktischen Wert. Der Fokus sollte auf Ergebnissen und nachweisbaren Fähigkeiten liegen, nicht darauf, wer mehr Patente in seiner Broschüre hat.
Integration von IoT und vorausschauender Wartung: Mit der Einführung von IoT-Sensoren an Geräten wird die Ersatzteileplanung mit der vorausschauenden Wartung verknüpft. Dies ist ein Trend, bei dem Anbieter wie PTC (mit ThingWorx + Servigistics) und Syncron (mit Uptime) frühzeitig die Führung übernommen haben. Die Idee ist: Anstatt auf sporadische Ausfälle zu warten, um Bedarf zu generieren, werden Sensordaten verwendet, um Ausfälle vorherzusagen und Ersatzteile vorab zu positionieren. Dies verwandelt unsicheren Bedarf in (mehr) planbaren Bedarf. Dies ist ein Game-Changer für teure Teile, bei denen Ausfälle in gewissem Maße vorhergesagt werden können (zum Beispiel anhand von Vibrationsmustern). Nicht jeder Anbieter verfügt über diese Fähigkeit - es erfordert IoT-Integration und Analytik über die traditionelle Planung hinaus. Wir sehen mehr Partnerschaften entstehen: zum Beispiel eine IoT-Plattform, die mit einem Bestandsoptimierer zusammenarbeitet, wenn sie nicht unter einem Dach sind. Der Markttrend ist, dass Kunden, insbesondere in Branchen wie Luft- und Raumfahrt, Schwermaschinen, Energie, erwarten, dass ihre Serviceparts-Software zumindest einen Fahrplan für die Nutzung von IoT-Daten hat. Anbieter, die hier keine Geschichte haben, könnten als rückständig in Bezug auf zukunftsweisende Fähigkeiten angesehen werden.
Multi-Echelon und Globalisierung als Standard: Vor zehn Jahren war die Multi-Echelon-Bestandsoptimierung (MEIO) ein Nischenmerkmal im High-End-Bereich. Jetzt wird es zunehmend auch in Mittelstandswerkzeugen standardmäßig angeboten (sogar Mittelstand-Cloud-Lösungen werben mit Multi-Echelon). Der Trend geht dahin, dass selbst mittelgroße Unternehmen globale Netzwerke oder mehrere Lagerstandorte haben, sodass die Fähigkeit zur Optimierung über das Netzwerk hinweg entscheidend ist. Jeder Anbieter in unserer Liste bietet eine Form von MEIO an. Der Unterschied liegt in der Raffinesse (zum Beispiel die tiefgreifende Fed-RAMP-zertifizierte, verteidigungsgrade MEIO von Servigistics im Vergleich zu einer einfacheren Zwei-Ebenen-Optimierung). Kunden sollten sicherstellen, dass die MEIO des Anbieters wirklich integriert ist (gemeinsame Optimierung der Ebenen über die Echelons hinweg) und nicht nur sequenziell (zuerst zentral, dann lokal in einem Silo). Der Markt erwartet jetzt eine globale Optimierung, und einfachere “jeder Standort separat” Ansätze sind ein Warnsignal, es sei denn, Ihr Netzwerk ist tatsächlich einstufig. Wir sehen auch eine Zunahme der Netzwerkkomplexität (E-Commerce-Kanäle, 3PL-Lagerhäuser usw.), sodass die Software komplexere Distributionsflüsse für Ersatzteile bewältigen muss als zuvor.
Skalierbarkeit und Leistungsakzent: Mit immer größeren Datenmengen (detailliertere Verfolgung der Nutzung, IoT-Daten, mehr SKUs aufgrund der Produktvervielfältigung) ist Skalierbarkeit zu einem Verkaufsargument geworden. Moderne Systeme werben mit ihrer Cloud-Skalierbarkeit und In-Memory-Berechnung. Legacy-On-Prem-Lösungen hatten manchmal Probleme mit Laufzeiten bei riesigen Datensätzen, aber Cloud-Computing hat das erleichtert. Jetzt liegt der Unterschied mehr darin, wie effizient die Algorithmen sind. Kann das System zum Beispiel in Echtzeit neu optimieren, wenn sich etwas ändert (für halbautomatisches Neuausbalancieren), oder muss man einen Batch über Nacht laufen lassen? Tools, die Empfehlungen inkrementell aktualisieren können, haben einen Vorteil in der Reaktionsfähigkeit. Der Trend geht zu häufigeren Planungszyklen (sogar kontinuierlicher Planung) anstelle von monatlichen Chargen. Deshalb werden kontinuierliche Optimierung (GAINS erwähnt es ¹³) und Kontrollturm-Konzepte (Blue Yonder) immer wichtiger. Im Wesentlichen verlagert sich die Ersatzteilplanung langsam von einer statischen, periodischen Aufgabe zu einem mehr bedarfsorientierten, adaptiven Prozess – und die Software entwickelt sich weiter, um dies mit besserer Leistung und Echtzeit-Datenverarbeitung zu unterstützen.
Integration von Planung mit Ausführung & anderen Funktionen: Anbieter erweitern ihren Fokus, um mehr “end-to-end” zu sein. Syncron erweitert sich auf Garantie und Feldservice, PTC verbindet sich mit AR und Serviceausführung, ToolsGroup erweitert sich auf Einzelhandelsausführung usw., all dies deutet auf einen Trend hin: Kunden bevorzugen möglicherweise eine einheitliche Plattform, die von der Prognose bis zur Erfüllung reicht. Im Ersatzteilbereich bedeutet dies, die Bestandsoptimierung mit dem Feldservice-Management, Reparaturvorgängen, Beschaffung und sogar Preisgestaltung zu verknüpfen. Während Best-of-Breed-Punktlösungen immer noch in ihrem Bereich glänzen (und die Integration zwischen einigen spezialisierten Tools funktionieren kann), ist der Trend aufgrund von Cloud und APIs, dass die Integration einfacher ist und Anbieter versuchen, angrenzende Funktionalitäten für ein nahtloses Erlebnis abzudecken. Ein mittelgroßes Unternehmen könnte dazu neigen, weniger Systeme zu pflegen. Daher gibt es auf dem Markt einige Konsolidierung und Suite-Bildung: z.B. große Player wie Oracle/SAP, die mehr Funktionen bündeln (obwohl nicht immer effektiv), oder Spezialisten, die Partnerschaften eingehen (vielleicht konzentriert sich Lokad auf Bestände, arbeitet aber mit einem EAM-System für Wartungsdaten zusammen). Ein bemerkenswerter Trend sind auch Fusionen und Übernahmen in diesem Bereich: Wir haben gesehen, wie Thoma Bravo (PE) mehrere Supply-Chain-Softwareunternehmen fusioniert hat, Aptean Inventarplaner übernimmt, E2open Planungsunternehmen aufkauft usw. Dies kann dazu führen, dass zuvor unabhängige Lösungen zu Modulen in einem größeren Angebot werden. Es ist wichtig zu überwachen, ob diese Übernahmen integriert sind oder nur gemeinsam vermarktet werden. Fragmentierte Lösungen unter einer Marke können für Benutzer, die ein reibungsloses Erlebnis erwarten, zum Albtraum werden.
Zunehmende Skepsis und Anforderung an den Nachweis: Vielleicht ein Meta-Trend – Käufer sind skeptischer gegenüber kühnen Behauptungen und Schlagwörtern geworden (zu Recht). Es besteht eine wachsende Nachfrage nach entscheidungsorientierter Evidenz bei der Auswahl von Supply-Chain-Software. Als Ergebnis könnten Anbieter dazu gedrängt werden, Pilotprojekte oder Konzeptnachweise durchzuführen, die ihre Technologie an den eigenen Unternehmensdaten zeigen. Die wirklich fortschrittlichen Anbieter können hier glänzen, indem sie tatsächliche probabilistische Prognosen und optimierte Ergebnisse zeigen, während diejenigen, die auf Schlagwörtern reiten, entlarvt werden, wenn sie ihr Tool nicht leicht auf ein reales Szenario außerhalb der Marketingfolie anwenden können. Wir sehen auch unabhängige Analystenbewertungen (wie die IDC MarketScape ³), die sich auf technische Fähigkeiten für die Ersatzteilplanung konzentrieren, was dazu beiträgt, einige Marketingfloskeln zu durchbrechen.
Benutzererfahrung: Von Expertenwerkzeugen zu benutzerfreundlichen Planungstools: Ein weiterer Trend besteht darin, die Benutzerfreundlichkeit und Zugänglichkeit dieser komplexen Analysen zu verbessern. In der Vergangenheit hatten einige Tools (insbesondere solche mit viel Mathematik) spartanische Benutzeroberflächen oder erforderten einen Doktortitel, um sie zu interpretieren. Jetzt liegt der Schwerpunkt auf Visualisierung (z.B. grafische Darstellung von Nachfrageverteilungen, interaktive Lager-Service-Trade-off-Kurven) und einfacherem Szenariospiel. Anbieter investieren in UI/UX, um die Komplexität unter der Haube zu verbergen und einfache Erkenntnisse zu präsentieren (z.B. “Wenn Sie $100.000 mehr in Bestände investieren, können Sie die Betriebszeit dieser kritischen Anlagen um 2% verbessern – ja/nein?”). Dies ist wichtig, da viele Organisationen fachübergreifende Stakeholder (Finanzen, Betrieb) in Entscheidungen über Ersatzteile einbeziehen müssen und sie verdauliche Ergebnisse benötigen. Der Trend geht zu Tools, die geschäftsführerfreundliche Kennzahlen ausgeben (wie den Wert vermiedener Ausfallzeiten usw.), nicht nur technische Zahlen. Diejenigen, die immer noch wie Black Boxes funktionieren oder das Schreiben von Code erfordern (Lokad ist eine Ausnahme, die tatsächlich Codierung erfordert, obwohl sie es für den Kunden erleichtern), könnten auf Widerstand stoßen, es sei denn, sie zeigen klar überlegene Ergebnisse.
Fokus auf Überbestände und Obsoleszenz: Ersatzteilplaner haben sich immer um Überbestände und Obsoleszenz (tote Bestände) gesorgt, aber jetzt betonen die Anbieter möglicherweise aufgrund wirtschaftlicher Drucke und ESG-Bedenken (kein Kapital verschwenden), wie ihre Tools den Überschuss intelligent reduzieren. ToolsGroup nennt beispielsweise die Reduzierung veralteter Bestände um 5-20% durch intelligente Planung ⁴. Mehr Tools haben Module oder Funktionen speziell zur Identifizierung von Kandidaten für die Bestandsabbau, Teilen, die sich dem Ende ihres Lebenszyklus nähern und nicht nachgefüllt werden sollten, und Möglichkeiten zur Umlagerung von Überschussbeständen, bevor sie abgeschrieben werden. Dieser Trend passt zum Thema der wirtschaftlichen Optimierung - es geht nicht nur um den Service, sondern darum, Kapital nicht in nutzlose Bestände zu binden. Moderne Lösungen haben daher oft Dashboards für die Bestandsgesundheit (Umschlag, Überschuss, potenzielle Lagerbestände) mit KI, die Aktionen vorschlägt (dies liquidieren, das verschieben, usw.). Dies geht über die klassische Optimierung hinaus und umfasst die laufende Bestandshygiene, die bei Ersatzteilen entscheidend ist, wo 10% der Teile für 90% der Bewegungen verantwortlich sein können, während der Rest leise anwachsen und zu einem Kostenfaktor werden kann.
Servitization und Outcome-basierte Metriken: In Branchen, die sich auf den Verkauf von “Betriebszeit” oder “Serviceverträgen” anstelle von reinen Produkten verlagern, wird die Verfügbarkeit von Ersatzteilen Teil eines größeren Bildes. Der Trend besteht darin, dass Software mit outcome-basierten Metriken - wie Geräteverfügbarkeit oder Kundenzufriedenheit - in Einklang steht, nicht nur mit internen Metriken. Syncrons Vision von Servitization ist ein Beispiel ²⁶. Praktisch bedeutet dies, dass die Bestandsoptimierung mit Dingen wie Vertragserfüllung verbunden ist: z.B. wenn Sie eine Garantie von 99% Betriebszeit in einem Vertrag haben, sollte die Software optimieren, um dies zu minimalen Kosten zu erreichen und auch die Leistung nachweisen (Bericht darüber, wie sie zur Einhaltung der Betriebszeit beigetragen hat). Einige Anbieter (PTC, Syncron) ermöglichen es Planern jetzt, SLA-Anforderungen direkt einzugeben und den Bestand zu optimieren, um die SLA-Einhaltung sicherzustellen. Dies ist ein Trend weg von generischen “Fill Rate” hin zu vertragsspezifischer Planung. Es handelt sich immer noch um eine aufstrebende Fähigkeit und hauptsächlich in High-End-Tools.

Zusammenfassend lässt sich sagen, dass der Markt auf intelligentere, integriertere und finanzsachkundigere Lösungen zusteuert. Aber damit einher geht viel Fachjargon. Der Trend für Käufer ist, Transparenz und technische Validierung zu fordern, was die Anbieter langsam dazu drängt, konkreter über ihre “KI” und “Optimierungs”-Behauptungen zu werden.

Schlussfolgerungen & Empfehlungen

Nach einer gründlichen Bewertung des Marktes für die Optimierung von Ersatzteilen ergibt sich ein klares Bild: einige Anbieter bringen die Technologie auf den neuesten Stand, während andere mit wiederverpackten Konzepten oder oberflächlichen Versprechen zurückbleiben. Für mittlere bis große Unternehmen, die weltweite Ersatzteile verwalten, können folgende Schlussfolgerungen und Empfehlungen gezogen werden:

Lokad und ToolsGroup zeichnen sich als technologische Spitzenreiter aus. Lokads kompromissloser probabilistischer Ansatz und Fokus auf wirtschaftliche Optimierung machen es zur ersten Wahl für Organisationen, die bereit sind, eine datenwissenschaftlich gesteuerte Lösung zu übernehmen. Es erfüllt vollständig die probabilistische Prognose (auch für Vorlaufzeiten) und verwendet echte stochastische Optimierung, um den ROI zu maximieren ² ¹. ToolsGroup bietet mit seinen Jahrzehnten der Verfeinerung einen sehr starken probabilistischen Motor, der mit pragmatischer Automatisierung in vielen Branchen bewährt ist ⁵. Es balanciert effektiv Service und Bestand im großen Maßstab mithilfe fortschrittlicher Modelle. Beide Anbieter haben glaubwürdige technische Nachweise erbracht, dass sie die Fallstricke einer simplen Planung vermeiden (keiner verlässt sich auf feste Sicherheitsbestände oder Einpunktvorhersagen in ihren Kernberechnungen). Sie haben jeweils geringfügige Unterschiede - Lokad bietet ultimative Flexibilität und Anpassungsfähigkeit (einen “Supply Chain Programming”-Ansatz), während ToolsGroup eine mehr verpackte Lösung mit umfangreichen Funktionen bietet (und vielleicht eine benutzerfreundlichere Benutzeroberfläche für typische Planer). Für Unternehmen mit den Ressourcen für einen individuellen Modellierungsansatz und dem Wunsch nach maximaler Leistung ist Lokad eine überzeugende Wahl. Für Unternehmen, die eine ausgereifte, sofort einsatzbereite Software wünschen, die dennoch modernste Analytik verkörpert, ist ToolsGroup eine sichere und leistungsstarke Wahl. Beide haben unabhängig durch Bewertungen und Fallstudien gezeigt, dass sie die Ergebnisse bei Ersatzteilen erheblich verbessern können (Bestandsreduzierungen, Serviceverbesserungen) und ihre Behauptungen werden durch ausgefeilte Methoden und nicht nur durch Worte gestützt ⁴ ⁵.
PTC Servigistics bleibt ein Maßstab für umfassende Fähigkeiten, insbesondere für diejenigen, die eine Multi-Echelon-Optimierung, das Management von Reparaturschleifen und die Integration mit breiteren Serviceprozessen benötigen. Es verfügt über das tiefste Funktionswerkzeugkasten - praktisch jedes Szenario in der Planung von Ersatzteilen kann in Servigistics modelliert werden, da es auf einer algorithmischen Grundlage von über 30 Jahren beruht ⁹. Unsere Skepsis hinsichtlich der Integrationsübernahme wurde weitgehend durch den Nachweis gemildert, dass PTC die Plattform vereinheitlicht hat ⁸. Somit ist Servigistics für sehr große Unternehmen (z. B. Luft- und Raumfahrt, Schwermaschinenbau), die eine erprobte Lösung benötigen und die Unterstützungsstruktur haben, um sie umzusetzen, eine erstklassige Wahl. Es liefert eine hohe Verfügbarkeit von Ersatzteilen zu den niedrigsten Kosten, wie beworben ⁵⁸, und hat vor allem Referenzen, um dies in sehr anspruchsvollen Umgebungen (Militär usw.) zu belegen. Die Vorsicht besteht darin, sicherzustellen, dass man das organisatorische Engagement hat, um Servigistics voll auszuschöpfen - seine Wissenschaft ist ausgezeichnet, aber sie ist nur so gut wie ihre Umsetzung. Bei der Auswahl sollte man PTC herausfordern, die spezifischen fortgeschrittenen Funktionen nachzuweisen, die für sie relevant sind (z. B. wie IoT-Daten den Prognosefehler reduzieren oder wie Empfehlungen aus mehreren Quellen in der Praxis funktionieren). PTCs Behauptungen von “KI-gesteuert” sind im Kontext glaubwürdig (angesichts ihrer dokumentierten Geschichte mit Datenwissenschaft ⁵⁷), aber potenzielle Benutzer sollten dennoch genau prüfen, wie sich diese KI-Funktionen manifestieren.
GAINS und Baxter Planning bieten robuste, auf ROI ausgerichtete Alternativen, die Unternehmen ansprechen könnten, die einen starken Kostenoptimierungsansatz mit vielleicht einfacherer Implementierung suchen. GAINS beeindruckte uns mit seinem klaren Fokus auf kontinuierliche Kosten- und Gewinnoptimierung ¹³ und seiner Abdeckung der Service-Lieferkette von Anfang bis Ende (einschließlich Reparaturen und Wartungsplanung). Es hat nicht den großen Marketingauftritt einiger anderer, erzielte aber inhaltlich in allen technischen Kriterien hohe Punktzahlen. Baxter Planning, mit seiner TCO-getriebenen Philosophie ¹⁹ und praktischen Erfahrung auf dem Gebiet (zusätzlich zu seiner Planung als Service-Option), ist ebenfalls eine glaubwürdige Lösung, insbesondere für Unternehmen, die möglicherweise mehr praktische Anleitung oder einen schrittweisen Ansatz wünschen. Sowohl GAINS als auch Baxter sind gute Optionen für Unternehmen, die echte Optimierung wünschen, aber vielleicht mit einer geführten oder partnerschaftsorientierten Implementierung. Sie könnten auch kostengünstiger sein als die größeren Anbieter und dennoch die meisten benötigten Funktionen bereitstellen. Allerdings könnten sie in der “aufsehenerregenden KI”-Abteilung etwas fehlen - was keine Kritik ist, wenn ihre bestehenden Methoden gut funktionieren. Man sollte beispielsweise die probabilistische Tiefe von GAINS oder die Genauigkeitsansprüche von Baxter überprüfen, aber die Beweise legen nahe, dass sie gut abschneiden. Wir empfehlen, GAINS oder Baxter insbesondere für Unternehmen in den Bereichen Technologie, Telekommunikation oder Industrie in Betracht zu ziehen, die solide Ergebnisse ohne enorme Komplexität benötigen. Sie werden weniger von Ihrem aktuellen Prozess in Frage gestellt, während sie Ihre Analytik deutlich verbessern.
Syncron ist ein starker branchenorientierter Akteur, aber betrachten Sie ihn hauptsächlich, wenn Sie seinen breiteren Service-Suite (Preisgestaltung, Feldservice) zusätzlich zum Bestand schätzen. Technisch gesehen ist Syncrons Bestandsoptimierung kompetent und wird den Anforderungen vieler OEMs gerecht, aber sie hat die anderen nicht klar in den Kernbereichen Prognose oder Optimierung übertroffen. Sie stützt sich immer noch etwas auf Segmentierungsstrategien und das Erreichen von Servicelevels, was funktionieren kann, aber nicht so rein optimal ist wie Ansätze von Lokad oder GAINS. Wenn Ihre Organisation also eine Servitisierung verfolgt - z. B. auch eine dynamische Optimierung der Ersatzteile, Preisgestaltung, Garantiemanagement, Händlerportal-Fähigkeiten benötigt - bietet Syncron eine integrierte Lösung, die möglicherweise jeden inkrementellen technischen Mangel in der Bestandsoptimierung überwiegt. Der Wert der Verknüpfung von Preisgestaltung und Bestand (z. B. zur Sicherstellung der Rentabilität) kann erheblich sein, und Syncron ist einzigartig in diesem Angebot. Gehen Sie jedoch mit offenen Augen vor: Fordern Sie Syncron auf, seine “KI”-Prognose und seine Optimierungseffektivität zu demonstrieren, und seien Sie bereit, in die Datenintegration zwischen seinen Modulen (Bestand & Preis) für beste Ergebnisse zu investieren ³⁰. Wenn reine Exzellenz bei der Lagerung von Ersatzteilen das einzige Kriterium ist, rangieren andere höher; aber für eine Suite-Lösung für Aftermarket-Operationen ist Syncron ein führender Anwärter.
Die großen ERP-Lösungen (SAP, Oracle) und generische Supply-Chain-Suiten sollten bei der Ersatzteilplanung mit Vorsicht behandelt werden. Die Beweise (einschließlich bemerkenswerter Projektfehlschläge) zeigen, dass die nativen Angebote von SAP und Oracle oft nicht in der Lage sind, eine echte Optimierung zu liefern ³³ ³⁴. Sie neigen dazu, veraltete Konzepte zu verwenden (statische Sicherheitsbestände, vereinfachte Prognosen) und können eine umfangreiche Anpassung erfordern, um auch nur annähernd das zu erreichen, was die Best-of-Breed-Tools von Haus aus leisten. Sofern Ihre Ersatzteiloperationen nicht relativ einfach sind oder bereits eng mit diesen ERPs verbunden sind, empfehlen wir im Allgemeinen nicht, sich auf die integrierten Ersatzteilplanungsmodule von SAP oder Oracle als primäre Lösung zu verlassen. Sie können als Transaktionssysteme dienen und möglicherweise die Ausführung übernehmen, aber für die Planungsintelligenz sind die spezialisierten Anbieter oben eine Generation voraus. Wenn eine Organisation extrem abgeneigt ist, ein Tool von Drittanbietern hinzuzufügen, ist eine Strategie, eine Best-of-Breed-Lösung zu verwenden, um die Richtlinien (Prognosen, Min-/Max-Levels usw.) zu berechnen und diese dann in SAP/Oracle für die Ausführung einzuspeisen - im Wesentlichen um das Gehirn des ERP zu umgehen und es nur als Muskel zu verwenden. Dieser hybride Ansatz ist verbreitet und nutzt die Stärken jedes einzelnen.
Wichtige Warnzeichen bei der Bewertung von Anbietern: Durch diese Studie haben wir bestimmte Warnzeichen identifiziert, die darauf hinweisen könnten, dass eine Lösung nicht wirklich state-of-the-art ist:
- Überbetonung der Ausreißerreinigung: Wenn ein Anbieter viel darüber spricht, Ausreißer manuell zu bereinigen oder “Demand Sensing” im Zusammenhang mit langsam bewegenden Teilen zu verwenden, seien Sie vorsichtig. Moderne Lösungen sollten Variabilität natürlich handhaben; zu viel Fokus auf Ausreißer könnte bedeuten, dass ihre Prognosen nicht robust genug sind, um Anomalien auf probabilistische Weise zu integrieren.
- Buzzword-Überlastung ohne konkrete Angaben: Begriffe wie “KI-gesteuert, Quantenlernen, Next-Gen”, die nicht durch eine Erklärung von Algorithmen oder eine Demo gestützt werden. Lenken Sie das Gespräch immer auf das “wie” - z. B. Wie verbessert Ihre KI die Prognosen für unregelmäßige Nachfrage? Zeigen Sie ein Beispiel. Anbieter, die nicht über Marketing-Slogans hinaus antworten können, verpacken wahrscheinlich alte Methoden neu.
- Starre Service-Level- oder Sicherheitsbestandsangaben: Wenn das Tool verlangt, dass Sie für alles Ziel-Service-Levels eingeben und keine anderen objektiven Funktionen anbietet, könnte es sich um ein älteres Design handeln. Ebenso, wenn es den Workflow immer noch darauf ausrichtet, den Sicherheitsbestand manuell festzulegen, ist das ein Warnzeichen. Die besten Tools berechnen diese für Sie oder machen sie zu sekundären Metriken ¹.
- Kürzliche Akquisitionsexpansion: Wenn ein Anbieter in kurzer Zeit mehrere Unternehmen erworben hat (insbesondere wenn eines davon das Produkt ist, das Sie bewerten), überprüfen Sie die Versionsintegration. Fragen Sie, ob alle Funktionen in einer Benutzeroberfläche und einer Datenbank verfügbar sind. Zum Beispiel die Akquisition von ToolsGroup mehrerer Produkte - Sie möchten sehen, dass Sie nicht drei verschiedene Benutzeroberflächen für Prognosen vs. Lagerbestand vs. Ausführung verwenden müssen. Syncrons separate DB für den Preis ist ein geringfügiges Problem, aber es lohnt sich zu wissen ⁷⁰. Nicht übereinstimmende Teile in einer Software-Suite können zu Ineffizienzen und Daten-Synchronisierungsproblemen führen.
- Patente und proprietäre Begriffe anstelle von Ergebnissen: Einige Anbieter könnten mit “patentiertem intermittierendem Nachfragealgorithmus X” prahlen. Das klingt gut, aber die Frage ist, übertrifft er standardmäßige Algorithmen materiell? Oft zeigen akademische Forschung (einige von Anbietern, einige unabhängig), dass keine Methode ein Allheilmittel für alle intermittierenden Anforderungen ist. Ein patentierter Ansatz könnte in einigen Fällen marginale Verbesserungen bringen oder einfach nur anders sein. Es ist wichtig, entweder Referenzen oder Testergebnisse anzufordern, die die Verbesserung zeigen. Lassen Sie sich nicht einfach davon überzeugen, dass es patentiert oder proprietär ist - konzentrieren Sie sich auf den Nachweis von Ergebnissen.
- „Plug-and-Play“ oder „1-Klick“-Implementierungsansprüche: Die Implementierung der Ersatzteiloptimierung ist ebenso sehr eine Prozessänderung wie eine Technologieänderung. Jeder Anbieter, der behauptet, dass seine Lösung super einfach zu implementieren ist und praktisch keinen Aufwand erfordert, vereinfacht die Dinge zu sehr. Datenherausforderungen (fehlende Daten, ungenaue Stücklisten usw.) treten fast immer auf. Ein glaubwürdiger Anbieter wird den Bedarf an Datenbereinigung und Change Management anerkennen. Behandeln Sie daher Behauptungen über „Plug-and-Play“ als gelbes Warnzeichen - prüfen Sie, was tatsächlich erforderlich ist, um live zu gehen. Wahrscheinlich haben diejenigen, die eine mühelose Integration behaupten, eine grundlegende Lösung, die nicht tief genug gräbt, um die unordentlichen, aber wichtigen Details in Ihren Daten aufzudecken.
Endgültige Empfehlung - Substanz vor Hype wählen: Um wirklich zu profitieren, sollte ein Unternehmen eine Lösung wählen, die mit modernen Techniken und seinen eigenen Geschäftsrealitäten übereinstimmt. Wenn die Betriebszeit entscheidend ist und Daten verfügbar sind, neigen Sie zu einer Lösung, die probabilistische Modelle und ökonomische Optimierung verwendet (Lokad, ToolsGroup, Servigistics, GAINS). Wenn Ihr Unternehmen auch die Preisgestaltung oder die Serviceausführung überholen muss, erwägen Sie eine integrierte Suite wie Syncron oder das breitere Angebot von PTC, stellen Sie jedoch sicher, dass die Kernoptimierungstechnologie nicht beeinträchtigt wird. Fordern Sie in allen Fällen Transparenz während der Auswahl: Fordern Sie von den Anbietern, dass sie eine Stichprobe Ihrer Daten durch ihr System laufen lassen, um zu sehen, wie es mit intermittierender Nachfrage umgeht und welche Art von Empfehlungen es gibt. Dies wird schnell die Marketingtricks durchschneiden. Diejenigen, die wirklich fortgeschrittene Methoden verwenden, werden in der Lage sein, eine realistische Bandbreite von Ergebnissen und optimierte Lagerbestände zu zeigen, die sich richtig anfühlen (und Sie können diese Ergebnisse mit Ihren aktuellen Ergebnissen oder einem bekannten Ausgangspunkt vergleichen).

Letztendlich ist das Ziel eine Ersatzteiloptimierungslösung, die die Serviceverfügbarkeit für Ihre Kunden bei minimalen vertretbaren Kosten maximiert, mit minimalem manuellem Aufwand. Anbieter, die in probabilistische Prognosen, ökonomische Optimierung und Automatisierung im großen Maßstab investiert haben, sind nachweislich besser darin, dieses Gleichgewicht zu erreichen. Der Markt bewegt sich glücklicherweise in diese Richtung, aber es ist entscheidend, die Fähigkeiten jedes Anbieters zu überprüfen. Indem Sie sich auf die in dieser Studie skizzierten Prinzipien konzentrieren - planungsgesteuerte Planung, Kosten-Nutzen-Fokus, Skalierbarkeit und technische Authentizität - können Sie den Hype von der Substanz trennen und eine Plattform wählen, die Ihre Ersatzteilplanung wirklich an die Spitze der Leistung bringt.