Unternehmenssoftware zur Bestandsoptimierung

Von Léon Levinas-Ménard

Zuletzt geändert: 2. Februar 2025

Ziel: Diese Studie bewertet führende Anbieter von Unternehmenssoftware zur Bestandsoptimierung mit einem strengen, evidenzbasierten Ansatz. Wir bestrafen vage Marketing, nicht unterstützte „KI“-Schlagworte und das Fehlen echter stochastischer Fähigkeiten. Schlüsselkriterien sind: (1) nachgewiesene Unterstützung für sowohl probabilistische Nachfrageprognosen als auch probabilistische Lieferzeitprognosen (Anbieter, die die Unsicherheit der Lieferzeit weglassen, gelten als nicht ernsthaft); (2) Glaubwürdigkeit von fortgeschrittenen Funktionen (Kannibalisierung, „Demand Sensing“, KI/ML usw. müssen durch echte technische Details unterstützt oder als falsch gekennzeichnet werden); (3) Grad der Automatisierung (wirklich unbeaufsichtigte Optimierung vs. manuelle Anpassungen erforderlich); und (4) Fähigkeit, komplexe Einschränkungen zu bewältigen (Verfallsdaten, Serien-/Losverfolgung, Rückgaben, Losgrößen, Preisnachlässe, Produktkannibalisierung, unregelmäßige „quasi-saisonale“ Muster, Lagerhaltungskosten usw.).

Bewertete Anbieter

Nachfolgend finden Sie eine objektive Bewertung der Top-Anbieter von Bestandsoptimierungssoftware, von den glaubwürdigsten bis zu den am wenigsten glaubwürdigen, basierend auf den oben genannten Kriterien. Jede Anbieterbewertung hebt Stärken hervor, deckt Schwächen auf und zitiert Belege für irreführende Behauptungen.

1. Lokad – Probabilistischer Pionier mit voller Transparenz

Überblick: Lokad zeichnet sich durch einen wahren probabilistischen Ansatz zur supply chain aus. Es modelliert sowohl die Variabilität der Nachfrage als auch die Variabilität der Lieferzeit, wobei Lieferzeiten als prognostizierbare Zufallsvariablen (nicht als feste Eingaben) behandelt werden ¹. Lokads System bietet eine „Algebra der Zufallsvariablen“ – im Wesentlichen erstklassige Unterstützung für Wahrscheinlichkeitsverteilungen –, die komplexe stochastische Berechnungen ermöglicht, die Unsicherheit in jedem Schritt berücksichtigen ² ³. Diese mathematische Strenge unterscheidet Lokad von Wettbewerbern, die Unsicherheit oft nur auf ad-hoc-Weise simulieren (oder das Risiko der Lieferzeit ganz ignorieren).

Probabilistische Nachfrage & Lieferzeiten: Lokad erfüllt eindeutig das Kriterium der Doppelprognose. Seine Dokumentation betont, dass „Lieferzeiten genauso wie die Nachfrage prognostiziert werden können und sollten“ ¹. Die Plattform kann probabilistische Modelle für Lieferzeiten erstellen (z.B. mit log-logistischen Verteilungen) und sie mit Nachfrageprognosen kombinieren ¹ – ein Eckpfeiler für genaue Nachbestellberechnungen. Indem Lokad beide Aspekte der Unsicherheit berücksichtigt, vermeidet es die häufige Falle anderer Tools, die davon ausgehen, dass Lieferzeiten statisch sind oder dass Sicherheitsbestände ausreichen.

Fortgeschrittene Funktionen (Kannibalisierung usw.): Lokad liefert konkrete technische Details zu fortgeschrittenen Einschränkungen. Es führt eine stochastische Optimierung ein, die die erwartete Rentabilität maximiert und dabei kundenspezifische Einschränkungen berücksichtigt, einschließlich kreuzprodukteffekte wie Kannibalisierung und Substitution ⁴. Zum Beispiel kann Lokad modellieren, wie Produkte die Nachfrage nach anderen Produkten kannibalisieren oder als Ersatz dienen, und diese Beziehungen in die Optimierungslogik einbeziehen. Dies ist keine vage Behauptung – sie wird durch einen „programmatischen“ Ansatz (Lokads Envision-Scripting) gestützt, bei dem Supply Chain Scientists solche Beziehungen explizit kodieren. Ähnlich können schwierige Phänomene wie sporadische Rückgaben oder Ausschussraten probabilistisch prognostiziert und in Entscheidungen einbezogen werden ³. Lokads öffentliche Materialien gehen auf diese technischen Details ein (z.B. Prognose von Rückgaben im E-Commerce oder Schwankungen in der Produktion ⁵ ⁶), was Beweise für die Fähigkeiten zeigt. Es gibt keine Abhängigkeit von leeren Schlagworten; stattdessen diskutiert Lokad Methoden (Monte-Carlo-Simulationen, probabilistische Programmierung usw.) und veröffentlicht sogar Vorlesungen darüber, wie diese implementiert werden ⁷. Behauptungen über KI/ML sind minimal – der Fokus liegt auf messbaren, modellgetriebenen Verbesserungen.

Automatisierung: Vollautomatisierung ist ein zentrales Designziel für Lokad. Die Plattform ist für den unbeaufsichtigten Betrieb konzipiert: Sie „automatisiert aggressive repetitive Aufgaben“ in der Supply-Chain-Optimierung ⁸. Lokads Ansatz besteht darin, dass seine Engine optimale Entscheidungen (Bestellungen, Lagerzuweisungen, Produktionspläne) ohne ständiges menschliches Mikromanagement generiert. Viele seiner Kunden betreiben das System weitgehend im unbeaufsichtigten Modus, sie greifen nur bei Ausnahmen ein. Lokad bietet sogar eine proprietäre Programmiersprache (Envision) zur Anpassung der Entscheidungslogik, um sicherzustellen, dass alle routinemäßigen Szenarien von der Software behandelt werden. Das Unternehmen betont offen, dass groß angelegte automatisierte numerische Rezepte die täglichen Entscheidungen steuern und den Bedarf an manuellen SOPs reduzieren ⁸. Diese klare Erklärung, wie Entscheidungen automatisiert werden (über ein optimiertes Skript- und Solver-Pipeline), ist weitaus überzeugender als die generischen „KI-Automatisierungs“-Versprechen der Wettbewerber.

Einschränkungshandhabung: Lokad unterstützt robust nicht-triviale Einschränkungen. Da es eine flexible Modellierungssprache verwendet, kann es Verfallsdaten berücksichtigen (z.B. durch Prognose von Haltbarkeitsverteilungen und Forcierung des „Abverkaufs“ vor dem Verfall), Serien-/Losverfolgung (durch Bestandsalter oder chargenspezifische Lagerbestandsvariablen), Rückgaben und Überholungen (durch Modellierung von Rückgabewahrscheinlichkeiten und Vorlaufzeiten für Rückgaben ⁶), Chargengrößen/MOQs (eingebaut in seine Optimierung durch Bewertung diskreter Losmengen), Lieferantenpreisnachlässe oder Aktionen (durch Optimierung des Zeitpunkts/Menge der Bestellungen zur Maximierung des Rabattvorteils gegenüber den Haltekosten ⁹), Kannibalisierungs- und Substitutionseffekte (ausdrücklich als in seiner stochastischen Engine behandelt erwähnt ⁴), quasi-Saisonalität (seine Prognose kann ungewöhnliche saisonale Muster über probabilistische Modelle erfassen) und Lager- oder Kapazitätseinschränkungen (durch Einbeziehung von Kapazitätskosten/Strafen in das Optimierungsziel). Lokads Dokumentation weist sogar darauf hin, dass es „alle wirtschaftlichen Treiber“ berücksichtigt, die an Entscheidungen gebunden sind ¹⁰, und „einzigartige Einschränkungen“ pro Kunde berücksichtigt – ein Detailgrad, der in den meisten Beschreibungen der Anbieter fehlt. Kurz gesagt, Lokad zeigt mit technischer Klarheit, dass es komplexe reale Szenarien bewältigt, anstatt oberflächliche Behauptungen aufzustellen.

Urteil: Lokad rangiert aufgrund seines kompromisslosen wissenschaftlichen Ansatzes und seiner Transparenz an der Spitze. Es ist einer der wenigen Anbieter, die wirklich probabilistische Prognosen (Nachfrage und Angebot) und echte stochastische Optimierung implementieren ⁴. Irreführendes Marketing ist im Grunde genommen nicht vorhanden – anstelle von Hype liefert Lokad Beweise (Whitepapers, technische Dokumente) dafür, wie es Ergebnisse erzielt. Diese Wahrheits-ethos, kombiniert mit starker Automatisierung und Einschränkungshandhabung, macht Lokad zu einem herausragenden Unternehmen für Unternehmen, die eine ernsthafte, nächste Generation der Lagerbestandsoptimierung suchen. Der einzige Vorbehalt ist, dass Lokads Ansatz eine quantitative Denkweise erfordert – es ist absichtlich komplex unter der Haube – aber der Lohn ist eine Lösung, die in der Realität und nicht in Schlagworten verwurzelt ist.

2. Slimstock – Pragmatischer Traditionalist (Ehrlich, aber weniger fortgeschritten)

Überblick: Slimstock (mit seinem Produkt Slim4) steht für einen mainstream, klassischen Ansatz zur Lagerbestandsoptimierung. Einzigartig ist, dass Slimstock erfrischend frei von KI-Hype ist. Das Unternehmen konzentriert sich auf bewährte Methoden wie Sicherheitsbestandsberechnungen, Economic Order Quantity (EOQ) und andere standardmäßige Supply-Chain-Techniken ¹¹. Die Philosophie von Slimstock besteht darin, „einfache, prägnante praktische Lösungen zu liefern, anstatt vage ‚KI‘-Behauptungen aufzustellen“ ¹². Diese Ehrlichkeit und Konzentration auf das Wesentliche hat Slimstock einen hohen Ruf für Benutzerfreundlichkeit und Zuverlässigkeit bei Praktikern eingebracht.

Probabilistische Fähigkeiten: Hier fällt Slimstock nach modernen Maßstäben kurz. Slim4 bewirbt nicht explizit probabilistische Prognosen für die Nachfrage oder irgendeine Form der stochastischen Vorlaufzeitmodellierung. Seine Funktionalität dreht sich um traditionelle deterministische Prognosen (oft über Zeitreihenmethoden) kombiniert mit Puffern (Sicherheitsbeständen), um die Variabilität zu bewältigen. Während Slimstock sicherlich Vorlaufzeiten in seinen Berechnungen berücksichtigt (Vorlaufzeiten sind eine Eingabe zur Berechnung von Nachbestellpunkten und Sicherheitsbestand), behandelt es sie als gegebene Parameter, nicht als zufällige Variablen zur Prognose. Es gibt keine Beweise dafür, dass Slim4 vollständige Wahrscheinlichkeitsverteilungen von Nachfrage oder Vorlaufzeit erzeugt. Das bedeutet, dass Slimstock, obwohl es in einem klassischen Sinne robust ist, “Unsicherheit ignoriert” auf die granulare Weise, wie probabilistische Methoden sie erfassen ³. Nach unseren Kriterien ist das Versäumnis, die Unsicherheit der Vorlaufzeit explizit zu modellieren, eine ernsthafte Einschränkung - ein Minuspunkt für die technische Tiefe von Slimstock. Slimstock mildert dies jedoch, indem es zumindest offen zugibt, einfache Methoden zu verwenden; es gibt nicht vor, fortschrittliche stochastische Technologie zu besitzen. Für viele Unternehmen liefert der konservative Ansatz von Slim4 akzeptable Ergebnisse, aber es könnte im Vergleich zur wirklich probabilistischen Optimierung Geld auf dem Tisch liegen lassen.

Ansprüche auf fortgeschrittene Funktionen: Slimstock übertreibt im Allgemeinen nicht die Fähigkeiten, die es nicht hat. Sie werden nicht hören, dass Slim4 mit “KI-gesteuertem Demand Sensing” oder “Machine Learning Prognosen” prahlt. Tatsächlich wird dieser nüchterne Ansatz als positiv hervorgehoben: “Es ist erfrischend zu sehen, dass sich ein Anbieter auf Praktisches konzentriert… anstatt auf vage KI-Behauptungen.” ¹³. Allerdings ist das Leistungsspektrum von Slimstock relativ schmal. Komplexe Interaktionen wie Produkt-Kannibalisierung oder Substitutionseffekte sind nicht ein Kernfokus (diese müssten Sie durch manuelle Anpassungen oder zusätzliche Analysen behandeln). Ähnlich ist der Umgang mit Dingen wie Promotionen, kausalen Faktoren oder neuartigen ML-Techniken minimal. Slimstock glänzt in dem, was es tut (statistische Prognosen, Multi-Echelon-Nachbestellung mit Sicherheitsbestand), wagt sich aber nicht in avantgardistisches Gebiet - und zu seinem Verdienst tut es auch nicht so, als ob es das täte. Jede Behauptung, die es aufstellt (z.B. “optimierte Lagerbestände” oder “verbesserter Service mit weniger Bestand”), wird durch unkomplizierte Funktionalität unterstützt, nicht durch vage KI. Wir fanden keine roten Flaggen-Buzzwords wie “Demand Sensing” in Slimstocks Materialien, was auf einen lobenswerten Fokus auf Substanz über Stil hindeutet.

Automatisierung: Slim4 ist für die einfache Bedienung durch Planer konzipiert, was eine Mischung aus Automatisierung und manueller Kontrolle impliziert. Das Tool generiert automatisch Prognosen, Nachbestellpunkte und Lagerbestandsziele für Tausende von SKUs über Ebenen hinweg. Benutzer setzen oft Service-Level-Ziele und lassen Slim4 die notwendigen Lagerpuffer berechnen. In der Praxis ermöglicht Slimstock einen halbautomatisierten Prozess: Routineberechnungen werden vom System durchgeführt, aber Planer überprüfen in der Regel Ausnahmen oder passen Parameter an. Slimstock trompetet nicht “vollautomatische Supply Chain” in seinem Marketing - stattdessen positioniert es sich als Entscheidungsunterstützungstool für Planer. Das Fehlen einer klaren “Black-Box-Automatisierung”-Behauptung bedeutet, dass wir Slimstock nicht dafür tadeln können, manuellen Aufwand zu verbergen; sie erwarten, dass die Benutzer in der Schleife bleiben. Im Vergleich zu Anbietern, die eine vollständig unbeaufsichtigte Optimierung anstreben, könnte der Ansatz von Slimstock jedoch mehr laufende Benutzereingriffe erfordern (z.B. Aktualisierung von Prognosen für neue Trends, manuelles Management von Artikeln, die dem Verfall nahe sind, etc.). Es handelt sich um ein pragmatisches Maß an Automatisierung, das für viele mittelständische Unternehmen angemessen ist, wenn auch nicht das theoretische Ideal der “No-Touch”-Optimierung.

Einschränkungsbehandlung: Im Einklang mit seinem klassischen Ansatz behandelt Slimstock allgemeine Supply-Chain-Einschränkungen, aber nicht alle komplexen. Verfallsdaten: Slim4 kann eine grundlegende Haltbarkeitskontrolle verwalten (Warnungen für Artikel, die dem Verfall nahe sind, First-Expire-First-Out-Lagerrotation), aber es macht wahrscheinlich keine ausgefeilte Optimierung von verderblichen Waren. Batchgrößen / MOQs: Ja, Slim4 unterstützt diese Standardbeschränkungen bei Nachbestellberechnungen. Multi-Echelon: Das Kernstück von Slimstock ist die Multi-Echelon-Lagerbestandsoptimierung, so dass es den Lagerbestand über Standorte hinweg ausgleicht, wenn auch mit traditionellen Service-Level-Zuteilungsmethoden anstelle einer vollständig stochastischen Netzwerkoptimierung. Kannibalisierung & Substitution: weitgehend nicht unterstützt auf automatisierte Weise - Benutzer müssen Prognosen für Produktübergänge oder Überschneidungen manuell anpassen, da die Modelle von Slim4 nicht von selbst wissen, dass Produkt B die Nachfrage von Produkt A stiehlt. Rücksendungen, Serienverfolgung: außerhalb des Prognosebereichs von Slim4, diese würden auf der ERP/Lagerseite behandelt werden. “Quasi-Saisonalität” (unregelmäßige, ereignisgetriebene Nachfragespitzen) wird möglicherweise nicht erfasst, es sei denn, der Benutzer baut diese manuell in die Prognosen ein (z.B. über saisonale Profile oder Überschreibungen). Lagerkapazitätskosten: Slimstock geht in der Regel von unendlicher Kapazität aus oder verwendet einfache Beschränkungen; es führt keine komplexe nichtlineare Optimierung für Lagerflächen durch - das würde wieder menschliche Anpassung erfordern (z.B. Planer, die Ziele senken, wenn der Platz knapp ist). Zusammenfassend deckt Slimstock die “alltäglichen, aber kritischen Praktiken” ¹⁴ ab - es ist sehr effektiv für das Lehrbuch-Inventarmanagement (richtige Nachbestellpunkte, Sicherheitsbestände, ABC-Segmentierung, etc.), und es tut dies mit Integrität. Doch es ist nicht das Werkzeug für die Modellierung jedes esoterischen Szenarios. Unternehmen mit sehr komplexen Einschränkungen oder Unsicherheitsmustern könnten das, was Slim4 bieten kann, übersteigen.

Urteil: Slimstock erhält eine hohe Bewertung für seine erfrischende Ehrlichkeit und solide Beherrschung der Grundlagen. Es bietet eine zuverlässige Lösung, ohne auf trendige Fachsprache oder übertriebene KI-Versprechen zurückzugreifen. In Umgebungen, in denen klassische Inventarformeln ausreichen, liefert Slim4 Ergebnisse und wird für seinen benutzerfreundlichen, unkomplizierten Stil geliebt. Allerdings kann Slimstock nach unseren strengen Kriterien nicht als bahnbrechend betrachtet werden. Sein Fehlen einer expliziten probabilistischen Prognose (insbesondere das Fehlen der Modellierung von Lieferzeitverteilungen) ist eine bemerkenswerte Lücke - was es für Organisationen, die eine rigorose Unsicherheitsquantifizierung erfordern, “nicht ernsthaft” macht. Wir mildern dieses Etikett jedoch: Slimstock ist ernsthaft in Bezug auf das Inventarmanagement, nur innerhalb eines traditionellen Paradigmas. Insgesamt ist Slimstock eine ausgezeichnete Wahl für Unternehmen, die Praktikabilität über Schlagworte schätzen, solange sie seine Einschränkungen in der fortgeschrittenen Analytik verstehen.

3. RELEX Solutions - Einzelhandelsorientiert, schnelle Analysen - Hohe Ansprüche unter der Lupe

Überblick: RELEX Solutions hat sich schnell erhoben, insbesondere im Einzelhandelssektor, indem es eine “KI-gesteuerte” Plattform für die Nachfrageprognose und die Lagerbestandsoptimierung ¹⁵ bewirbt. Das Markenzeichen von RELEX ist ein “Live Plan”-System im Speicher, das den Benutzern eine schnelle, detaillierte Sicht auf ihren Lagerbestand und ihre Prognosen in Geschäften und Verteilungszentren bietet. Diese Architektur (oft verglichen mit einem OLAP-Würfel oder “Digital Twin”) ermöglicht beeindruckende Echtzeit-Dashboards und schnelle Was-wäre-wenn-Analysen. RELEX ist spezialisiert auf Einzelhandel und frische Waren und bietet Funktionen für den Umgang mit Lebensmitteln, verderblichen Waren und Aktionen. Auf den ersten Blick scheint RELEX sehr leistungsfähig zu sein: Es spricht von der Automatisierung der Nachfüllung, der Optimierung von Zuweisungen und deutet sogar an, dass es eine Verfügbarkeit von 99%+ auf Lager aufrechterhalten kann. Bei genauerem Hinsehen zeigt sich jedoch eine Mischung aus Stärken und Schwächen: starke Echtzeitanalyse und einige einzigartige Funktionen, aber mögliche Mängel in der tiefen Optimierung und Prognosewissenschaft.

Probabilistische Nachfrage & Lieferzeiten: Macht RELEX wirklich probabilistische Prognosen? Das Unternehmen bewirbt stark seine “KI-gesteuerte Prognose”, aber die Details sind spärlich. RELEX veröffentlicht keine Belege dafür, dass es vollständige Wahrscheinlichkeitsverteilungen für die Nachfrage erzeugt, so wie es Lokad tut. Sein Fokus scheint auf verbesserten Punktprognosen zu liegen (Verwendung von maschinellem Lernen auf aktuellen Daten - was einige “Nachfrageerfassung” nennen) und dann deren Verwendung in Lagerbestandsberechnungen. Kritisch ist, dass wir keine Erwähnung von probabilistischen Lieferzeitprognosen in RELEX-Materialien gefunden haben. Lieferzeiten sind sicherlich Teil der RELEX-Planung (Sie geben Lieferzeiten ein, und das System weiß, dass längere Lieferzeiten einen höheren Sicherheitsbestand erfordern), aber die Behandlung der Lieferzeit als eine Zufallsvariable mit einer Verteilung - es gibt keine Anzeichen dafür, dass RELEX das tut. Angesichts unserer Kriterien ist diese Auslassung ernst. Ein Anbieter, der die Unsicherheit der Lieferzeit nicht explizit anspricht, ist mangelhaft. Das Planungsmodul von RELEX verwendet wahrscheinlich eine deterministische Lieferzeit plus vielleicht einen Puffer für die Variabilität, was weit hinter der wahren stochastischen Optimierung zurückbleibt. Tatsächlich scheint RELEXs allgemeiner Ansatz zur Unsicherheit traditionell zu sein: Es verwendet wahrscheinlich Sicherheitsbestandsformeln unter der Haube. Eine unabhängige Analyse stellte fest, dass die Prognosetechnologie von RELEX “vor 2000er Modellen zu sein scheint.” ¹⁶ - was darauf hindeutet, dass sie sich auf bewährte Methoden (wie exponentielles Glätten) verlassen, anstatt auf einen Durchbruch in der probabilistischen Prognose. Also, während die Nachfrageprognosen von RELEX vielleicht granularer (z.B. täglich, nach Geschäft/SKU) und häufig aktualisiert sein mögen, finden wir keine Beweise für echte probabilistische Prognosen im akademischen Sinne. Dies setzt RELEX hinter Anbieter, die volle Nachfrage-/Lieferzeitverteilungen modellieren.

Ansprüche auf fortgeschrittene Funktionen (KI, Kannibalisierung, etc.): Das Marketing von RELEX verwendet großzügig Begriffe wie “KI-gesteuert”, “maschinelles Lernen” und sogar “Digital Twin”. Zum Beispiel wirbt es für “KI-gesteuerte Nachfrageprognose und Multi-Echelon-Lagerbestandsoptimierung” ¹⁵ und “autonome Lagerbestandsausgleich” ¹⁷. Allerdings fehlen technische Details. RELEX erklärt selten, welche Algorithmen oder KI-Techniken es verwendet - eine rote Flagge unter unserer Prüfung. Die Behauptungen des Unternehmens, fortgeschrittene Einzelhandelsherausforderungen zu bewältigen, verdienen eine Untersuchung:

Kannibalisierung & Substitution: Theoretisch sind diese im Einzelhandel entscheidend (z.B. neue Produkte ersetzen alte, oder ein Artikel stiehlt Verkäufe von einem anderen, wenn er in der Nähe platziert wird). Die Architektur von RELEX könnte tatsächlich die Modellierung dieser gut behindern. Beobachter stellen fest, dass das In-Memory/OLAP-Design von RELEX “im Widerspruch zu netzwerkweiter Optimierung und Einzelhandelsnachfragemustern wie Substitutionen und Kannibalisierungen steht.” ¹⁸ Da das System für schnelle Abfragen gebaut ist, könnte es die ausgefeilte Optimierungsschicht fehlen, die benötigt wird, um den Nachfrageverlust eines Produkts als Gewinn eines anderen zu simulieren. Wir haben nicht gefunden, dass RELEX explizit behauptet, Kannibalisierung über generische KI-Aussagen hinaus zu lösen. Angesichts der Komplexität vermuten wir, dass RELEX keine explizite, bewährte Fähigkeit hat, Kannibalisierungseffekte zu modellieren (zumindest nicht viel über das hinaus, was ein Planer manuell anpassen könnte). Daher ist jede breite Behauptung, dass seine KI solche Interaktionen handhabt, unbegründet - wir behandeln sie als bogus, bis das Gegenteil bewiesen ist.
“Demand Sensing”: RELEX bietet ein Modul für kurzfristiges Demand Sensing (Einnahme von aktuellen POS-Daten, Wetter, etc.). “Demand Sensing” als Schlagwort ist eine bekannte rote Flagge - oft überschätzt mit wenig wissenschaftlicher Unterstützung ¹⁹. RELEX hat keine von Experten begutachteten Belege dafür veröffentlicht, dass sein Demand Sensing bessere Ergebnisse als traditionelle Prognosen liefert. Wir bleiben skeptisch gegenüber jedem Anbieter, der diesen Begriff ohne klare Daten vorantreibt. Es sei denn, RELEX kann zeigen, wie ihr ML-Modell den Prognosefehler quantitativ verbessert, indem es Nachfragespitzen oder -verschiebungen schneller erfasst, betrachten wir “Demand Sensing”-Behauptungen als Marketing-Flausch.
KI/ML: RELEX positioniert sich als eine moderne, KI-gesteuerte Lösung, aber was steckt unter der Haube? Die Unklarheit der Behauptungen ist besorgniserregend. Wir wissen, dass RELEX maschinelles Lernen für Dinge wie Prognosen und Planoptimierung verwendet - aber bisher sind die Beispiele grundlegend (z.B. die Verwendung von ML-Regression zur Vorhersage des täglichen Umsatzes, was in Ordnung, aber nicht revolutionär ist). Es gibt keine Anzeichen von “stochastischer Optimierung” oder einer Algebra von Zufallsvariablen im Ansatz von RELEX. Ohne das ist es etwas irreführend, es als KI-getrieben zu bezeichnen. Außerdem scheinen die von RELEX angepriesenen Verfügbarkeitsergebnisse von 99%+ übertrieben zu sein - Branchenumfragen zur Verfügbarkeit im Einzelhandel widerlegen solch hohe Zahlen ²⁰. Dies deutet auf eine Lücke zwischen Marketing und Realität hin.

Positiv zu vermerken ist, dass RELEX greifbare Fähigkeiten hat, die wertvoll sind:

Es kann Ladungen und Bestellbündelung optimieren (z.B. Füllraten für Container) als Teil der Nachschubplanung ¹⁷ ²¹.
Es beinhaltet eine Funktion für “intelligentes Vorauskaufen” ⁹, um Lieferantenrabatte auszunutzen - was impliziert, dass es Szenarien berechnen kann, um zusätzliches Inventar jetzt oder später zu kaufen, um Kosteneinsparungen zu maximieren. Das berücksichtigt in gewissem Maße Preisgrenzen.
RELEX konzentriert sich stark auf frische Lebensmittel und die Reduzierung von Verderb. Es behauptet ausdrücklich, Ablaufdaten für vorhandene Bestände zu berücksichtigen, um Bestände zu identifizieren, die dem Ablaufdatum nahe sind, und notwendige Ausverkäufe und Preisnachlässe durchzuführen. ²². Darüber hinaus unterstützt RELEX die Verfolgung von Beständen nach Charge/Los, um das Ablaufdatum und Produkttransformationen für Frischwaren (z.B. Reifung von Fleischstücken) zu verwalten ²³. Das sind konkrete Funktionen, keine bloßen Schlagworte, die zeigen, dass RELEX in das Management von verderblichen Waren investiert hat - ein Bereich, den einige andere vernachlässigen. Also, obwohl RELEX vielleicht keine ausgefallene stochastische Mathematik hat, löst es reale Einzelhandelsprobleme (wie Verfall und Verderb) durch Heuristiken und Geschäftsregeln. Wir geben RELEX Kredit für diese praktischen Fähigkeiten.

Architektur & Leistung: Die In-Memory-Architektur von RELEX (oft unter Ausnutzung von Cloud-Spalten-Datenbanken) verleiht ihr Geschwindigkeit, aber zu einem Preis. Sie “bietet beeindruckendes Echtzeit-Reporting, garantiert aber hohe Hardwarekosten” ²⁴. Darüber hinaus kämpfen solche Architekturen oft, wenn die Problemkomplexität wächst. Beispielsweise ist die Skalierung zur globalen Optimierung (Berücksichtigung aller Standorte und Produkte gleichzeitig für die Optimierung) schwierig, wenn das System im Wesentlichen ein großer OLAP-Würfel ist. RELEX könnte sich auf recht einfache Algorithmen verlassen, um schnell Entscheidungen zu treffen (z.B. gierige Heuristiken zum Ausgleich von Beständen zwischen Geschäften). Das ist in Ordnung für die Reaktionsfähigkeit, aber es findet möglicherweise nicht die optimale Lösung, die ein langsamerer, stochastischer Ansatz finden könnte. Darüber hinaus sind Echtzeit-Updates weniger relevant, wenn Sie die Unsicherheit nicht richtig modellieren - Sie könnten sofort auf eine Nachfrageänderung reagieren, aber wenn Sie die Unsicherheit von Anfang an nie quantifiziert haben, jagen Sie immer noch nur den neuesten Datenpunkt (eine mögliche “Prognosejagd”-Falle).

Automatisierung: RELEX betont die Automatisierung in den Betriebsabläufen. Es wirbt mit “Automatisierung und Vereinfachung komplexer Bestandsoptimierungsprozesse” ²⁵ und präsentiert Funktionen wie “automatisieren Sie Ihre Bestandsausgleich” ¹⁷ und “reagieren Sie in Echtzeit” auf Nachfrageänderungen mit automatischen Bestellungen ²⁶. In der Praxis kann RELEX tatsächlich automatisch Laden-Nachfüllbestellungen, Filialen-Transfers und Ersatzbestellungen für ablaufende Bestände mit minimaler menschlicher Intervention generieren. Viele RELEX-Benutzer führen tägliche Auto-Nachfüllungen durch, bei denen Planer nur in Ausnahmefällen eingreifen. Allerdings erklärt RELEX seine Automatisierungslogik nicht im Detail. Zum Beispiel, wie genau entscheidet es, “Force-Outs” von ablaufenden Produkten auszulösen? Gibt es ein Optimierungsmodell, das Abschreibkosten gegen Verschwendung abwägt, oder nur eine Regelgrenze (z.B. verkaufen, wenn innerhalb von 2 Tagen das Verfallsdatum erreicht ist)? Solche Details sind nicht öffentlich. Daher glauben wir zwar, dass RELEX routinemäßige Aufgaben gut automatisieren kann, wir bestrafen jedoch den Mangel an Transparenz. Es handelt sich wahrscheinlich um eine Menge regelbasierte Automatisierung, die funktioniert, aber nicht so elegant ist wie eine optimierte Richtlinie. Dennoch ist RELEX im Vergleich zu älteren Unternehmenssystemen, die eine intensive manuelle Planung erforderten, ein großer Fortschritt in der Automatisierung. Seien Sie sich nur bewusst, dass das Etikett “autonom” möglicherweise übertreibt - eine gewisse Abstimmung durch die Planer (z.B. das Festlegen von Parametern für diese Regeln) ist notwendig, um die Automatisierung effektiv zu halten.

Umgang mit Einschränkungen: RELEX schneidet bei mehreren komplexen Einschränkungen gut ab, insbesondere bei spezifischen Einzelhandelsbedürfnissen:

Verfall und verderbliche Waren: Wie bereits erwähnt, hat RELEX hier starke Funktionen (Chargenverfolgung, Verderbsprognosen, automatische Abschreibungsplanung für Waren kurz vor dem Verfall) ²². Dies deutet darauf hin, dass RELEX Produkte mit kurzer Haltbarkeit auf automatisierte Weise verwalten kann - entscheidend für Lebensmittelhändler.
Batching / LKW-Ladungen: RELEX optimiert die LKW-Beladung und respektiert Mindestbestellmengen/Rundungen ¹⁷ ²¹. Es erwähnt speziell, dass es verhindert, “Luft” zu versenden, indem es LKWs optimal füllt, was auf die Beachtung von Transportkostenbeschränkungen hinweist.
Preisnachlässe / Aktionen: Die Forward-Buy-Funktion ⁹ deutet darauf hin, dass RELEX empfehlen wird, vor einer Preiserhöhung oder um einen Mengenrabatt zu erhalten, voraus zu kaufen, und dies gegen die Lagerhaltungskosten abwägt. Dies ist eine anspruchsvolle Einschränkung, die viele Systeme ignorieren.
Kannibalisierung/Substitution: Schwachpunkt - wie besprochen, wahrscheinlich nicht explizit von RELEX’s Engine gelöst.
Rücksendungen: Im Einzelhandel (insbesondere im E-Commerce) könnten Rücksendungen erheblich sein (Modeeinzelhandel, etc.). RELEX hat ein Modul für “prädiktiven Bestand”, das die Berücksichtigung von Verderb erwähnt und vermutlich auch Rücksendungen berücksichtigen könnte ²⁷, aber die Details sind unklar. Es ist sicher anzunehmen, dass die Rücksendungsabwicklung in ERP erfolgt, nicht von RELEX’s Bedarfsplanung prognostiziert.
Quasi-Saisonalität: RELEX kann saisonale Nachfrage prognostizieren (es handhabt zum Beispiel wöchentliche saisonale Profile für jedes Produkt/Geschäft). Bei unregelmäßigen Nachfragemustern könnte sein ML einige aufgreifen, aber ohne explizite Dokumentation können wir das nicht bestätigen. Wahrscheinlich behandelt es Aktionen als besondere Ereignisse (mit separaten Lift-Prognosen) - ziemlich standardmäßig in Einzelhandelslösungen.
Lagerkapazität: RELEX kann die Regalkapazität eines Ladens bis zu einem gewissen Grad modellieren (nicht über den Regalplatz hinaus bestellen, etc.) als Teil seiner Planogramm-Integration. Für die DC-Kapazität, nicht sicher - möglicherweise ein alarmbasierter Ansatz.
Mehrstufig: RELEX führt mehrstufige (Laden-DC-Lieferant) Planung durch. Allerdings könnte das Echtzeit-Design mit einer wirklich optimalen mehrstufigen Lageroptimierung in Konflikt geraten ¹⁸. Das System könnte jede Stufe mit Heuristiken optimieren, anstatt ein ganzheitliches stochastisches Modell über die Stufen hinweg. Dies ist eine Nuance: ja, es macht mehrstufig (praktisch nutzen viele Kunden es, um veraltete mehrstufige Werkzeuge zu ersetzen), aber macht es das optimal? Wahrscheinlich nicht auf eine mathematisch rigorose Weise - eher wie sequenzielle Optimierung (Prognose im Laden -> Versorgung aus DC -> DC-Versorgung vom Lieferanten mit Puffern auf jeder Stufe).

Urteil: RELEX rangiert als einer der Top-Konkurrenten, insbesondere für Einzelhändler und Frischwarenunternehmen. Seine Stärken liegen in praktischen Funktionen (Verwaltung verderblicher Waren, schnelle Analysen, Sichtbarkeit der Lieferkette, Promo-Handling) und einem modernen UX, das es deutlich von veralteter Planungssoftware unterscheidet. Unter unserem wahrheitssuchenden Mikroskop verliert RELEX jedoch Punkte für unbewiesene KI-Behauptungen und mangelnde probabilistische Tiefe. Die starke Verwendung von Schlagworten ohne begleitende Methodik (keine veröffentlichten Algorithmen oder Leistungsstudien) bedeutet, dass wir seine “KI”-Markenbildung mit Skepsis behandeln müssen ²⁸. Darüber hinaus könnte RELEX durch das Ignorieren der Lieferzeitprognose und die Verwendung älterer Prognosemodelle nicht das theoretische Optimum liefern - es bietet eine gute praktische Lösung, aber nicht die wissenschaftlich fortschrittlichste. Unternehmen, die RELEX bewerten, sollten nach spezifischen Informationen darüber fragen, wie es mit Unsicherheit und komplexen Interaktionen umgeht; ansonsten ist davon auszugehen, dass ein Großteil seiner Intelligenz von Geschäftsregeln und Benutzerkonfigurationen und nicht von magischer KI stammt. Zusammenfassend ist RELEX ein glaubwürdiger Akteur mit einigen echten Innovationen in der Benutzerfreundlichkeit, bleibt jedoch teilweise “Black Box” und möglicherweise übertrieben gehypt in seinem Marketing. Wir bewerten es hoch, aber unter den wirklich probabilistischen, detailgetriebenen Ansätzen.

4. ToolsGroup - Legacy “Probabilistischer” Player - Inkonsistente Behauptungen

Überblick: ToolsGroup ist seit Jahrzehnten im Bereich der Lageroptimierung tätig (gegründet 1993) mit seiner Flaggschiff-Software SO99+ (Service Optimizer 99+). ToolsGroup vermarktet sich stark auf “probabilistische Prognose” und servicelevelgetriebene Lagerplanung. Tatsächlich hat ToolsGroup wohl die Idee der Verwendung von Nachfrageverteilungen zur Steuerung der Lagerbestände in den frühen 2000er Jahren vorangetrieben. Sie werben auch für Fähigkeiten in der Bedarfsplanung, “Bedarfserkennung”, mehrstufige Optimierung und sogar Preisgestaltung (mit Add-ons wie Price.io). Allerdings wirft die Botschaft von ToolsGroup in den letzten Jahren ernsthafte Fragen auf. Das Unternehmen verwendet großzügig Schlagworte wie KI/ML und prahlt mit Automatisierung, doch ihre öffentlichen Materialien sind oft widersprüchlich oder technisch substanzlos. Wir beobachten eine Mischung aus solider Funktionalität (die Kernmathematik von SO99+ für den Bestand ist solide, basierend auf klassischer Betriebsforschung) und Marketing-Fluff, der nicht standhält (z.B. Diskussion über probabilistische Prognosen, während MAPE-Fehler zitiert werden, was konzeptionell falsch ist ²⁹).

Probabilistische Nachfrage & Lieferzeiten: Auf den ersten Blick behauptet ToolsGroup, sich ganz auf die probabilistische Prognose zu konzentrieren. So heißt es beispielsweise in ihren Broschüren, dass ToolsGroup eine “Wahrscheinlichkeitsprognose” zusammen mit Versorgungsparametern (Lieferzeit usw.) verwendet, um die Lagerbestände zu optimieren ³⁰. Tatsächlich kann SO99+ eine “Lager-zu-Service-Kurve” erzeugen - im Grunde genommen zeigt sie die Verteilung der Nachfrage über die Lieferzeit und den erreichten Servicelevel für eine gegebene Lagerinvestition ³⁰. Dies deutet darauf hin, dass ToolsGroup die Nachfrageunsicherheit in gewissem Maße modelliert. Es gibt jedoch einen Haken: ToolsGroups Ansatz zur probabilistischen Prognose scheint halbherzig und veraltet zu sein. Bemerkenswert ist, dass sie seit 2018 in ihrer Vermarktung “probabilistische Prognosen” anpreisen, gleichzeitig aber über Verbesserungen des MAPE (Mean Absolute Percent Error) sprechen ²⁹. Dies ist inkonsistent - MAPE ist eine Metrik für die Genauigkeit von Punktprognosen und “gilt nicht für probabilistische Prognosen” ²⁹. Ein solches offensichtliches Durcheinander lässt vermuten, dass die probabilistische Initiative von ToolsGroup mehr Buzz als Realität sein könnte. Es ist, als hätten sie eine probabilistische Ausgabe hinzugefügt, aber sie immer noch mit alten Metriken bewerten, was die Glaubwürdigkeit des gesamten Unterfangens untergräbt.

Wenn es um die Prognose der Lieferzeit geht: Die Materialien von ToolsGroup erwähnen nicht die Prognose der Lieferzeiten als Zufallsvariablen. Lieferzeiten werden als Eingabeparameter behandelt (möglicherweise mit Annahmen zur Variabilität), anstatt dass die Software sie aus der historischen Lieferantenleistung prognostiziert. Ihr Datenblatt zeigt, dass die Lieferzeit einer der “Versorgungsparameter” ist, die in das Modell eingespeist werden ³⁰. Wenn also ein Benutzer eine erwartete Lieferzeit und vielleicht eine Standardabweichung angibt, wird SO99+ das bei den Sicherheitsbestandsberechnungen berücksichtigen - aber es scheint, dass ToolsGroup keine dynamische Wahrscheinlichkeitsverteilung der Lieferzeiten selbst erzeugt. Dies ist eine entscheidende Unterscheidung. Ein wirklich probabilistisches System würde beispielsweise erkennen, wenn die Lieferzeiten eines bestimmten Lieferanten eine 20%ige Chance haben, sich zu verdoppeln (vielleicht aufgrund von Zollverzögerungen) und das in die optimalen Lagerbestände einbeziehen. Wir sehen keine Anzeichen dafür, dass ToolsGroup diese Art von Analyse durchführt. Daher scheitert ToolsGroup nach unserem strengen Maßstab am vollständigen probabilistischen Test - es erwähnt Lieferzeiten nur als statische Eingaben, nicht als prognostizierte Unsicherheiten. Dieser Mangel an expliziter Modellierung der Lieferzeit macht das “probabilistische” Label von ToolsGroup etwas oberflächlich. Wir betrachten dies als eine ernsthafte Schwäche: Ein Anbieter, der sich als probabilistisch positioniert, aber eine wichtige Unsicherheitsquelle ignoriert, geht nicht vollständig den Weg.

Behauptungen zu fortgeschrittenen Funktionen: Leider löst ToolsGroup in diesem Bereich mehrere rote Flaggen aus:

Das Unternehmen hat weitreichende Behauptungen über “KI” in seiner Software aufgestellt, die zweifelhaft sind ³¹. Es gibt wenig öffentliche Informationen darüber, welche KI-Techniken (falls überhaupt) ToolsGroup tatsächlich einsetzt. Ihre Legacy-Algorithmen gehen auf die Zeit vor dem KI-Boom zurück und sind eher in der Statistik/OR verwurzelt. Es scheint, dass das Label “KI” eher ein Marketing-Retrofit ist. So hat ToolsGroup beispielsweise ein KI-Startup erworben (vielleicht um sein Image zu stärken), aber ihr Kernprodukt wird nicht plötzlich auf Deep Learning basiert. Ohne konkrete technische Erklärungen (die ToolsGroup öffentlich nicht bereitgestellt hat), behandeln wir ihre KI-Behauptungen als unbegründet.
Demand Sensing: ToolsGroup bietet ein Modul für “Demand Sensing” an (kurzfristige Prognoseanpassung mit Hilfe von Downstream-Daten). Unabhängige Analysen finden jedoch, dass „Behauptungen über ‘Demand Sensing’ (von ToolsGroup) nicht durch wissenschaftliche Literatur gestützt werden.“ ¹⁹ Mit anderen Worten, ToolsGroup behauptet, dass es in der Lage ist, Nachfrageverschiebungen über KI zu erkennen, aber es gibt keinen Beweis dafür, dass dieser Ansatz effektiver ist als herkömmliche Statistiken oder was ein menschlicher Planer tun könnte. Da “Demand Sensing” ein bekanntes Schlagwort ist, das oft locker verwendet wird, diskontieren wir diese Behauptung stark. Es sei denn, ToolsGroup kann beispielsweise eine von Experten begutachtete Fallstudie vorlegen, die zeigt, dass ihr Demand Sensing Algorithmus zu besseren Lagerbeständen führt, betrachten wir es als Vaporware. Dies stimmt mit Expertenbewertungen überein, die solche Funktionen als “Vaporware” bezeichnen, wenn keine Beweise vorgelegt werden ³².
Kannibalisierung, Promotionen, ML: ToolsGroup wirbt nicht prominent für fortgeschrittene Modellierung von Kannibalisierung oder Querprodukteffekten - wahrscheinlich, weil es dort nicht besonders gut ist. Wenn man sie drängt, könnten sie sagen: “Unser maschinelles Lernen kann komplexe Muster bewältigen”, aber wieder keine Details. Wir haben keine Dokumentation gefunden, dass ToolsGroup beispielsweise eine Substitutionsmatrix oder ein Attach-Rate-Modell implementiert hat, um die Produktanforderungen zu verknüpfen. Daher ist jede Andeutung, dass ToolsGroup Produkte optimiert, die miteinander interagieren, nicht glaubwürdig ohne Beweis. Ähnlich erwähnen sie die Verwendung von “selbstadaptiven Modellen” und maschinellem Lernen, aber die angedeuteten Methoden (z.B. eine Art Mustererkennung) klingen ziemlich standardmäßig und möglicherweise veraltet. Tatsächlich deuten öffentliche Materialien darauf hin, dass ToolsGroup immer noch Vor-2000-Prognosemodelle verwendet ³³ (wie Crostons Methode für intermittierende Nachfrage, vielleicht ARIMA für andere). An sich ist daran nichts auszusetzen, aber es widerspricht der glänzenden KI-Erzählung.

Zusammenfassend lässt sich sagen, dass die Gewohnheit von ToolsGroup, moderne Schlagworte mit altmodischen Techniken zu vermischen, beunruhigend ist. Es deutet auf eine marketinggetriebene Auffrischung hin, die nicht durch echte F&E gestützt wird. So spricht die Website von ToolsGroup beispielsweise von “Automatisierung zur Bewältigung von Herausforderungen” ³⁴ und ähnlichen Plattitüden, aber bei genauerer Betrachtung beschreibt sie im Grunde genommen, was ihre Software immer getan hat (Multi-Echelon-Lageroptimierung), jetzt aber als KI bezeichnet wird.

Automatisierung: ToolsGroup hat seine Lösung immer als hochautomatisiert und “ausnahmebasiert” angepriesen. Sie betonen oft, dass SO99+ sehr automatisiert ist, und erfordert minimale Benutzereingaben, sobald es konfiguriert ist. Ein Kommentar von IDC in ihrer Broschüre stellt fest, dass “trotz seiner Leistungsfähigkeit… ToolsGroup MEIO ist hochautomatisiert für extrem niedrige Besitzkosten.” ³⁵. Tatsächlich laufen viele ToolsGroup-Implementierungen automatisch ab, um tägliche oder wöchentliche Nachfüllvorschläge zu erstellen, die dann von den Planern überprüft werden. Wir kritisieren jedoch die mangelnde Klarheit darüber, wie Entscheidungen autonom getroffen werden. ToolsGroup erklärt keine “autonome Entscheidungsengine” über die Aussage hinaus, dass die Modelle sich anpassen und Empfehlungen abgeben. Schlüsselherausforderungen der Automatisierung - wie man Bestellrichtlinien dynamisch anpasst, wenn sich Trends verschieben, oder wie man das Verfolgen von Variabilität vermeidet - werden nicht im Detail beschrieben. Wir vermuten, dass die Automatisierung von ToolsGroup hauptsächlich in der Prognose und der Berechnung des Lagerbestands liegt (das System aktualisiert Prognosen und berechnet Min/Max-Werte oder Bestellvorschläge ohne manuelle Arbeit). Das ist wertvoll, aber standardmäßig für diese Art von Software. Ohne weitere technische Details können wir ToolsGroup hier keinen zusätzlichen Kredit geben. Sie erfüllen die Grundanforderungen an die Automatisierung, die von der Lagerbestandsoptimierungssoftware erwartet wird (und das schon seit Jahren), aber jede Andeutung, dass es sich um eine vollständig selbstfahrende Lieferkette handelt, ist Übertreibung. Bemerkenswert ist, dass ToolsGroup eine erhebliche Konfiguration erfordert (Service-Level-Ziele für jedes Element, Segmentierungsregeln usw.), die oft manuell von Planern oder Beratern festgelegt werden. Wenn diese falsch sind, kann die Automatisierung minderwertige Ergebnisse liefern. ToolsGroup hat keine KI artikuliert, die automatisch optimale Service-Level auswählt oder Richtlinien eigenständig anpasst - Aufgaben, die immer noch den Menschen obliegen. Daher sagen wir, dass ToolsGroup gute automatisierte Berechnungen liefert, aber keine echte End-to-End-Autonomie in einem modernen Sinne.

Umgang mit Einschränkungen: ToolsGroup’s SO99+ war historisch stark in der Kerninventarmathematik, aber schwächer in Randbedingungen:

Mehrstufig: Ja, es wurde für die mehrstufige Bestandsoptimierung entwickelt. Es kann Lagerpuffer in einem Netzwerk optimieren, wenn Unsicherheit besteht (hauptsächlich über einen “Ziel-Service-Level”-Ansatz). Das ist ein Pluspunkt - es kann Netzwerke von DCs und Geschäften recht gut handhaben und sicherstellen, dass der richtige Bestand am richtigen Ort ist, um die Serviceziele zu erfüllen.
Lieferzeitvariabilität: Es berücksichtigt sie im Sicherheitsbestand (wenn Sie einen Parameter für die Lieferzeitvarianz angeben, wird dieser in die Bestandsberechnung einbezogen). Aber wie bereits erwähnt, prognostiziert es keine Lieferzeiten oder plant sie in Szenarien.
Batchgrößen, MOQs: ToolsGroup kann diese standardmäßigen Lieferbeschränkungen handhaben. Sie können Losgrößen-Multiplikatoren, Mindestbestellmengen eingeben und es wird Bestellungen empfehlen, die diese respektieren.
Verfallsdaten: ToolsGroup ist nicht bekannt für die Optimierung von verderblichen Beständen. Es hat wahrscheinlich keine spezialisierte Logik für die Haltbarkeit (und wir haben keine Erwähnung davon gefunden). Ein Benutzer müsste ablaufende Artikel manuell oder als separate SKU nach Verfallsdatum behandeln (was umständlich ist). Dies ist eine Einschränkung für Branchen wie Lebensmittel/Chemikalien. Im Gegensatz zu RELEX, das explizit Verderblichkeit angeht, scheint sich ToolsGroup auf “nicht verderbliche” Lagerhaltung zu konzentrieren.
Serien-/Losverfolgung: Außerhalb des Planungsbereichs - das ist eher Ausführung/ERP. ToolsGroup optimiert nicht auf Serienebene.
Kannibalisierung & Substitution: ToolsGroups Philosophie ist hauptsächlich univariate Prognose (jede SKU’s Nachfrage wird individuell prognostiziert, vielleicht mit einigen Regressionsinputs). Es modelliert nicht nativ “wenn Produkt A ausverkauft ist, geht ein Teil der Nachfrage zu Produkt B” oder ähnliches. Ein versierter Benutzer könnte Prognosen extern anpassen, um dies zu berücksichtigen, aber das Tool selbst bietet keine explizite Funktion. Daher versagt es in dieser Hinsicht bei fortgeschrittenen Einschränkungen.
Rücksendungen: ToolsGroup behandelt hauptsächlich neue Nachfrage und Lieferung. Es prognostiziert keine Rücksendungen im Einzelhandel oder Wiederaufbereitungsrenditen nativ. Benutzer müssen durchschnittliche Rücksendungen in die Nettonachfrage einbeziehen, falls erforderlich.
Quasi-Saisonalität: Wenn Muster unregelmäßig sind, könnten ToolsGroups ältere Modelle Schwierigkeiten haben. Ohne modernes ML könnte es komplexe Nachfragetreiber nicht erfassen. Sie erwähnen ML, aber wie wir vermuten, könnte es einfach sein. Daher könnten ungewöhnliche Muster übersehen werden (was zu Ausverkäufen oder Überschüssen führen könnte, wenn Planer nicht manuell eingreifen).
Lagerung/Kapazität: Kein Schwerpunkt. ToolsGroup optimiert den Bestand für den Service/Kosten-Trade-off, geht aber davon aus, dass Sie Platz haben, um den empfohlenen Bestand zu lagern. Es löst keine Rucksack-ähnlichen Probleme mit begrenztem Platz oder Budget, es sei denn, Sie simulieren manuell Szenarien.

Insgesamt deckt ToolsGroup die grundlegenden und häufigsten Bestandsbeschränkungen gut ab (mehrstufig, MOQs, Nachfrageunsicherheit in gewissem Maße). Es fällt bei neueren oder spezialisierten Herausforderungen kurz. Bemerkenswert ist, dass ToolsGroup eine moderne “finanzielle Optimierung” Perspektive fehlt - d.h., es maximiert nicht direkt den Gewinn oder minimiert die Gesamtkosten unter Einschränkungen; stattdessen arbeitet es in der Regel mit Service-Level-Zielen. Dieser Ansatz kann suboptimal sein, wenn zum Beispiel zwei Produkte sehr unterschiedliche Gewinnmargen haben - ein probabilistischer Optimierer würde den Bestand zuweisen, um den erwarteten Gewinn zu maximieren, während ToolsGroup sie möglicherweise gleich behandelt, wenn sie ein Serviceziel teilen. Diese Nuance ist Teil des Grundes, warum ToolsGroups Technologie, obwohl sie zu ihrer Zeit solide war, nun ihr Alter zeigt.

Urteil: ToolsGroup befindet sich in einer interessanten Position. Es handelt sich um einen langjährigen Anbieter mit einem stabilen, leistungsfähigen Produkt, der zu den ersten gehörte, die über eine rein deterministische Planung hinausgingen. In einem wahrheitsbasierten Vergleich erhält ToolsGroup jedoch eine gemischte Bewertung. Wir begrüßen es, dass es die Sprache der probabilistischen Bestandsführung spricht - dieses Konzept ist absolut korrekt - aber wir müssen “aufdecken”, dass ToolsGroup nicht vollständig den Weg geht. Das inkonsistente Marketing (PF + MAPE ²⁹) und der Mangel an Beweisen für eine echte stochastische Optimierung (keine veröffentlichte “Algebra der Zufallsvariablen” in ihrem Technologie-Stack, zum Beispiel) bedeuten, dass die probabilistischen Behauptungen von ToolsGroup auf wackeligem Boden stehen. In der Praxis könnte es wenig mehr tun, als Sicherheitsbestände mit Hilfe von Wahrscheinlichkeitsverteilungen zu berechnen - nützlich, aber nicht revolutionär. Wir bestrafen ToolsGroup stark dafür, dass es sich auf Schlagworte wie KI und Demand Sensing ohne Belege stützt. Diese bekannten falschen Behauptungen ³⁶ schaden seiner Glaubwürdigkeit. Trotzdem haben viele Unternehmen mit der Software von ToolsGroup gute Ergebnisse bei der Reduzierung von Beständen und der Verbesserung des Service erzielt - es handelt sich nicht um Schlangenöl; es ist einfach nicht so fortschrittlich wie beworben. Wir platzieren ToolsGroup unter den wirklich innovativen Spielern, aber über den schlimmsten Übeltätern, weil es in seinem Kern eine mathematisch solide (wenn auch altmodische) Engine und eine breite Funktionalität (Prognose + Bestand + Nachschub in einem) hat. Potenzielle Nutzer sollten von ToolsGroup verlangen, dass es seine sogenannten KI/probabilistischen Fähigkeiten an realen Daten demonstriert; andernfalls sollten sie diese als bloße schicke Etiketten auf einem im Grunde gut abgestimmten, aber konventionellen Bestandsoptimierungspaket betrachten.

5. GAINS Systems - Veteranenlösung, Fachkompetenz gedämpft durch Hype

Überblick: GAINSystems ist ein älterer Anbieter (gegründet 1971!), der eine umfassende Supply-Chain-Planungssuite anbietet, mit einer Spezialisierung auf Bestandsoptimierung und Supply-Chain-Analytik. Ihre Software (GAINS) war historisch bekannt für eine starke Unterstützung von Service-Teilen und MRO (Wartung, Reparatur & Betrieb) Bestand - Bereiche mit intermittierender Nachfrage, in denen GAINS sich einen Namen gemacht hat. GAINS Systems bietet Module für die Nachfrageprognose, Bestandsoptimierung (einschließlich mehrstufig), S&OP usw., ähnlich im Umfang wie ToolsGroup. In den letzten Jahren hat GAINS versucht, sein Image zu modernisieren, indem es über “Optimierung als Dienstleistung” spricht und maschinelles Lernen einbezieht. Allerdings leidet GAINS, ähnlich wie ToolsGroup, unter Marketing-Inflation: Es preist nun “KI/ML” und “Demand Sensing” ohne überzeugende Beweise an, und seine Kerntechniken scheinen die klassischen, vor 2000 entwickelten Prognosemodelle zu bleiben, die es immer verwendet hat ³⁷.

Probabilistische Nachfrage & Lieferzeiten: GAINS hebt die probabilistische Prognose nicht öffentlich hervor. Es verwendet wahrscheinlich traditionelle statistische Modelle (Croston für intermittierende Nachfrage, vielleicht Bootstrapping für die Nachfrage nach Lieferzeit). Wir haben keine ausdrückliche Erwähnung der Unsicherheit bei der Prognose der Lieferzeit gesehen - ein verräterisches Zeichen dafür, dass GAINS auch in dieser Hinsicht möglicherweise fehlt. Der Fokus von GAINS liegt oft darauf, ein Ziel Fill Rate oder Service Level zu minimalen Kosten zu erreichen, was einige stochastische Überlegungen impliziert (ähnlich wie man einen Sicherheitsbestand festlegen würde). Aber die Implementierungsdetails sind knapp. GAINS betont eher Ergebnisse (“Service verbessern, Bestand reduzieren”) als genau zu erklären, wie es diese berechnet. Die Abwesenheit einer klaren probabilistischen Sprache lässt uns glauben, dass GAINS sich weitgehend auf deterministische oder semi-analytische Methoden verlässt: zum Beispiel könnte es die Nachfragevarianz und die Lieferzeitvarianz annehmen und diese in Formeln einsetzen, anstatt vollständige Verteilungen auszugeben. Nach unseren Kriterien zeichnet sich GAINS nicht als führend in der probabilistischen Prognose aus. Wir klassifizieren es als ein weiteres Tool, das wahrscheinlich klassische Sicherheitsbestandsberechnungen und vielleicht einige Simulationen verwendet, aber die Lieferzeiten nicht als prognostizierbare Zufallsvariablen behandelt. Folglich würde GAINS als “nicht ernsthaft” in Bezug auf probabilistische Strenge eingestuft - es wirbt nicht für diese Fähigkeit, und wir bezweifeln, dass es sie hat.

Ansprüche auf fortgeschrittene Funktionen: GAINS hat begonnen, Schlagworte zu verwenden, während es sich für die 2020er Jahre neu positioniert. Ihre Botschaften beinhalten Behauptungen von “überlegener Genauigkeit” durch proprietäre Algorithmen und sogar Erwähnungen von maschinellem Lernen für Matching und Clustering ³⁸. Lassen Sie uns das analysieren:

“Überlegene Genauigkeit” der Prognosen: GAINS behauptet angeblich, dass seine Prognosen genauer sind als die der Konkurrenz. Eine Analyse bezeichnet dies jedoch als “zweifelhaft”, da der proprietäre Algorithmus von GAINS nicht an der Spitze großer Prognosewettbewerbe zu sehen ist ³⁹. Tatsächlich wurde behauptet, dass der Algorithmus “Procast” von GAINS andere übertrifft, aber er ist nicht in den Top-Rängen von Wettbewerben wie dem M5-Prognosewettbewerb zu finden ³⁹. Dies wirft ernsthafte Zweifel auf - wenn GAINS über eine weltweit führende Prognosetechnologie verfügen würde, sollte sie in objektiven Benchmarks glänzen, tut sie aber nicht. Daher lehnen wir die Genauigkeitsbehauptung von GAINS als unbewiesen ab. Tatsächlich sind Open-Source-Methoden (wie die von Dr. Rob Hyndman’s R-Paketen) wahrscheinlich besser ⁴⁰.
Demand Sensing & ML: GAINS vermarktet “Demand Sensing” und verwendet Begriffe wie ML-Clustering. Die unabhängige Überprüfung ist deutlich: “Techniken wie ‘Demand Sensing’ sind Vaporware, nicht durch wissenschaftliche Literatur unterstützt. [Und] ML-Elemente, die vorgebracht werden, wie Matching und Clustering, sind ebenfalls Techniken vor 2000.” ³². Dies deutet darauf hin, dass GAINS möglicherweise ziemlich standardmäßige statistische Praktiken so darstellt, als wären sie neuartige KI. Zum Beispiel ist das Clustering ähnlicher Artikel zur Prognose oder Klassifizierung eine jahrzehntealte Praxis, kein hochmodernes maschinelles Lernen. Die Tatsache, dass sie das hervorheben, deutet darauf hin, dass das “ML” von GAINS rudimentär ist - sicherlich nichts wie Deep Learning oder fortgeschrittenes probabilistisches Programmieren. Wir bestrafen GAINS daher für die Einhaltung von Buzzwords: Sie erfüllen die Anforderungen (KI, ML usw.) im Marketing, bieten aber keine Details oder Durchbrüche zur Unterstützung. Dieses Verhalten stimmt mit dem breiteren Muster überein, das wir in der Branche kritisieren: modische Begriffe ohne Substanz zu verwenden.
Optimierung als Dienstleistung: GAINS hat davon gesprochen, sich in Richtung eines Cloud-Service-Modells zu bewegen, was impliziert, dass Sie ihnen Daten liefern und Optimierungsergebnisse erhalten können. Obwohl dies eine moderne Bereitstellungsstrategie ist, bedeutet dies nicht zwangsläufig, dass die Optimierung selbst fortgeschritten ist. Wir vermuten, dass die zugrunde liegenden Lösungsmethoden von GAINS ähnlich bleiben; nur das Liefermodell (Cloud/SaaS) ändert sich. Daran ist nichts auszusetzen, aber es ist kein Unterscheidungsmerkmal in der Fähigkeit (viele Anbieter bieten jetzt Cloud-Lösungen an).

Auf einer positiven Note ist GAINS Systems bekannt für tiefe Fachkenntnisse in bestimmten Vertikalen:

Sie verstehen die Planung von Ersatzteilen sehr genau (z.B. Modellierung von langsam bewegenden Teilen, Serviceverträge, Reparaturschleifenrenditen). Ihre Software kann wahrscheinlich Szenarien wie die Prognose von Rückgaben reparierbarer Einheiten oder die Berücksichtigung von Ausschussraten bewältigen, die allgemeine Bestandsverwaltungstools möglicherweise nicht bewältigen können. Dies ist etwas spekulativ, aber angesichts ihrer Langlebigkeit in diesem Bereich ist es wahrscheinlich.
GAINS hat den Ruf, einen starken Kundensupport zu bieten und eng mit Planern zusammenzuarbeiten - aber das bedeutet oft, dass die Lösung durch Beratung ergänzt wird, anstatt vollständig automatisiert zu sein.

Automatisierung: GAINS fördert die Idee der Automatisierung des Bestandsmanagements (auf ihrer Website steht sogar “Automatisieren Sie Ihr Bestandsmanagementsystem mit GAINS” ⁴¹). Das Tool kann sicherlich die Erstellung von Prognosen und Bestandspolitiken automatisieren. GAINS unterstützt kontinuierliche Planung: Aktualisierung von Empfehlungen, sobald neue Daten eintreffen. Allerdings fehlen uns Details darüber, wie autonom es wirklich ist. Wir vermuten, wie andere auch, dass es die Zahlenverarbeitung automatisiert, aber erwartet, dass die Planer die endgültigen Entscheidungen genehmigen. GAINS hat eine Initiative eingeführt (“P3”-Methodik usw.), die möglicherweise mehr laufende Optimierung einbringen könnte. Ohne ausdrückliche Beweise bleiben wir neutral: GAINS bietet wahrscheinlich ein typisches Maß an Automatisierung für ein Unternehmenswerkzeug - gut, aber nicht bemerkenswert besser als die Konkurrenz. Es ist erwähnenswert, dass GAINS ein kleineres Unternehmen ist und kleinere Anbieter ihre Lösungen oft eng an die Bedürfnisse der Kunden anpassen (was die praktische Automatisierung verbessern kann, da sie die Regeln des Systems für Sie anpassen). Aber aus ingenieurtechnischer Sicht hat GAINS keine einzigartige Automatisierungslogik veröffentlicht, die man loben könnte.

Behandlung von Einschränkungen: GAINS deckt viele traditionelle Einschränkungen und einige spezialisierte ab:

Mehrstufig: Ja, GAINS führt eine mehrstufige Bestandsoptimierung durch (ihre Geschichte in der Luft- und Raumfahrt/Verteidigung deutet auf eine mehrstufige Lagerpositionierung hin).
Lieferzeitvariation: wird vermutlich in den Service-Level-Berechnungen berücksichtigt.
Batchgrößen/MOQs: unterstützt, wie jedes seriöse Tool.
Intermittierende Nachfrage: eine der historischen Stärken von GAINS. GAINS verwendet vermutlich die Methode von Croston oder ähnliches für langsam bewegliche Artikel (häufig in Service-Teilen zu finden), was notwendig ist, um eine Unterdeckung intermittierender SKUs zu vermeiden.
Rückgaben/Reparaturen: wahrscheinlich ja für MRO - GAINS würde Reparaturdurchlaufzeiten und Ausbeuten (wie den Prozentsatz, der verschrottet wird vs. repariert) in seinen Berechnungen für Ersatzteile berücksichtigen. Dies ist etwas, das nicht alle Anbieter handhaben, so dass GAINS hier einen Vorteil haben könnte.
Ablaufdatum: kein typischer Schwerpunkt für GAINS (ihre Branchen waren eher industriell als verderblich), daher wahrscheinlich minimale Unterstützung für die Haltbarkeit.
Kannibalisierung: Nicht offensichtlich behandelt; wie andere behandelt GAINS wahrscheinlich Artikel unabhängig in der Prognose.
Lagereinschränkungen: Unklar; GAINS hat nicht damit geworben, sagen wir, Lagerplatzbeschränkungen mit Optimierung zu lösen.
Kostenoptimierung: GAINS betont Gewinn und Kosten in einigen Botschaften, aber konkrete Methode unbekannt. Möglicherweise haben sie, wie Lokad, eine gewisse Fähigkeit, Artikelspannen oder Haltekosten in das Optimierungsziel einzubeziehen (was gut wäre). Oder sie tun es immer noch über Service-Level wie ToolsGroup.

Urteil: GAINSystems ist ein respektierter Veteran mit tiefem Verständnis für Bestandsprobleme, insbesondere in Nischenbereichen (Ersatzteile, Industrie). Allerdings kann GAINS in diesem wahrheitssuchenden Ranking einer mittleren Position nicht entkommen. Die Gründe sind klar: seine Prognosemodelle sind veraltet und seine jüngsten Marketingversuche (Demand Sensing, ML Clustering) wirken wie Versuche, trendy zu erscheinen ohne echte Innovation ³². GAINS ist im Grunde eine solide Lösung der 1990er/2000er Jahre, die versucht, relevant zu bleiben. Wir geben ihm Kredit für sein Fachwissen und praktische Ergebnisse - Kunden berichten von Bestandsreduzierungen und Serviceverbesserungen - ziehen aber Punkte für mangelnde Transparenz und übertriebene Behauptungen ab. In einer Ära, in der führende Anbieter technische Inhalte teilen oder Forschung veröffentlichen, ist GAINS relativ undurchsichtig; was wir wenig herausfinden konnten (z.B. Prahlerei mit proprietären Algorithmen) war nicht überzeugend. Für Unternehmen mit sehr spezialisierten Bedürfnissen (wie Ersatzteilplanung) könnte GAINS aufgrund seiner maßgeschneiderten Funktionen immer noch eine Top-Wahl sein. Aber für diejenigen, die nach der fortschrittlichsten, wissenschaftsbasierten Optimierung suchen, würde GAINS wahrscheinlich enttäuschen, es sei denn, es durchläuft eine große technische Auffrischung. In unserem Ranking steht GAINS über Anbietern, die reiner Hype ohne Substanz sind, aber unter denen, die Ehrlichkeit mit Innovation verbinden. Es erhält eine bescheidene Anerkennung als eine fähige Lösung, verpackt in veralteter Technik und einigen ungerechtfertigten Schlagworten.

6. SAP (IBP für Bestand / ehemals SmartOps) - Komplexe Sammlung von Tools, Integration über Innovation

Überblick: SAP, der Gigant der Unternehmenssoftware, ist natürlich auf diesem Markt präsent durch sein umfangreiches Portfolio an Supply-Chain-Anwendungen. Im Laufe der Jahre hat SAP mehrere spezialisierte Bestandsoptimierungstechnologien erworben - SmartOps (erworben 2013), SAF AG (2009, Nachfrageprognose) und sogar ein Analyseunternehmen KXEN (2013) für prädiktive Modellierung ⁴². Diese sollten die hauseigenen Planungssysteme von SAP wie APO (Advanced Planner & Optimizer) und später SAP IBP (Integrated Business Planning) ergänzen. Heute bietet SAP Bestandsoptimierungsfunktionen hauptsächlich durch SAP IBP für Bestand (ein IBP-Modul, das wahrscheinlich die Multi-Echelon-Algorithmen von SmartOps integriert) und möglicherweise durch Add-Ons in S/4HANA an. Die SAP-Geschichte ist jedoch eine von Fragmentierung und Komplexität. Wie eine Rezension es ausdrückte, „unter dem SAP-Banner liegt eine willkürliche Sammlung von Produkten“ aufgrund all dieser Übernahmen ⁴³. Das Ergebnis ist, dass SAPs Bestandsoptimierung wie ein Anbau wirkt - nicht ein nahtlos integrierter, hochmoderner Optimierer, sondern eher ein Satz von Funktionen, die eine erhebliche Integration und Expertendienste erfordern, um einen Nutzen daraus zu ziehen.

Probabilistische Nachfrage & Lieferzeiten: SAPs traditionelle Lösungen (wie APO) waren größtenteils deterministisch (Verwendung von Punktprognosen, Sicherheitsbestand basierend auf einfachen statistischen Modellen). SmartOps, das Tool, das SAP gekauft hat, war bekannt für probabilistische Multi-Echelon-Modellierung - es würde Bestandsverteilungen berechnen und empfohlene Lagerbestände zur Erfüllung von Ziel-Servicelevels unter Unsicherheit ermitteln. Also theoretisch hat SAP IBP für Bestand einen probabilistischen Motor in sich (dank SmartOps). SmartOps berücksichtigte sowohl die Nachfragevariabilität als auch eine gewisse Liefervariabilität. Aber SAP selbst betont “probabilistische Prognose” nicht im Marketing; es ist nicht Teil der SAP-Botschaft an den Markt. Daher nutzen viele SAP-Kunden das erweiterte Modul zur Bestandsoptimierung möglicherweise nicht in vollem Umfang. Lieferzeitprognose ist nicht etwas, das SAP bewirbt. Es sei denn, ein Kunde verwendet explizit das SmartOps-Stück, das variable Lieferzeiten zulassen könnte, geht SAPs Standardplanung von festen Lieferzeiten aus (mit vielleicht einer Sicherheitszeitpuffer). Angesichts unserer Kriterien zeigt SAP kein Engagement für probabilistische Prognosen. Die Fähigkeit könnte tief in der Software vorhanden sein, aber wenn sie nicht klar hervorgehoben oder betont wird, betrachten wir das als Lücke. Darüber hinaus könnte die Vermischung mehrerer erworbener Technologien Inkonsistenz bedeuten - z.B. könnten Nachfrageprognosen von einem Motor (deterministisch) kommen, während die Bestandsoptimierung von einem anderen (stochastisch) kommt, und sie sind möglicherweise nicht vollständig aufeinander abgestimmt. Tatsächlich war eine Kritik „Unternehmenssoftware ist nicht mischbar durch M&A“, was darauf hindeutet, dass die von SAP erworbenen Teile sich nicht nahtlos vermischen ließen ⁴⁴.

Erweiterte Funktionen & Behauptungen: SAP übertreibt typischerweise nicht mit AI in der Supply Chain (zumindest nicht so offensichtlich wie andere), aber in letzter Zeit verwendet sogar SAP einige ML/AI-Sprache im IBP-Marketing. Dennoch wird SAP allgemein als funktionsreich, aber nicht algorithmisch fortschrittlich angesehen. Die SmartOps-Komponente gab SAP einen respektablen Multi-Echelon-Optimierer. Es ist jedoch fraglich, ob SAP diese Technologie auf dem neuesten Stand gehalten oder über neuere Modelle hinaus verbessert hat ⁴⁵. Tatsächlich ist das Gefühl, dass SmartOps (und ähnliche) Standard-OR-Techniken verwendet haben und dass post-2000 ML-Methoden „nicht besser abschneiden als pre-2000 Modelle“ in diesem Kontext ⁴⁵ - was impliziert, dass SAP keine besseren Prognosen liefert als ARIMA oder Croston, trotz des Besitzes von ML-Technologie wie KXEN. SAPs Marketing konzentriert sich eher auf Integration (End-to-End-Plattform, “eine Version der Wahrheit” im ERP usw.) als darauf, zu behaupten, dass es die Konkurrenz in der Prognose übertreffen wird. Diese Ehrlichkeit ist ein zweischneidiges Schwert: Sie lügen nicht offensichtlich über AI-Magie, aber sie sind auch nicht führend in der Innovation.

SAPs Stärke könnte darin liegen, komplexe Einschränkungen im breiteren Kontext der Supply Chain zu bewältigen, da sie alle Daten und Transaktionsdetails haben:

Sie können Kapazitäts- und Produktionsbeschränkungen in IBP berücksichtigen, wenn Sie die Module verbinden (Bestandsplanung kann mit der Lieferplanung verknüpft werden).
Sie könnten Daten zur Lieferantenleistung aus dem ERP nutzen, um Sicherheitszeiten oder Sicherheitsbestände für Lieferzeitvariationen manuell anzupassen (obwohl keine automatische “Prognose” davon).
SAPs Lösungen können Abläufe im Ausführungssystem verwalten (SAP EWM oder ERP kümmern sich um die Chargenablauf, und APO hatte eine Haltbarkeitsplanung, um sicherzustellen, dass das Angebot die Nachfrage innerhalb des Verfallsdatums erfüllt). Die Optimierung des Bestands mit Abläufen (wie die Entscheidung, wie viel man aufgrund von Verderb überbestücken sollte) ist jedoch kein herausragendes Merkmal - SAP gibt hauptsächlich Warnungen für ablaufende Lose aus.

SAP erwähnt einige Anwendungen von KI/ML in der Bedarfsprognose (SAP Analytics Cloud hat Prognosefunktionen, IBP hat einige ML-Prognosefunktionen), aber nichts Revolutionäres wurde bemerkt. Außerdem ist SAPs großes Verkaufsargument oft, dass es sich um eine integrierte Plattform handelt, anstatt um die Brillanz eines einzelnen Algorithmus. Der Nachteil ist, dass jedes Stück durchschnittlich sein könnte, aber das Ganze ist komplex.

Bemerkenswert ist, dass die Bestandsoptimierung von SAP einen umfangreichen Implementierungsaufwand erfordert - “die allerbesten Integratoren - plus ein paar Jahre - werden benötigt, um Erfolg zu haben” ⁴⁶. Dies deutet darauf hin, dass selbst wenn SAP über fortschrittliche Funktionen verfügt, deren effektive Nutzung schwierig ist. Viele SAP IBP-Projekte kämpfen darum, die Optimierung vollständig zu automatisieren; sie greifen oft auf einfachere Planungsmodi zurück aufgrund von Daten- oder Integrationsherausforderungen.

Automatisierung: SAPs Paradigma geht nicht um Black-Box-Automatisierung; es geht um Planungsprozesse. In einer SAP-Umgebung wäre die Bestandsoptimierung ein Schritt in einem größeren S&OP- oder Lieferplanungszyklus. SAP IBP kann bestimmte Berechnungen automatisieren (wie z.B. einen Optimierer jede Nacht laufen lassen), aber in der Regel sind menschliche Planer in SAP stark eingebunden - sie konfigurieren das System, füttern es mit Szenarien und überprüfen die Ergebnisse. SAP behauptet nicht wirklich “autonome Planung”; stattdessen bietet es Prognose- und Optimierungswerkzeuge, die qualifizierte Benutzer und Berater orchestrieren müssen. Daher fühlt sich SAP im Vergleich zu anderen weniger automatisiert an - oder zumindest ist jede Automatisierung von den Implementierern individuell erstellt. Wir bestrafen SAP dafür, da ihr Ansatz keine hands-off Erfahrung leicht ermöglicht. Viele Unternehmen mit SAP enden mit halbmanueller Planung trotz Besitz von Optimierungsmodulen, einfach weil es ein eigenes Projekt ist, SAPs Black Box vertrauenswürdig zu machen. Die “Black Box” ist da, aber nicht trivial auf jedes Geschäft abgestimmt ohne schwere Beratung.

Einschränkungsbehandlung: Ein Bereich, den SAP gut abdeckt, ist die Breite der Einschränkungen, dank seiner umfassenden Suite:

Multi-Echelon: Ja (über SmartOps in IBP Inventory).
Batchgrößen/MOQ: Ja, SAP-Planungswerkzeuge können diese in ihren Optimierern berücksichtigen.
Kapazitätsbeschränkungen: Wenn Sie SAPs Supply Optimizer (Teil von IBP oder APO CTM) verwenden, können Sie Produktions-/Lagerkapazitätsbeschränkungen einbeziehen - aber das ist mehr in der Lieferplanung als in der Bestandsoptimierung per se.
Ablauf: Die Handhabung auf Ausführungsebene ist ausgezeichnet (SAP kann Chargenablauf verfolgen, FEFO-Zuweisung). Auf Planungsebene hatte APO einige Funktionen, um sicherzustellen, dass die Bestände nicht über das Haltbarkeitsdatum hinausgehen (zum Beispiel, keine nahezu abgelaufenen Bestände an weit entfernte Standorte senden). Es ist nicht klar, ob IBP diese weiterführt.
Kannibalisierung/Substitution: SAP IBP hat ein Modul für die Einführung neuer Produkte, das Like-Profile-Modellierung verwenden kann (also nicht sehr fortgeschritten, aber einige Fähigkeit, Nachfolger-/Vorgängerproduktprognosen zu verknüpfen). Aber es ist wohl hinter spezialisierten Einzelhandelstools in dieser Hinsicht.
Rücksendungen: SAP kann sicherlich Rücksendungsprognosen in die Bedarfsplanung einbeziehen, wenn man sie modelliert (insbesondere für den Einzelhandel, sie könnten den Netto-Bedarf minus Rücksendungen prognostizieren). Wiederum ist es etwas, das konfiguriert werden muss.
Lagerkostenkomplexität: SAPs Optimierer könnte Haltekosten berücksichtigen und damit indirekt den Bestand begrenzen, wenn die Haltekosten steigen (was Lagergrenzen darstellt). Aber man müsste es sorgfältig einrichten; nicht out-of-the-box.

Im Wesentlichen kann SAPs Bestandslösung viel bewältigen, erfordert aber Aufwand. Es ist wie ein Werkzeugkasten, der, wenn er fachmännisch konfiguriert ist, viele fortgeschrittene Verhaltensweisen nachahmen kann - aber SAP selbst bietet keine fortgeschrittene Lösung auf Knopfdruck.

Urteil: SAP wird in unserer Studie niedriger eingestuft, weil es das Problem des “Alleskönners, Meister von nichts” verkörpert. Es hat Stücke und Teile von Fähigkeiten (einige probabilistische Optimierung, die von Übernahmen geerbt wurde), aber kein klares, kohärentes, hochmodernes Angebot speziell in der Bestandsoptimierung. Die Komplexität und die “zufällige Sammlung” von Tools unter SAPs Schirm machen es schwierig, Wert zu erzielen, ohne erhebliche Zeit und Kosten ⁴³. Wir bestrafen SAP stark für diese Komplexität und die Tatsache, dass Integration Innovation überschattet - die erworbenen Technologien stagnierten größtenteils, sobald sie unter SAP waren (mit sogar ihren Verdiensten oft verloren oder untergenutzt). SAPs Behauptungen sind normalerweise moderat (sie lügen nicht offen über KI; wenn überhaupt, könnte ihr Marketing jetzt KI-Buzzwords streuen, weil jeder es tut, aber es ist nicht übertrieben). Das Hauptproblem ist, dass SAPs Bestandsoptimierung kein Marketing-Fluff ist - sie ist nur begraben und umständlich.

Für Unternehmen, die bereits tief in SAP-Ökosystemen verwurzelt sind, könnte die Verwendung von SAPs eingebauten Tools attraktiv sein (Datenintegration ist einfacher, ein Hals zum Würgen, usw.). Aber aus rein leistungstechnischer Sicht würden nur wenige behaupten, dass SAP IBP spezialisierte Anbieter übertrifft. In einem wahrheitssuchenden Licht sehen wir SAP als zuverlässig, aber nicht auf dem neuesten Stand, umfassend, aber übermäßig komplex. Es wird in der unteren Hälfte eingestuft, weil die Leichtigkeit, eine optimierte Supply Chain mit SAP zu erreichen, gering ist - nicht aufgrund mangelnder Funktionen, sondern aufgrund der Schwierigkeit, diese Funktionen zusammenzuführen und der zweifelhaften Auszahlung gegenüber dem Aufwand. Kurz gesagt: SAP kann die Funktionskästchen abhaken, aber wir stellen in Frage, ob es in der Praxis optimale Bestände liefern kann, ohne massive Investitionen. Das hält es weit unter den Top-Spezialisten in unserem Ranking.

7. o9 Solutions - Große Ambitionen, Großer Hype, Unbewiesene Tiefe

Überblick: o9 Solutions ist ein neuerer Anbieter (gegründet 2009), der schnell als “Next Generation” Planungsplattform Aufsehen erregt hat. Oft als das “digitale Gehirn” oder der “Enterprise Knowledge Graph (EKG)” für die Supply Chain beschrieben, preist o9 eine moderne Cloud-native Plattform mit einer ansprechenden Benutzeroberfläche, einem graphenbasierten Datenmodell und einer Vielzahl von KI-/Analyseversprechen an. Sie positionieren sich als die “Big Tech”-Stil Lösung für die Supply Chain - viel Rechenleistung, Speicher und ein einheitliches Datenmodell zur Unterstützung von allem, von der Bedarfsprognose bis zur Lieferplanung bis zum Umsatzmanagement. In Bezug auf die Bestandsoptimierung behauptet o9, sie als Teil seiner End-to-End-Planung zu tun. Allerdings ist o9s Ruf in technischen Kreisen einer von starkem Hype und weniger Klarheit über tatsächliche Methoden. Sie blenden Interessenten mit einer hohen “Tech-Masse” (viele Funktionen, hübsche Demos), aber unter genauer Betrachtung sind ihre echten Differenzierungsmerkmale unklar. Wie eine Analyse es ausdrückte, “Die Tech-Masse von o9 ist außer Kontrolle… Das In-Memory-Design garantiert hohe Hardwarekosten. Viele Prognosebehauptungen über die Graphdatenbank (markenrechtlich geschütztes EKG) sind zweifelhaft und werden nicht durch wissenschaftliche Literatur unterstützt. Tonnen von KI-Hype, aber Elemente, die auf Github gefunden wurden, deuten auf Fußgänger-Techniken hin.” ⁴⁷. Dies fasst unsere Erkenntnisse zusammen: o9 ist sehr viel in der “KI blah-blah” Lager bis zum Beweis des Gegenteils.

Probabilistische Nachfrage & Lieferzeiten: Es gibt keine Beweise dafür, dass o9 native probabilistische Prognosen für Nachfrage oder Lieferzeiten erstellt. Ihre Rede von einem Enterprise Knowledge Graph impliziert die Verknüpfung verschiedener Daten (was helfen könnte, die Ursachen für Schwankungen in den Lieferzeiten zu identifizieren, usw.), aber in den veröffentlichten Fallstudien und Materialien von o9 wird nicht explizit von statistischen Verteilungen oder stochastischer Optimierung gesprochen. Sie konzentrieren sich mehr auf Szenarioplanung und Echtzeit-Neuplanung. Wir schließen daraus, dass o9 wahrscheinlich typische Prognosetechniken (Zeitreihen-ML oder sogar Standardbibliotheken) verwendet, um Einzelzahl-Prognosen zu erstellen, möglicherweise mit einigen Bereichen. Ohne dass sie es aussprechen, nehmen wir an, dass Lieferzeiten als Eingaben betrachtet werden (vielleicht mit einigen Pufferregeln), aber nicht als Zufallsvariablen prognostiziert werden. Daher scheitert o9 nach unseren Kriterien am probabilistischen Test. Tatsächlich könnten sie aufgrund ihrer Betonung der Integration von Big Data sogar deterministischer sein als die meisten - mit dem Ziel, viele Signale zu integrieren (wobei sie annehmen, dass man alles vorhersagen kann, wenn man genug Daten hat), was konzeptionell dem Umgang mit Unsicherheit entgegengesetzt ist. Bis o9 etwas über probabilistische Modelle veröffentlicht, betrachten wir ihren Ansatz als deterministisch mit ausgefallener Datenintegration. Das macht sie nicht ernsthaft in der Modellierung von Unsicherheit, sie verlassen sich stattdessen auf reaktive Planung.

Ansprüche auf fortgeschrittene Funktionen: Das Marketing von o9 ist voll von fortschrittlich klingenden Behauptungen:

Knowledge Graph (EKG): Sie behaupten, ihre Graphdatenbank könne Beziehungen entlang der Supply Chain modellieren, was angeblich die Prognose verbessert (wie die Erfassung, wie eine Verkaufsförderung die Nachfrage nach verwandten Artikeln beeinflussen könnte, usw.). Obwohl ein Graphdatenmodell flexibel ist, gibt es keinen wissenschaftlichen Beweis dafür, dass dies genauere Prognosen oder bessere Lagerentscheidungen liefert. Es hilft hauptsächlich bei der Integration von Datenquellen. Die Behauptung, dass dies eine Innovation im Bereich der “KI-Prognose” ist, ist zweifelhaft ⁴⁸. Ohne einen spezifischen Algorithmus zu sehen, der den Graphen für, sagen wir, probabilistische Prognosen nutzt, betrachten wir dies nur als moderne Architektur, nicht als überlegene Analysemethode.
KI/ML: o9 lässt alle Buzzwords fallen - Wissensgraphen, Big Data, KI/ML, sogar vermutlich Begriffe wie Verstärkungslernen, obwohl keine Einzelheiten. Die externe Analyse ist vernichtend: “Viele Prognosebehauptungen… sind zweifelhaft… Tonnen von KI-Hype, aber Elemente, die auf Github gefunden wurden, deuten auf Fußgänger-Techniken hin.” ⁴⁸. Tatsächlich werden einige von o9 öffentlich geteilte Tools (wie tsfresh für die Extraktion von Zeitreihenmerkmalen oder vikos, usw.) erwähnt - das sind Standard-Python-Bibliotheken oder grundlegende Prognoseansätze (ARIMA, usw.) ⁴⁹. Dies deutet darauf hin, dass das Entwicklungsteam von o9 möglicherweise recht normale Prognosemodelle im Hintergrund verwendet, trotz äußerer Behauptungen. Wir entlarven o9 hier: Etwas als KI-getriebene Plattform zu bezeichnen, macht es noch nicht dazu, und erste Blicke deuten darauf hin, dass ihre “KI” oft nur lineare Regression oder ARIMA unter der Haube ist ⁴⁹. Wenn das wahr ist, ist das viel Rauch und Spiegel.
Echtzeit-Szenarioplanung: o9 macht einen guten Job bei der Ermöglichung von ad-hoc-Szenarien (dank In-Memory-Berechnung). Aber Szenarioplanung ist keine Optimierung. Man kann schnell simulieren, was passiert, wenn die Lieferzeit steigt oder die Nachfrage steigt, was für Planer nützlich ist, um Probleme zu visualisieren, aber es gibt nicht automatisch die beste Lösung - der Benutzer muss immer noch interpretieren und anpassen. Also während o9 vielleicht behauptet, es hilft Ihnen, Störungen zu bewältigen, könnte es sich mehr auf menschliche Entscheidungsfindung verlassen als, sagen wir, eine stochastische Optimierung würde.

Eine weitere Erkenntnis: “Banalitäten qualifizieren sich nicht für ‘KI’, weil sie interaktiv sind.” ⁵⁰ - wahrscheinlich bezieht sich das auf o9, das interaktive Dashboards oder einfache regelbasierte Antworten “KI” nennt. Das bestrafen wir stark. Wenn o9 so etwas wie “unser System markiert automatisch Ausnahmen und schlägt Bestellungen vor - KI-gesteuert!” vermarktet, aber in Wirklichkeit ist es eine einfache Wenn-Dann-Regel oder ein statistischer Kontrollturm, dann ist das eine Fehlbezeichnung von grundlegenden Funktionen als KI.

Automatisierung: o9 positioniert sich als Ermöglicher des “Digitalen Betriebsmodells” - was auf einen hohen Grad an Automatisierung hindeutet. Es kann zweifellos bestimmte Planungsaufgaben automatisieren (wie das automatische Erzeugen von Prognosen, das automatische Erkennen von Ausnahmen). Allerdings machen wir uns angesichts des Mangels an Details Sorgen, dass ein großer Teil des Wertes von o9 immer noch von menschlichen Entscheidungen mit seiner schönen Benutzeroberfläche kommt. Es wird in der Branche von “autonomer Planung” bei Tools wie o9 gesprochen, aber es gibt keine konkreten Beweise dafür, dass irgendein Unternehmen o9 in einer lichtlosen Art und Weise betreibt. Die starke Beteiligung von Analysten großer Kunden an o9 deutet darauf hin, dass es sich um ein Entscheidungsunterstützungssystem handelt, nicht um einen vollautomatisierten Optimierer. Wir bestrafen die Lücke zwischen Anspruch und Wirklichkeit. Solange o9 nicht demonstrieren kann, wie sein “Graph AI” autonom das Inventar optimiert (was sie öffentlich nicht getan haben), behandeln wir seine Automatisierungsansprüche als aufgeblasen.

Umgang mit Einschränkungen: Als flexible Plattform kann o9 theoretisch viele Einschränkungen bewältigen:

Es hat das Datenmodell, um Verfallsdaten, Chargenattribute usw. zu berücksichtigen. So könnte es den Bestand nach Los verfolgen und möglicherweise eine Logik einbeziehen, um ein Verfallen zu vermeiden. Aber ob es einen fertigen Algorithmus für verderbliche Bestände hat, ist unbekannt - wahrscheinlich nicht; ein Benutzer müsste eine Regel skripten oder manuell eine Rotation sicherstellen.
Mehrstufig: o9 macht mehrstufige Planung; es kann ein Netzwerk modellieren und mehrstufige Bestandsoptimierungen durchführen (sie haben wahrscheinlich etwas Ähnliches wie SmartOps, oder zumindest Sicherheitsbestandsberechnungen für jede Stufe).
Kapazitätseinschränkungen: Da o9 S&OP umfasst, kann es Produktions- und Lagerbeschränkungen in seine Planungsläufe einbeziehen.
Kannibalisierung & Substitution: Hier könnte ihr Knowledge Graph prinzipiell Beziehungen modellieren (z.B. Produkte als Ersatz verlinken). Aber optimieren sie tatsächlich mit diesen Informationen? Sie haben es nicht gezeigt. Möglicherweise könnten sie ein “Was-wäre-wenn” durchführen: “Wenn Produkt A ausfällt, sehen Sie den Verkauf von Produkt B steigen” in einer Simulation. Aber das erfordert die Modellierung von Verbraucherentscheidungen - nicht trivial, und es gibt keine Beweise dafür, dass o9 dieses Modell erstellt hat. Also wahrscheinlich nicht behandelt, abgesehen von manuellen Planungsannahmen.
Quasi-Saisonalität: Wenn das ML von o9 anständig ist, könnte es ungewöhnliche saisonale Muster erkennen, wenn es genügend Daten erhält. Aber wiederum gibt es kein spezifisches Feature jenseits der allgemeinen ML-Prognose.
Finanzielle Optimierung: o9 spricht über Revenue Management und IBP, so dass es möglicherweise in der Lage ist, für Profit zu optimieren, nicht nur für den Service-Level, wenn es konfiguriert ist. Allerdings ist das Vertrauen in ihren Optimierer unsicher.

Ein besorgniserregender Aspekt: o9’s In-Memory-Ansatz (wie RELEX) könnte das Lösen bestimmter, stark einschränkender Optimierungen extrem ressourcenintensiv machen. Sie werben mit Skalierbarkeit, aber wenn Sie wirklich jeden SKU-Standort und jede Einschränkung modellieren, könnte die Rechenleistung explodieren und riesige Hardware erfordern. Also praktisch könnten sie das Problem vereinfachen oder sich auf Heuristiken verlassen.

Urteil: o9 Solutions wird in der unteren Kategorie eingestuft aufgrund seiner starken Abhängigkeit von unbewiesenen Behauptungen und Schlagworten, trotz seines glänzenden Reizes. Wir erkennen an, dass o9 eine moderne Schnittstelle und einen einheitlichen Datenansatz hat, den die Kunden ansprechend finden. Es verbessert wahrscheinlich die Zusammenarbeit und Sichtbarkeit. Aber wenn es um die Kernwissenschaft der Bestandsoptimierung geht, finden wir keine konkreten Innovationen von o9, die den Hype rechtfertigen. Sein Marketing ist rotflaggenlastig - alle trendigen Begriffe erscheinen mit wenig technischer Unterstützung ⁴⁸. Das lässt uns die Substanz hinter seiner beträchtlichen Bewertung in Frage stellen. Wir bestrafen o9 stark für diese Lücke. Ohne eine klare Demonstration, sagen wir, wie seine KI die Nachfrage besser vorhersagt oder wie sein Graph optimale Bestandsentscheidungen trifft, müssen wir seine Versprechen als “zweifelhaft” im besten Fall ⁴⁸ behandeln.

In einfachen Worten, o9 könnte eine gute Planungsplattform sein (Integration verschiedener Funktionen), aber als spezielle Bestandsoptimierungsmaschine scheint es nichts zu bieten, was ältere Tools nicht haben - außer einer glatteren Benutzeroberfläche. Es hat sicherlich nicht bewiesen, dass es Unsicherheit oder komplexe Einschränkungen besser bewältigt; wenn überhaupt, könnte es die Unsicherheit zugunsten von Big-Data-Determinismus ignorieren, was wir für einen fehlerhaften Ansatz halten. Daher ist o9 in einem wahrheitsbasierten Ranking nahe dem Ende der seriösen Anbieter. Es ist im Grunde ein Fall von “große Worte, Standardgang”. Unternehmen, die o9 in Betracht ziehen, sollten vorsichtig mit dem Marketing-Pitch sein und darauf bestehen, die tatsächlichen Algorithmen und Ergebnisse zu sehen. Bis die KI-Behauptungen von o9 mit expliziten technischen Beweisen belegt sind, kategorisieren wir sie in diesem Bereich als falsch/unbegründet.

8. Blue Yonder (ehemals JDA) - Flickenteppich von Legacy-Systemen, vermarktet als “KI”

Überblick: Blue Yonder (BJDA) ist einer der ältesten und größten Anbieter von Supply-Chain-Software. Früher bekannt als JDA (die in den 2000er Jahren Manugistics und i2 Technologies erworben hatten), haben sie sich in Blue Yonder umbenannt und wurden von Panasonic übernommen. Die Fähigkeiten zur Bestandsoptimierung von Blue Yonder stammen aus einer Reihe von Produkten - zum Beispiel dem Supply-Chain-Optimierer von i2 und den Bestandsmodulen von JDA. Im Laufe der Zeit haben sie versucht, sich über ihre Luminate-Plattform zu modernisieren und AI/ML-Konzepte einzuführen. Blue Yonder leidet jedoch unter dem, was wir “M&A-Spaghetti” nennen: es ist das Ergebnis einer langen Reihe von M&A-Operationen, was zu “einer willkürlichen Sammlung von Produkten, die meisten davon veraltet” führt ⁵¹. Im Wesentlichen ist das Angebot von Blue Yonder ein Konglomerat aus zusammengeklebter Legacy-Software. Sie versuchen zwar, ein Image als KI-getrieben zu vermitteln (mit Begriffen wie kognitive Planung, Luminate AI), aber unsere tiefe Tauchgang zeigt, dass diese Behauptungen größtenteils vage und substanzlos sind ²⁸.

Probabilistische Nachfrage & Lieferzeiten: Blue Yonder hat historisch gesehen Tools für die Nachfrageprognose und die Bestandsplanung bereitgestellt, hauptsächlich jedoch mit deterministischen oder heuristischen Methoden. Zum Beispiel erzeugte die Nachfrageplanung von JDA Punktprognosen und die Bestandsoptimierung berechnete Sicherheitsbestände für einen Ziel-Service. In jüngsten Materialien erwähnt Blue Yonder “probabilistische Prognose” und “dynamischen Sicherheitsbestand” als Konzepte in ihrem Ansatz ⁵². Sie haben den Wert probabilistischer Methoden in Blogs anerkannt, was darauf hindeutet, dass sie die Fachsprache kennen. Aber haben sie es implementiert? Es gibt wenig Beweise dafür, dass die Kernlösungen von Blue Yonder vollständige Wahrscheinlichkeitsverteilungen ausgeben oder Entscheidungen stochastisch optimieren. Da sie Dinge wie tsfresh und ARIMA in Open Source zitieren ⁴⁹, klingt es so, als würden sie hauptsächlich klassische Zeitreihenprognosen durchführen, nicht modernste probabilistische Programmierung. Wir haben keine Anzeichen für Lieferzeitprognose-Fähigkeiten gesehen - wahrscheinlich geht Blue Yonder von festen Lieferzeiten plus vielleicht einem Puffer aus. So scheitert Blue Yonder an unseren probabilistischen Kriterien: keine explizite doppelte Nachfrage-/Lieferzeit-Unsicherheitsmodellierung erwähnt. Sie halten wahrscheinlich an traditionellen Service-Level-Modellen fest, was bedeutet, dass sie trotz der Verwendung des Wortes probabilistisch in einigen Thought-Leadership-Stücken nicht “ernsthaft” in Bezug auf umfassende Unsicherheit sind.

Erweiterte Funktionsansprüche: Blue Yonder war großzügig mit AI/ML-Behauptungen. Ihr Marketing verwendet Phrasen wie “autonome Planung”, “kognitive Supply Chain” usw. Doch eine Analyse weist darauf hin: “BY stellt AI prominent dar, jedoch sind die Behauptungen vage mit wenig oder keiner Substanz.” ²⁸. Wir bestätigen dies:

Blue Yonder hat einige KI-Startups erworben und prahlt mit Partnerschaften mit Universitäten, aber konkret sehen wir nur einige Open-Source-Projekte. Diese Projekte (tsfresh, PyDSE, VikOS) weisen auf sehr standardisierte Prognosemethoden hin (Feature-Extraktion, ARMA/ARIMA, Regression) ⁴⁹. Nichts deutet auf einen neuartigen KI-Algorithmus hin, der einzigartig für Blue Yonder ist. Das bedeutet, dass die “bahnbrechende KI” von Blue Yonder wahrscheinlich nur umgelabelte traditionelle Analysen sind. Wir behandeln jede generische KI-Behauptung von ihnen als unbewiesen.
Zum Beispiel könnte Blue Yonder sagen: “Wir verwenden ML, um unsere probabilistischen Modelle zu erweitern” ⁵³ - aber ohne Details könnte das alles von einem einfachen maschinellen Lernmodell zur Anpassung von Prognosen bis hin zu einem neuronalen Netzwerk bedeuten, das tatsächlich nicht besser abschneidet als einfachere Modelle. Ohne Beweise behandeln wir es als Geschwätz.
Blue Yonder behauptet, End-to-End-Lösungen einschließlich Preisoptimierung, Sortiment usw. zu haben. Es stimmt, dass sie viele Module haben. Aber viele Module zu haben, bedeutet nicht, dass jedes das Beste seiner Art ist. Die Bestandsplanung von Blue Yonder könnte immer noch die alte i2-Service-Level-Optimierung verwenden, kaum etwas, worüber man im Jahr 2025 prahlen kann.

Ein besonders problematischer Anspruch aus der Vergangenheit: Die Literatur von Blue Yonder über “kognitive Bestände” hat im Grunde die Idee des probabilistischen Bestands mit ausgefallenen Begriffen neu aufgewärmt ⁵⁴ ⁵², wieder ohne technische Unterstützung. Wir markieren dies als Marketing-Rotflagge. Es klingt aufschlussreich, bietet aber keinen algorithmischen “Fleisch”.

Automatisierung: Die Lösungen von Blue Yonder erforderten historisch gesehen erhebliche menschliche Aufsicht - z.B. würden Planer die JDA-Software verwenden, um Empfehlungen zu erhalten und dann anzupassen. Mit Luminate spricht Blue Yonder über “autonomes Planen”, aber nach unserem Wissen bleibt dies weitgehend eine Vision. Sie haben möglicherweise einen “KI-Assistenten” oder eine automatisierte Ausnahmelösung eingeführt, aber nichts öffentlich detailliert. Angesichts der Klientel von Blue Yonder (viele große Einzelhändler, Hersteller) ist es wahrscheinlich, dass die Software immer noch auf traditionelle Weise verwendet wird: Prognosen und Bestellungen werden generiert und dann überprüfen oder führen die Planer sie über Workflows aus. Wir haben keine klaren Beweise dafür gesehen, dass Blue Yonder eine vollständig unbeaufsichtigte Optimierung ermöglicht. Auch weil ihre Architektur ein Mix aus Teilen ist, ist es eine Herausforderung, eine nahtlose Automatisierung über sie zu erreichen. Wir bestrafen Blue Yonder für mangelnde Klarheit in dieser Hinsicht. Es sei denn, sie können ein Beispiel für einen Kunden zeigen, bei dem das System monatelang selbst läuft, betrachten wir ihre Automatisierungsansprüche als minimal.

Einschränkungsbehandlung: Blue Yonder deckt dank jahrzehntelanger Erfahrung viele Einschränkungen in gewissem Maße ab:

Mehrstufig: Ja, JDA hatte eine mehrstufige Bestandsoptimierung (wahrscheinlich ähnlicher Ansatz wie ToolsGroup/SmartOps).
Batchgrößen/MOQs: unterstützt in ihren Planungsparametern.
Promotionen: JDA/BlueYonder hatte Module zur Prognose von Promotionen, obwohl manchmal separat.
Kannibalisierung: Sie haben ein Werkzeug zur Nachfragemodellierung, das Kannibalisierung für den Einzelhandel berücksichtigen kann (JDA hatte etwas für die Prognose des Kategorie-Managements). Aber das ist ein spezialisiertes Modul, nicht unbedingt in die Bestandsoptimierung eingebunden.
Ablaufdatum: Die Hauptindustrien von Blue Yonder waren Einzelhandel (einschließlich Lebensmittel) und Produktion. Sie hatten einige Lösungen für das Management von Frischwaren in der Kategorie-Management-Software. Aber ihre Kernplanung betonte nicht Verderbliches so wie RELEX. Daher wahrscheinlich begrenzte Bewusstsein für die Haltbarkeit.
Rücksendungen: Kein Highlight. Möglicherweise in ihrer Einzelhandelsplanung durch Netting-Prognosen behandelt, aber kein spezielles Feature.
Lagerbeschränkungen: Wenn sie ihr Lagermanagement oder ihre Produktionsplanung verwenden, ja, aber die Bestandsoptimierung selbst geht wahrscheinlich von unbegrenztem Lager aus (wie andere, minimiert die Kosten implizit den Lagerbestand).
Quasi-Saisonalität: Die Prognose von Blue Yonder kann saisonale Muster bewältigen, aber ungewöhnliche Muster erfordern entweder menschliches Tuning oder fortgeschrittene Modelle, die wir bezweifeln, dass sie über das Typische hinaus haben.
Finanzielle Optimierung: Blue Yonder hat zwar Module zur Gewinnoptimierung (Preisoptimierung usw.), aber ihre Bestandsoptimierung dreht sich in der Regel darum, Servicelevels zu minimalen Kosten zu erfüllen, nicht direkt um die Maximierung des Gewinns.

Zusammenfassend lässt sich sagen, dass die Abdeckung der Fähigkeiten von Blue Yonder breit, aber an einigen Stellen flach ist. Es versucht, alles zu sein, was zu Kompromissen führt. Wichtig ist, dass die Kunden von Blue Yonder aufgrund der vielen Produktkomponenten, die Blue Yonder jongliert, oft feststellen, dass es komplex in der Implementierung und Wartung ist.

Urteil: Blue Yonder rangiert in unserer Studie hauptsächlich aufgrund seiner Abhängigkeit von veralteter Technologie, die durch Schlagworte verschleiert wird, und der inhärenten Ineffizienzen einer Flickwerkplattform nahe am Ende. Es ist bezeichnend, dass die Open-Source-Beiträge von Blue Yonder auf Methoden setzen, die Jahrzehnte alt sind (ARIMA, Regression) ⁴⁹, während sich das Unternehmen selbst als AI-Führer vermarktet. Diese Dissonanz untergräbt das Vertrauen. Wir bestrafen Blue Yonder stark für diesen Mangel an Transparenz und den übermäßigen Gebrauch von unklaren AI-Behauptungen ²⁸. Die Marke mag Gewicht haben (sie ist ein “Leader” in einigen Analystenberichten aufgrund ihrer Breite und Marktanteile), aber wenn man sich strikt auf Wahrheit und technisches Verdienst konzentriert, beeindruckt Blue Yonder nicht.

Das heißt jedoch nicht, dass Blue Yonder völlig wertlos ist. Es hat einen großen funktionalen Fußabdruck und eingebautes Domänenwissen - es kann also viele praktische Szenarien bewältigen, wenn es richtig konfiguriert ist. Aber das sind nur Grundvoraussetzungen; was wir suchen, ist echte Optimierungskompetenz. In dieser Hinsicht hinkt Blue Yonder weit hinter Anbietern wie Lokad oder sogar der aufrichtigen Zuverlässigkeit von Slimstock hinterher. Es sei denn, ein Kunde ist bereits in das Ökosystem von Blue Yonder eingebunden oder benötigt einen One-Stop-Shop mehr als erstklassige Analysen, würden wir von der Bestandsoptimierung von Blue Yonder abraten, wenn faktische, messbare Optimierungsqualität Priorität hat. In unserem Ranking wird Blue Yonder nur dadurch gerettet, dass es nicht den allerletzten Platz einnimmt, dass es tatsächlich ein funktionierendes Produkt (wenn auch veraltet) und eine große Benutzerbasis hat - was bedeutet, dass es zumindest die Grundlagen löst - während die Behauptungen einiger kleinerer Spieler vielleicht noch hohler sein könnten.

9. Infor (Rhythm / Predictix) – Verblasster Wettbewerber mit zweifelhafter KI

Überblick: Infor versuchte, in diesem Bereich durch Akquisitionen wie Predictix (erworben 2016), das auf Einzelhandelsprognosen spezialisiert war, zu konkurrieren. Die Kernstärke von Infor war das ERP, aber sie versuchten, eine Cloud-Einzelhandelsplanungssuite (Infor Rhythm, Demand Management usw.) mit der Technologie von Predictix aufzubauen. Allerdings lief es nicht reibungslos. Predictix hatte eine komplexe Geschichte (rechtliche Probleme mit Partnern wie LogicBlox) ⁵⁵, und nach dem Beitritt zu Infor scheint der Schwung ins Stocken geraten zu sein. Infors Fokus verlagerte sich auf sein Kern-ERP und größere Initiativen, und „der Prognosewinkel blieb ein Bürger zweiter Klasse, der in den letzten Jahren zurückgestellt wurde“ ⁵⁶. Kurz gesagt, die Präsenz von Infor in der Bestandsoptimierung/Nachfrageplanung hat nachgelassen. Sie haben immer noch Produkte in diesem Bereich, aber sie sind keine Marktführer, und die Innovationspipeline scheint spärlich zu sein.

Probabilistische & Fortgeschrittene Funktionen: Predictix war bekannt dafür, einige moderne ML-Ansätze zu behaupten (sie waren einer der ersten, die über Big Data in der Einzelhandelsprognose sprachen). Aber Experten bemerken, „Predictix versuchte, einige post-2000 ML-Techniken einzuführen… es ist jedoch zweifelhaft, ob diese Methoden die Modelle vor 2000 übertreffen.“ ⁴⁵. Dies deutet darauf hin, dass selbst die Flaggschiff-Technologie, die Infor gekauft hat, nicht nachweislich besser war als klassische Ansätze. Infor hat wahrscheinlich einige Fähigkeiten zur Nachfragesensorik oder maschinelles Lernen von Predictix geerbt, aber da dieses Team zerstreut ist, ist unklar, wie viel davon verwendet wird. Infor spricht jetzt selten über KI in der Supply Chain, und wenn es das tut, ist es auf hoher Ebene. Wir haben gesehen, dass „‚KI‘-Behauptungen ebenfalls zweifelhaft sind.“ ⁴⁵ in Bezug auf ihre Prognose. Das spiegelt wider, was wir anderswo sehen: Infor hat keine Beweise dafür geliefert, dass seine Tools (Rhythm, Demand Planning usw.) besonders genau oder fortschrittlich sind. Sie haben sie einfach als Funktionen in den Infor-Stack integriert. Auch keine Anzeichen von probabilistischer Prognose oder Modellierung der Lieferzeit - wahrscheinlich existiert keine. Nach unserem Maßstab ist Infors Lösung also hinter der Kurve und geht nicht ernsthaft mit neuen Techniken auf Unsicherheiten ein.

Automatisierung & Einschränkungen: Infors Angebote zur Bestands-/Nachfrageplanung werden nicht weitreichend diskutiert, was auf eine begrenzte Akzeptanz hindeutet. Wahrscheinlich behandeln sie grundlegende Einschränkungen (Multi-Echelon usw.), aber nichts Besonderes, was andere nicht haben. Und angesichts ihrer Herabstufung kann man davon ausgehen, dass nicht viel getan wurde, um diese vollständig zu automatisieren. Es handelt sich wahrscheinlich um ein konventionelles Planungssystem, in dem Benutzer Prognosen und empfohlene Lagerbestände erstellen, mit Integration in Infors ERPs zur Ausführung. Nichts sticht heraus, außer vielleicht einige Einzelhandelsspezifische Funktionen, die von Predictix stammen (wie Größen-/Farbprofilprognose für Mode oder so etwas in der Art - aber auch hier nicht eindeutig besser als die Konkurrenz).

Urteil: Wir ordnen Infor nahe dem Ende ein, weil es weder ein starkes aktuelles Produkt hat noch glaubwürdige Behauptungen über Einzigartigkeit aufstellt. Ihr Vorstoß über Predictix scheint an Schwung verloren zu haben, und jegliche KI/ML-Rhetorik aus dieser Übernahme ist jetzt veraltet oder unbewiesen ⁴⁵. Im Grunde genommen ist Infors Bestandsoptimierung jetzt kein wichtiger Faktor auf dem Markt. Unternehmen setzen Infor nur selten auf die Shortlist für erweiterte Planung, es sei denn, sie sind bereits schwere Infor ERP-Nutzer. Da Infor in Bezug auf probabilistische oder automatisierte Optimierung nichts Bemerkenswertes vorzuweisen hat, erhält Infor eine harte Bewertung: meistens irrelevant in Diskussionen auf dem neuesten Stand der Technik, und die Behauptungen, die sie in der Vergangenheit über KI gemacht haben, waren unbegründet.

10. John Galt Solutions – Mittelstandsprognose mit großspurigen Behauptungen

Überblick: John Galt Solutions (benannt nach der berühmten Figur aus Atlas Shrugged) bietet seit den 1990er Jahren Prognose- und Planungstools an. Ihr Flaggschiff ist Atlas Planning (passend benannt), das sich an mittelständische Unternehmen für Nachfrageplanung, Bestand und S&OP richtet. Sie bieten auch ein einfacheres Tool namens ForecastX an (ein Excel-Add-In für grundlegende Prognosen). John Galts Nische war die Benutzerfreundlichkeit und schnelle Bereitstellung. Sie haben jedoch einige kühne Behauptungen über ihre proprietären Algorithmen (wie etwas namens “Procast”) aufgestellt, die die Augenbrauen hochziehen. Das Unternehmen hat nicht das Gewicht der größeren Spieler, und ihr technologischer Ansatz scheint trotz Marketinghinweisen auf einzigartiges geistiges Eigentum recht traditionell zu sein.

Probabilistische & Fortgeschrittene Funktionen: Die Lösungen von John Galt heben die probabilistische Prognose nicht hervor. Sie konzentrieren sich auf die Erstellung von Prognosen und Bestandszielen mit gängigen Methoden (Regression, Zeitreihen, vielleicht einige Heuristiken). Atlas Planning vermittelt einen “starken Eindruck von Beratungsware” ⁵⁷ - das bedeutet, dass es oft viel Beratung erfordert, um es für jeden Kunden anzupassen, anstatt einen fest verdrahteten fortschrittlichen Motor. Die Prognosetechnologie scheint veraltet zu sein ⁵⁸, was darauf hindeutet, dass sie keine neuen Vorhersagemodelle über das allgemein Bekannte hinaus eingeführt haben. Sie sprechen über “Procast” - ihren proprietären Prognosealgorithmus - und behaupten, er sei genauer als die Konkurrenz. Diese Behauptung ist jedoch höchst zweifelhaft: Wenn Procast wirklich überlegen wäre, würde er in Prognosewettbewerben (wie den M-Wettbewerben) auftauchen, aber er ist nicht in den Top-Rängen ³⁹. Das deutet darauf hin, dass Procast wahrscheinlich eine Neuverpackung von Standardmethoden oder eine geringfügige Anpassung ist, aber kein Durchbruch. Tatsächlich sind Experten der Meinung, dass Open-Source-Tools (wie Hyndmans R-Bibliotheken) wahrscheinlich die Technologie von John Galt übertreffen ⁵⁹. John Galt wirbt nicht stark mit KI oder ML, was tatsächlich zu ihrem Vorteil ist (sie übertreiben nicht mit Schlagworten, die sie nicht haben). Aber sie machen vage “genauere” Behauptungen ohne Beweise, die wir nicht akzeptieren können. Sie erwähnen auch nichts über den Umgang mit Komplexitäten wie Kannibalisierung oder Optimierung unter Unsicherheit; ihre Botschaft dreht sich mehr um Benutzererfahrung (schöne Dashboards usw.) und kollaborative Planung. Das deutet auf einen Mangel an fortgeschrittener Optimierung hin.

Automatisierung: Atlas Planning richtet sich an Planer und Führungskräfte zur Simulation und Zusammenarbeit. Es ist nicht für Automatisierung bekannt; stattdessen ist es ein Toolkit, in dem Benutzer Prognosen erstellen und dann Szenarien durchlaufen können. Es ist wahrscheinlich weit entfernt von vollautomatisierter Bestandsoptimierung - vom Benutzer wird erwartet, dass er Entscheidungen auf der Grundlage der Ausgaben der Software trifft. Daher sehen wir John Galt nicht als Vorreiter in der unbeaufsichtigten Automatisierung. Dies begrenzt seine Platzierung, denn in modernen Begriffen ist es eher ein halbmanuelles Werkzeug.

Einschränkungen: Die typischen Kunden von John Galt haben oft einfachere Bedürfnisse, daher kann Atlas Planning grundlegende Einschränkungen bewältigen (Mehrebenenverteilung, Lieferzeiten, Sicherheitsbestand usw.). Aber es ist nicht besonders bekannt für Dinge wie Multi-Echelon-Optimierung (obwohl es wahrscheinlich einige Fähigkeiten hat), und sicherlich nicht für Dinge wie verderbliche Waren oder komplexe Lieferbeschränkungen. Es ist eine mittlere Lösung - Breite der Funktionen, aber nicht Tiefe in einem bestimmten Bereich.

Urteil: John Galt Solutions belegt den letzten Platz in unserem Ranking der wichtigsten Anbieter. Obwohl es ehrliche, nutzbare Software für Prognose und Planung bietet, kann es keinen technischen Vorteil oder ernsthafte Behandlung von Unsicherheit nachweisen. Die großspurige Behauptung über ihre Geheimzutat (Procast) erscheint unbegründet und sogar durch Auslassung widerlegt ³⁹. Mangels Beweisen bezeichnen wir solche proprietären Behauptungen als betrügerisches Marketing. Das Unternehmen betreibt nicht so viel KI-Hype wie andere (vielleicht weil es sich an ein anderes Segment richtet), aber es überzeugt auch nicht. Es scheint zufrieden damit zu sein, “Beratungsware” anzubieten - Lösungen, die so gut sind wie die Berater, die sie konfigurieren. Das ist für einige Kunden in Ordnung, aber in einem wahrheitssuchenden Vergleich bedeutet es keine klare Innovation. John Galts Ansatz zur Bestandsoptimierung besteht wahrscheinlich darin, Prognosemodelle und Bestandspolitiken manuell einzurichten, anstatt eine automatisierte, probabilistische Berechnung durchzuführen. Daher erfüllt es fast alle unsere Kriterien nicht: keine probabilistische Modellierung der Lieferzeit, keine bemerkenswerte KI/ML, die funktioniert, keine Beweise für fortgeschrittene Einschränkungsoptimierung und begrenzte Automatisierung.

Die Quintessenz bei John Galt: Es bedient ein Segment des Marktes mit einfacheren, benutzergesteuerten Tools. Aber alle Behauptungen, dass es genauer oder “klüger” als größere Lösungen ist, sind nicht durch Beweise gestützt und sollten skeptisch betrachtet werden. Unternehmen mit ernsthaften Bestandsherausforderungen (hohe Unsicherheit, komplexe Netzwerke) würden wahrscheinlich feststellen, dass die Technologie von John Galt unterdimensioniert ist.

Schlussfolgerung & Wichtige Erkenntnisse

Diese kritische Marktstudie zeigt eine Landschaft der supply chain Software voller hochtrabender Behauptungen, aber spärlich an bewährten, neuartigen Fähigkeiten. Anbieter wie Lokad und Slimstock heben sich entweder durch wirklich fortschrittliche Methoden (Lokads probabilistischer Motor ⁶⁰) oder durch eine ehrliche Grundhaltung (Slimstocks nüchterner Ansatz ¹²) ab. Viele andere Akteure - selbst bekannte wie ToolsGroup, Blue Yonder und o9 - sind in Schlagworten verstrickt, ohne sie zu untermauern:

Probabilistische Prognose: Erschreckend wenige Anbieter setzen sie wirklich um. Lokad sticht hervor, indem es sowohl die Unsicherheit der Nachfrage als auch die Lieferzeit explizit modelliert ¹. Die meisten anderen behandeln die Nachfrageschwankungen bestenfalls rudimentär und ignorieren die Unsicherheit der Lieferzeit, was wir als kritischen Fehler ansehen. Eine Lösung, die „Unsicherheit bei den Lieferzeiten ignoriert“, ist grundsätzlich begrenzt ³. Nutzer sollten die Anbieter drängen: Prognostizieren Sie die Lieferzeiten probabilistisch? Wenn nicht, sollten sie erwarten, dass die Lagerziele suboptimal sind.
Irreführende Schlagworte: Der Begriff „demand sensing“ ist ein Wiederholungstäter - verwendet von ToolsGroup, GAINS usw., mit wenig wissenschaftlicher Grundlage ¹⁹ ³². Ähnlich sind generische „AI/ML“-Behauptungen weit verbreitet. Blue Yonder und o9 sind dafür beispielhaft, sie präsentieren trendige Terminologie, liefern aber Algorithmen, die nicht besser sind als Regression ²⁸ ⁶¹. Die roten Flaggen sind konsistent: Wenn ein Anbieter nicht in konkreten Begriffen beschreiben kann, was seine KI tut (z.B. „verwendet Gradientenverstärkung auf Versandhistorie, um die SKU-Store-Nachfrage vorherzusagen“) und stattdessen Plattitüden anbietet, sollte man das Schlimmste annehmen - dass es „wenig oder keine Substanz“ hinter der Behauptung gibt ²⁸. In dieser Studie haben wir alle solchen Fälle stark bestraft. Bemerkenswert ist, dass LLMs (ChatGPT-ähnliche Modelle) keine nachgewiesene Rolle bei der Berechnung optimaler Bestandspolitiken haben (sie fehlt die numerische Optimierungsfähigkeit), so dass jeder Hinweis, dass ein LLM Ihr Inventar optimiert, reine Fiktion ist. Glücklicherweise behauptet keiner der Top-Anbieter das - aber einige könnten Chatbots für Benutzeranfragen integrieren, was nicht dasselbe ist wie Kernoptimierung.
Stochastische Optimierung: Der Säuretest für einen „Optimierung“-Motor ist, ob er wirklich ein definiertes Ziel unter Unsicherheit löst (maximaler erwarteter Gewinn, Minimierung der Kosten unter Berücksichtigung des Service usw.). Die meisten Anbieter hier, außer Lokad (und vielleicht der SmartOps-Teil innerhalb von SAP), führen keine echte stochastische Optimierung durch. Sie verlassen sich auf Heuristiken: Setzen Sie ein Serviceziel, berechnen Sie den Sicherheitsbestand. Das ist keine Optimierung - das ist Befriedigung. ToolsGroup arbeitet beispielsweise immer noch weitgehend auf Serviceebene, und seine Rede von einer „Algebra der Zufallsvariablen“ ist mehr Marketing als Realität. Wir haben diese Inkonsistenz für ToolsGroup hervorgehoben ²⁹. Nutzer, die optimale Entscheidungen suchen, sollten vorsichtig sein: Viele Tools optimieren tatsächlich kein finanzielles Ziel; sie setzen nur Serviceziele durch. Es gibt einen großen Unterschied. Wenn ein Anbieter keine Zielfunktion und deren Lösung zeigen kann (z.B. „wir maximieren die erwartete Füllrate minus Haltekosten, mit Hilfe von Monte-Carlo-Simulation“), dann macht er wahrscheinlich keine echte Optimierung.
Automatisierung: Das Versprechen einer „selbstfahrenden supply chain“ ist verlockend. In der Praxis haben nur wenige es erreicht. Unsere Bewertung ergab, dass die meisten Anbieter erhebliche menschliche Eingaben benötigen, und ihre Automatisierung basiert auf Regeln oder ist auf Berechnungen beschränkt. Lokad zielt auf Automatisierung ab, indem es die vollständige Skripterstellung der Entscheidungslogik ermöglicht (und sie entfernen explizit repetitive manuelle Aufgaben) ⁸. RELEX automatisiert viele Einzelhandelsaufgaben, verwendet aber wahrscheinlich einfache Regeln dafür. ToolsGroup und GAINS automatisieren die Mathematik, benötigen aber immer noch Planer zur Verwaltung der Parameter. Vollautomatisierung - wo das System sich selbstständig an neue Bedingungen anpasst - ist selten. Wenn also ein Anbieter „autonom“ oder „automatisch“ sagt, fordern Sie eine Erklärung: Was genau wird automatisiert? Wie werden Ausnahmen behandelt? Gibt es eine Feedback-Schleife? Wenn die Antworten unklar sind, verdient der Automatisierungsanspruch Skepsis. Wir fanden heraus, dass die Anbieter, die am wenigsten erklärten (o9, Blue Yonder), wahrscheinlich am wenigsten automatisieren, trotz großer Behauptungen ⁶¹ ²⁸.
Komplexe Einschränkungen: Es ist klar, dass eine Größe nicht für alle passt. Einige Anbieter richten sich nach spezifischen Komplexitäten (RELEX für das Ablaufdatum von frischen Lebensmitteln ²², GAINS für reparierbare Teile). Andere decken hauptsächlich generische Einschränkungen ab und verlassen sich auf Workarounds für Sonderfälle. Die Verantwortung liegt beim Käufer, seine einzigartigen Bedürfnisse (verderbliche Waren, große Rücksendungen usw.) zu ermitteln und den Anbieter zu fragen, wie sie damit umgehen. Wenn die Antwort „wir haben Kunden in Ihrer Branche“ lautet, aber keine Details vorhanden sind, ist das eine Warnung. In unserer Studie diskutiert nur Lokad offen die Unterstützung von Dingen wie Kannibalisierung und benutzerdefinierten Einschränkungen über sein Modellierungsframework ⁴. Die meisten anderen ignorieren diese Probleme entweder oder erwähnen sie nur beiläufig ohne Methode.

Abschließend trennt diese Marktstudie das Signal vom Rauschen. Die am besten bewerteten Anbieter haben ihren Platz verdient, indem sie Ansprüche mit der Realität in Einklang bringen und sich auf solide Technik konzentrieren:

Lokad – für seinen rigorosen probabilistischen Ansatz und die Bereitschaft, zu erläutern, wie es funktioniert ⁶⁰.
Slimstock – für zuverlässige Ergebnisse ohne sich hinter Schlagworten zu verstecken ⁶² (obwohl es fortgeschrittene Analysen fehlen, ist es ehrlich darüber).
RELEX – für praktische Innovationen im Einzelhandel (frische Lebensmittel usw.), während wir vorsichtig gegenüber seinem unerprobten AI-Hype bleiben ¹⁸.

Mittelständische Anbieter wie ToolsGroup und GAINS haben funktionale Tiefe, wurden aber aufgrund von „Marketing-Fehlverhalten“ – irreführender Terminologie und mangelnder technischer Weiterentwicklung – herabgestuft ³⁶ ³².

Schließlich landeten mehrere große Lösungen (o9, Blue Yonder, SAP, Infor, John Galt) in unserem Ranking niedriger als ihre Marktposition vermuten lässt. Der Grund ist einfach: Unternehmensreputation und Verkaufsvolumen entsprechen nicht technischer Exzellenz. Tatsächlich tragen diese großen Suiten oft Altlasten oder diffusen Fokus, was eine wahrheitsgemäße Bewertung behindert. Wir haben keinen Kredit für glänzende Broschüren oder Positionen im Gartner Magic Quadrant gegeben, weil diese oft Umsatz und Breite widerspiegeln, nicht echte Optimierungskraft.

Ratschläge für Praktiker: Durchschneiden Sie das Geschwätz. Bestehen Sie auf Demos oder Fallstudien, die tatsächliche Fehlerverteilungen, Service-Level-Ergebnisse oder Kosteneinsparungen unter Unsicherheit zeigen. Bitten Sie die Anbieter, Ihre Daten für einen Piloten zu verwenden und zu prüfen, ob ihre Ausgaben wirklich Unsicherheit widerspiegeln (z. B. eine Reihe von Szenarien) oder nur eine Zahl. Überprüfen Sie, ob ihre Empfehlungen sich ändern, wenn sich die Bedingungen ändern (was auf Anpassungsfähigkeit hindeutet), oder ob es sich im Wesentlichen um statische Regeln handelt. Viele Anbieter werden auf diesen Fronten scheitern. Diejenigen, die glänzen, werden diejenigen sein, die ihre Lösungen auf festen analytischen Grundlagen anstatt auf Marketing-Treibsand aufgebaut haben.

Am Ende erfordert eine effektive Bestandsoptimierung die Verbindung von guter Wissenschaft mit praktischer Ausführung. Wie diese Studie zeigt, sind nur sehr wenige Anbieter in beidem hervorragend. Diejenigen, die es tun, heben sich deutlich ab – und diejenigen, die es nicht tun, haben wir mit Zitaten und Fakten offengelegt. Wir fordern Entscheidungsträger auf, diese Informationen zu nutzen, um durch das Marketing-Rauschen zu schneiden und Entscheidungen zu treffen, die auf Wahrheit und Beweisen basieren, nicht auf Hype.