Software de Optimización de Comercio Electrónico, Febrero de 2025

Última modificación: 2 de febrero de 2025

Introducción

El mercado de software de optimización de comercio electrónico está lleno de afirmaciones audaces sobre la magia impulsada por la IA, pero una mirada crítica bajo el capó revela que solo unos pocos proveedores realmente cumplen la promesa de optimizar conjuntamente inventario, precios y surtidos con tecnología de vanguardia. En este estudio, evaluamos las soluciones líderes para comercio electrónico puro (minoristas en línea sin tiendas físicas) y clasificamos a los proveedores más relevantes, incluidos Lokad, RELEX Solutions, Blue Yonder y ToolsGroup, por sus méritos técnicos y desafíos. Lokad emerge como líder debido a su enfoque unificado y probabilístico y alto grado de automatización, mientras que RELEX y Blue Yonder ofrecen suites completas temperadas por la complejidad de la IA de caja negra y el legado, respectivamente. ToolsGroup proporciona una optimización de inventario probada basada en matemáticas sólidas pero enfrenta desafíos de integración a medida que se expande hacia precios y surtidos. En todo momento, aplicamos una lente profundamente escéptica: cortando la paja de marketing, escrutando las afirmaciones de los proveedores contra evidencia independiente y destacando las advertencias a menudo no dichas (por ejemplo, la falta de optimización de decisiones de manera holística o la dependencia de arquitecturas costosas). El objetivo es un análisis técnico impulsado por la narrativa que pone la verdad por encima de la exageración, para que los actores del comercio electrónico puedan comprender quién avanza genuinamente en el estado del arte y quién se queda corto.

Criterios de Oro: Optimización Conjunta y Tecnología Avanzada

Cualquier proveedor puede jactarse de IA o big data, pero optimizar verdaderamente un negocio de comercio electrónico requiere cumplir con una alta barra de criterios técnicos y funcionales. Lo primero es la optimización conjunta: la capacidad de optimizar simultáneamente las decisiones de niveles de inventario, precios y surtido de productos. Tratar estos de forma aislada, como hacen muchos sistemas antiguos, es fundamentalmente erróneo, ya que están estrechamente interdependientes (los precios afectan la demanda que afecta el inventario, los cambios en el surtido afectan a ambos, etc.). Una solución de optimización de comercio electrónico debe coordinar los tres; por ejemplo, podría decidir almacenar menos de un producto y aplicar un descuento antes si las previsiones revelan ventas lentas, o aumentar los precios de ciertos artículos para evitar faltantes de stock. Las soluciones que optimizan el inventario pero ignoran los precios, o viceversa, dejan dinero sobre la mesa y son subóptimas por diseño.

Más allá de la optimización conjunta, las soluciones verdaderamente de vanguardia deben aprovechar técnicas y arquitecturas modernas:

• Previsión probabilística: En lugar de previsiones de demanda de un solo punto, utilizar distribuciones de probabilidad para capturar la incertidumbre de la demanda. Esto es crucial para el comercio electrónico con sus patrones de demanda volátiles y “larga cola” de SKU. Las herramientas tradicionales (por ejemplo, los módulos antiguos de SAP u Oracle) que producen un número y un stock de seguridad a menudo juzgan mal la variabilidad real ^{1 2}. Los proveedores líderes ahora enfatizan modelos probabilísticos o “estocásticos” que cuantifican el rango de resultados.
• Optimización económica: Las decisiones deben estar impulsadas por objetivos económicos (beneficio, coste, objetivos de nivel de servicio) no solo reglas heurísticas. Por ejemplo, un sistema verdaderamente optimizado considerará los márgenes de beneficio y costos de mantenimiento de los productos al decidir los niveles de stock y los precios. Priorizará acciones que maximicen el beneficio esperado o minimicen el coste total, en lugar de lograr ciegamente una tasa de llenado. Esto requiere incrustar parámetros de coste/ingreso en los algoritmos.
• Escalabilidad y eficiencia de costes: Los datos del comercio electrónico son masivos (potencialmente millones de SKU, transacciones diarias, múltiples canales). El software debe manejar datos a gran escala sin costes exorbitantes de hardware o un rendimiento lento. Las arquitecturas que mantienen todo en memoria (RAM) de manera ingenua pueden volverse prohibitivamente costosas a gran escala. Los diseños modernos utilizan la computación en la nube de manera inteligente, por ejemplo, procesamiento distribuido, almacenes de datos basados en disco y algoritmos eficientes. Una solución que requiera una granja de servidores gigante o plataformas costosas (como el uso excesivo de la nube de datos de Snowflake) podría erosionar el ROI. Por el contrario, la ingeniería inteligente puede procesar conjuntos de datos a escala de terabytes en horas en instancias de nube de commodities ^{3 4}.
• Efectos de canibalización y sustitución: En decisiones de surtido y precios, el sistema debe tener en cuenta los productos que afectan la demanda de los demás. Por ejemplo, si dos productos son sustitutos cercanos, eliminar uno desplazará la demanda al otro (un efecto de canibalización). Manejar esto requiere más que un simple análisis OLAP o grupos de productos definidos manualmente; requiere modelos que aprendan elasticidades cruzadas o tasas de asociación. Muchas herramientas heredadas asumen que la demanda de cada producto es independiente, lo que lleva a errores tanto en la previsión como en la planificación de surtidos. Un proveedor de vanguardia debería modelar explícitamente tales relaciones (por ejemplo, utilizando aprendizaje automático en datos de transacciones para inferir afinidades de productos).
• Impactos del mercado y la competencia: Los jugadores de comercio electrónico puro suelen estar influenciados por las dinámicas del mercado - por ejemplo, la competencia en Amazon o eBay, vendedores de terceros, etc. El software de optimización debería incorporar idealmente señales como los precios de los competidores o los faltantes de stock en el mercado. Pocos lo hacen bien. Es una frontera compleja pero cada vez más relevante: por ejemplo, si un competidor se queda sin stock de un artículo popular, su sistema debería detectar esa oportunidad y ajustar su precio o gasto en publicidad en consecuencia. De manera similar, si vende tanto directamente como en mercados, el sistema debería optimizar en todos los canales (evitando, por ejemplo, el exceso de stock para su propio sitio cuando el producto se vende a través de Amazon FBA).
• Capacidades multi-canal y omni-canal: Incluso sin tiendas físicas, un comerciante de comercio electrónico puede tener múltiples canales en línea (sitio web propio, mercados, quizás sitios regionales). El motor de optimización debe manejar la demanda y el inventario multi-canal de manera holística - reconociendo, por ejemplo, que el inventario se comparte o que las decisiones de precios en un canal pueden afectar a otro. La planificación “de extremo a extremo” no es solo una palabra de moda; significa que el software ve todo el panorama (desde los proveedores hasta los clientes, a través de todos los flujos de ventas).
• Alto grado de automatización (“robotización”): La promesa última de estos sistemas es la toma de decisiones autónoma. Teóricamente, deberían poder funcionar sin supervisión, produciendo pedidos de reposición, actualizaciones de precios, etc., sin que los usuarios giren diales todos los días. En realidad, todos los proveedores todavía permiten la configuración del usuario, pero preferimos aquellos que minimizan la necesidad de ajustes humanos. Tenga cuidado con las soluciones que presumen de automatización pero exponen docenas de perillas (parámetros, factores de ponderación, reglas) - eso es una contradicción interna. La verdadera automatización proviene de permitir que los algoritmos encuentren configuraciones óptimas, no de pedir a los usuarios que recalibren constantemente. Los mejores sistemas utilizan técnicas como modelos de autoaprendizaje que se ajustan a medida que llegan nuevos datos, de modo que con el tiempo las decisiones sigan siendo óptimas sin intervención manual ⁵. Cuanto menos “ajustes” tenga que mantener un usuario, más creíble será la automatización.
• Arquitectura robusta y rentable: Hemos mencionado la eficiencia en costos, pero vale la pena señalar explícitamente: algunas soluciones modernas han adoptado almacenes de datos en la nube (como Snowflake) para escalar. Esto puede eliminar dolores de cabeza de infraestructura, pero introduce un modelo de costos basado en el uso. Si una herramienta de planificación requiere procesar grandes cantidades de datos en una plataforma como Snowflake, los costos pueden dispararse (similar al modelo de precios basado en MIPS de IBM en la década de 1990, donde un mayor uso de CPU significaba tarifas exponencialmente más altas). Una solución ideal maneja grandes datos con algoritmos inteligentes para mantener razonable el uso de la nube (y, por lo tanto, el costo) ⁴. De manera similar, las soluciones construidas a través de adquisiciones podrían terminar siendo un parche de módulos en diferentes pilas tecnológicas, lo que conlleva costos de integración significativos para el cliente (ya sea en dinero o en latencia del sistema). Ser nativo de la nube e integrado desde cero es una ventaja, pero solo si la arquitectura realmente elimina el movimiento redundante de datos sin introducir nuevos cuellos de botella.

Con estos criterios establecidos, ahora nos dirigimos a los proveedores. Clasificamos a Lokad, RELEX, Blue Yonder y ToolsGroup como los actores más relevantes para la optimización del comercio electrónico, y evaluamos a cada uno de ellos según los criterios anteriores. El análisis es narrativo en estilo, centrándose en cómo se acerca cada proveedor al problema y dónde se justifica el escepticismo, en lugar de una lista de características. Es importante destacar que nos basamos en evidencia creíble (y citas directas) siempre que sea posible, evitando la trampa común de aceptar las afirmaciones de los proveedores tal como vienen.

1. Lokad - Optimización Cuantitativa Unificada con Base Probabilística

Lokad se destaca como un proveedor construido explícitamente en torno a la idea de optimización conjunta utilizando tecnología de vanguardia. A diferencia del software tradicional de la cadena de suministro, Lokad no se presenta como un conjunto de módulos (pronóstico, MRP, etc.) para ser ajustados, sino más bien como una plataforma programática donde se implementa una lógica de optimización unificada para cada cliente. Este enfoque, que ellos denominan “Supply Chain Quantitativa”, puede requerir más ciencia de datos al principio, pero produce una solución hecha a la medida para optimizar todas las decisiones juntas - inventario, precios, reposición, todo en uno. La filosofía de Lokad es que los pronósticos son solo un medio para un fin; el verdadero objetivo es optimizar decisiones (por ejemplo, cuánto comprar, qué precio establecer) considerando todas las restricciones y compensaciones económicas.

En el núcleo se encuentra el pronóstico probabilístico. Lokad fue un pionero temprano en el uso de distribuciones de probabilidad completa para la demanda, e incluso demostró su valía en el neutral ámbito de las competiciones de pronóstico. En la prestigiosa Competencia de Pronóstico M5 (2020), un equipo de Lokad se ubicó en el sexto lugar a nivel mundial de 909 equipos ⁶ - una impresionante validación de su tecnología dado que M5 se centró en datos minoristas granulares (el tipo de datos que enfrentan las empresas de comercio electrónico). Es importante destacar que M5 requería pronósticos probabilísticos (cuantiles), lo cual se alinea con la fortaleza de Lokad. Este resultado indica no solo destreza académica, sino relevancia práctica: sus pronósticos estaban entre los mejores, lo que respalda cualquier optimización de inventario y precios. Además, el CEO de la empresa ha destacado que más allá de cierto punto, las ganancias de precisión en el pronóstico ofrecen rendimientos decrecientes en comparación con un mejor modelado de decisiones ⁷. En otras palabras, Lokad enfatiza la optimización de las decisiones (cantidades de pedido, asignaciones, etc.) utilizando los pronósticos probabilísticos, en lugar de perseguir una pequeña mejora en la precisión del pronóstico que puede no afectar materialmente los resultados. Esta perspectiva es refrescante e importante para el comercio electrónico: reconoce que manejar cosas como faltantes de stock, demanda intermitente y efectos de sustitución a menudo es más importante que un pequeño porcentaje de mejora en una métrica de pronóstico ⁷.

Tecnológicamente, Lokad es de vanguardia y altamente orientado a la ingeniería. Han construido su propia pila tecnológica nativa de la nube (incluido un lenguaje específico de dominio personalizado llamado “Envision” para escribir scripts de optimización). Esta pila está diseñada para procesar grandes volúmenes de datos de manera eficiente y económica. Por ejemplo, el sistema de Lokad procesa rutinariamente gigabytes a terabytes de datos de clientes (pedidos, clics, etc.) en unas pocas horas durante la noche, para generar decisiones del día siguiente ^{8 3}. Para hacer esto, evitan cargar todo en la RAM; en su lugar utilizan archivos mapeados en memoria y almacenamiento columnar en disco, lo que permite manejar conjuntos de datos más grandes que la memoria de una máquina de manera transparente al derramarse en SSD rápidos ^{3 9}. Expresamente señalan que Envision (su motor) admite conjuntos de datos más grandes que la memoria de incluso todo el clúster mediante “derrames inteligentes en unidades NVMe”, y que las operaciones paralelas embarazosamente se distribuyen automáticamente en núcleos/máquinas ³. El efecto neto: Lokad puede escalar a surtidos de SKU extremadamente grandes sin requerir que el cliente invierta en cantidades absurdas de RAM o dispositivos especializados. De hecho, enfatizan la necesidad de poco hardware para funcionar, evitando situaciones en las que “hacer clic en un botón de ejecución cuesta cientos de dólares” en tarifas de la nube ⁴. Este es un punto sutil pero crucial: los diferencia de algunos sistemas empresariales pesados que podrían manejar técnicamente big data pero a un gran costo. El enfoque de Lokad se asemeja más a un pipeline de big data optimizado, similar a un Apache Spark o Google BigQuery, pero diseñado específicamente para cálculos de la cadena de suministro. Este enfoque en la eficiencia mantiene la solución rentable a medida que escala, un gran punto a favor para los minoristas electrónicos con millones de registros.

El manejo de precios y surtido de Lokad no se realiza a través de módulos separados, sino a través de la misma lógica de optimización. Debido a que la plataforma es esencialmente impulsada por código, se pueden modelar las interacciones. Por ejemplo, se puede escribir un script que diga: “para cada producto, considera la demanda probabilística en diferentes puntos de precio, factoriza la disponibilidad de stock y el tiempo de reaprovisionamiento, luego elige el precio que maximiza el margen esperado menos el costo de mantenimiento, sujeto a no quedarse sin stock con demasiada frecuencia” - esta es una descripción simplificada, pero ilustra que los precios y el inventario pueden decidirse juntos. Si un producto tiene exceso de stock, el código podría decidir un descuento para acelerar las ventas; si es escaso, podría aumentar el precio para asignar el inventario a los clientes que más pagan. Pocos otros proveedores permiten este nivel de interacción. La solución de Lokad básicamente genera sus propias políticas de decisión adaptadas a los datos del comerciante.

Los efectos de canibalización y sustitución se manejan de forma natural si se alimentan los datos correctos. Por ejemplo, se puede incorporar una entrada de “si el artículo A no está disponible, ¿cuánta de su demanda va al artículo B” - estas relaciones pueden aprenderse a partir de datos históricos (analizando pasos de stock o cambios en el surtido) y luego alimentarse en la optimización. Debido a que Envision es un lenguaje de programación completo, estas dinámicas de demanda complejas pueden ser codificadas. La literatura de Lokad indica que hacen esto activamente: el sistema “descubre correlaciones entre productos, canales y períodos de tiempo” y calcula decisiones en consecuencia, en lugar de asumir que cada SKU es independiente ¹⁰. No se basa en una extrapolación simplista de series temporales; calcula distribuciones de probabilidad completas para la demanda que tienen en cuenta promociones, faltantes de stock, cambios estacionales, etc. ¹¹. Al capturar estos factores (incluido cuándo se perdió demanda debido a estar fuera de stock), Lokad evita el clásico problema de basura en la predicción de datos de ventas sesgados.

Otra área en la que Lokad destaca es en la inteligencia competitiva e integración de datos externos. La plataforma puede incorporar cualquier dato relevante, por ejemplo, precios de competidores, tráfico web, incluso calendarios de campañas de marketing, como señales de entrada adicionales. Mencionan explícitamente la capacidad de incorporar “señales externas como precios de competidores” y calendarios de marketing, y de experimentar con nuevos algoritmos o entradas fácilmente debido al diseño programático ¹². En un sentido práctico, si una empresa de comercio electrónico tiene, por ejemplo, datos extraídos de precios de competidores o sabe que el nivel de stock de un socio de mercado es un indicador, puede integrarlo en el modelo de Lokad para refinar decisiones. Esto es mucho más flexible que la mayoría de las soluciones listas para usar que solo manejan datos internos. Habla de un enfoque de “caja de cristal”: en lugar de ocultar la lógica, Lokad te permite adaptarla. Dicho esto, el enfoque de Lokad requiere un Supply Chain Scientist para configurarlo, no es una interfaz de usuario de apuntar y hacer clic para un principiante. Esto podría verse como una desventaja para algunos; sin embargo, la recompensa es una solución que se ajusta exactamente al negocio y puede automatizar verdaderamente decisiones dadas las reglas únicas del negocio.

Automatización y autonomía: Lokad es probablemente el más cercano a un planificador de supply chain “totalmente robotizado” en este grupo. La filosofía es que una vez que los scripts (lógica) están configurados y validados, el sistema puede ejecutarse diariamente (o intra-día) y producir decisiones recomendadas sin intervención humana. Muchos usuarios de Lokad confían efectivamente en él para producir órdenes de compra y sugerencias de precios que los planificadores luego revisan brevemente o incluso ejecutan automáticamente. Debido a que el sistema es autoadaptativo (reentrena pronósticos todos los días con los datos más recientes y se reoptimiza en consecuencia), no requiere ajuste manual de parámetros. De hecho, Lokad critica de manera bastante directa la costumbre de la industria de ajustar sin cesar, destacando que su sistema “no se basa en métodos simplistas de series temporales” y funciona sin “ajustes” manuales constantes por parte de los usuarios ¹⁰. El trabajo pesado de ajustar la estacionalidad, eventos, demanda errática lo realizan los algoritmos, no los planificadores que ajustan los pronósticos. Un aspecto clave es la accionabilidad: Lokad produce decisiones (o recomendaciones accionables) en lugar de solo diagnósticos. Por ejemplo, en lugar de simplemente señalar que cierto artículo podría quedarse sin stock (como hacen algunos paneles de “torres de control”), recomendará directamente una cantidad de pedido o un cambio de precio para abordarlo. Su objetivo es “recomendar acciones correctivas en lugar de simplemente mostrar una alerta”, lo cual es crucial si se desea una operación sin supervisión ¹³. En un entorno de comercio electrónico en constante movimiento, un sistema que simplemente te dice que hay un problema no es suficiente; quieres que te diga qué hacer al respecto, o incluso que lo haga. Lokad está diseñado para hacer lo último.

Dado este elogio, ¿dónde debería uno ser escéptico acerca de Lokad? La principal precaución es que el enfoque de Lokad es altamente personalizado y técnico. No es un SaaS de enchufar y usar donde lo enciendes y ves inmediatamente una bonita interfaz de usuario con todas las respuestas. Requiere un cierto nivel de madurez de datos y confianza en métodos cuantitativos por parte de la empresa usuaria. También hay una dependencia implícita en el equipo de Lokad (“científicos de la cadena de suministro”), especialmente durante la configuración inicial: efectivamente, actúan como tu equipo extendido para implementar la solución. Este es un modelo diferente al de, por ejemplo, instalar un software bien definido. Si un cliente no está preparado para participar en ese proceso colaborativo y de ingeniería, podría tener dificultades. Sin embargo, este modelo es también lo que permite la profundidad de la optimización. Es un clásico compromiso: flexibilidad y poder frente a facilidad de uso. Lokad claramente optimiza el poder y la flexibilidad.

Desde una perspectiva de mercado, la propuesta de valor de Lokad parece estar particularmente alineada con las necesidades del comercio electrónico. Las empresas de comercio electrónico enfrentan muchos desafíos: faltantes de stock, excesos de stock, picos de demanda volátiles por promociones o impactos de influencers, etc., y a menudo recurren a herramientas improvisadas (paneles de BI, scripts de Python ad hoc, etc.) para cubrir las brechas dejadas por sus ERP o WMS. Lokad básicamente se posiciona como la capa especializada que recibe todas esas señales y produce un plan casi óptimo. Se contrastan explícitamente con herramientas simplistas proporcionadas por marketplaces o ERPs, señalando que esas “abordan solo una fracción” de lo que las empresas de comercio electrónico enfrentan ^{14 15}. Por ejemplo, un marketplace de Amazon podría darte un pronóstico de demanda para la próxima semana, pero no integrará tus costos de cadena de suministro o tu inventario de múltiples almacenes. La tecnología de Lokad está diseñada para manejar cada señal relevante hasta el nivel de SKU, sin fallar, y sin que los usuarios tengan que manejar manualmente hojas de cálculo ¹⁶. Esta es una propuesta de valor sólida si se entrega como se anuncia.

Para resumir Lokad: Se ubica en la parte superior de nuestra lista por su capacidad de optimización holística y tecnología avanzada. Cumple con el criterio de optimización conjunta: inventario, precios y más se pueden optimizar juntos a través de su plataforma programática. Utiliza pronósticos probabilísticos y factores económicos (estaban haciendo pronósticos de cuantiles antes de que fuera popular, como lo demuestra su éxito en la competencia M5 ⁶) y no se aleja de efectos complejos como la sustitución o correlaciones multicanal. Su arquitectura es escalable y consciente del costo, evitando la trampa de la computación en memoria de fuerza bruta ^{3 4}. La automatización es muy alta, con un mínimo ajuste manual necesario y un enfoque en la toma de decisiones, no solo en percepciones ¹³. El escepticismo que se podría aplicar a Lokad es menos sobre si la tecnología funciona, ya que la evidencia sugiere que sí, pero más sobre si una organización está lista para adoptar una solución tan centrada en la ciencia de datos. También está la cuestión del historial a escalas más grandes; Lokad es más pequeño que algunos competidores, aunque tiene clientes notables (por ejemplo, distribuidores de posventa industrial, eTailers de moda, etc., según sus estudios de caso). Dado todo lo anterior, Lokad obtiene una clasificación superior como un proveedor de optimización de eCommerce verdaderamente de vanguardia en nuestro estudio.

2. RELEX Solutions - Optimización minorista impulsada por IA (con advertencias)

RELEX Solutions es un proveedor nacido en Finlandia que ha crecido rápidamente en el espacio de planificación minorista, a menudo mencionado en la misma frase que los gigantes heredados para pronósticos y reabastecimiento. RELEX ofrece una plataforma unificada que cubre pronósticos de demanda, reabastecimiento de inventario, asignación, surtido, programación de personal y, recientemente, optimización de precios y promociones. Su fortaleza principal ha estado en supermercados y comercio minorista (incluyendo tiendas físicas), pero también se comercializa activamente a jugadores de eCommerce, enfatizando su capacidad para planificar a través de canales en línea y fuera de línea. Para usuarios de eCommerce puro, el valor de RELEX radica en su planificación de extremo a extremo - asegurando el inventario correcto en el lugar correcto, con el precio y las promociones correctas, utilizando algoritmos avanzados para reaccionar a los cambios en la demanda.

RELEX promueve en gran medida su uso de IA y aprendizaje automático. De hecho, su CEO Mikko Kärkkäinen es un defensor abierto de la “IA pragmática” en el comercio minorista. Según Kärkkäinen, “los sistemas de gestión de inventario impulsados por IA procesan cientos de factores que influyen en la demanda” para aumentar la precisión del pronóstico ¹⁷. Incluso destaca que algo como los datos meteorológicos no es un factor, sino “cientos de factores diferentes” (temperatura, humedad, etc.) que sus modelos de aprendizaje automático consideran ¹⁸. Esto ejemplifica el enfoque de RELEX: lanzar una amplia red para señales predictivas (clima, promociones, días festivos, tendencias en redes sociales, etc.) y utilizar el aprendizaje automático para correlacionarlos con las ventas. El beneficio es que el sistema puede detectar patrones complejos (por ejemplo, cómo una ola de calor repentina afecta la demanda de ciertas bebidas en combinación con que sea un fin de semana festivo). La visión escéptica, sin embargo, es que alardear de “cientos de factores” podría ser más marketing que una mejora significativa. En pronósticos, después de cierto punto, agregar más entradas produce rendimientos decrecientes o incluso puede degradar la precisión si el modelo se ajusta demasiado al ruido. También hace que el modelo sea una caja negra: es virtualmente imposible para un humano entender un modelo que realmente utiliza cientos de variables. RELEX intenta contrarrestar la preocupación de la caja negra abogando por un enfoque de “caja de cristal” (transparencia en IA). Han hablado sobre proporcionar visibilidad en los pronósticos y no solo un resultado, permitiendo a los planificadores ver los impulsores clave. Pero realísticamente, una red neuronal o un modelo de aumento de gradiente con cientos de características no será completamente interpretable. Los planificadores tendrán que confiar en el sistema. Este es un compromiso general con la IA/ML: RELEX está del lado de “lanzar muchos datos al problema y dejar que los algoritmos lo resuelvan”.

¿Da resultados esto? Los clientes de RELEX a menudo informan de una mejora en la previsión y menos faltantes de stock, especialmente en situaciones promocionales y estacionales donde los métodos tradicionales tenían dificultades. Por ejemplo, RELEX integra pronósticos meteorológicos y ha afirmado una reducción de hasta el 75% en el error de pronóstico para ciertos productos sensibles al clima durante condiciones climáticas inusuales ¹⁹. Tomamos tales afirmaciones específicas con precaución, ya que podrían estar seleccionadas. Sin embargo, es probable que el enfoque de RELEX realmente agregue valor en la previsión a corto plazo (“detección de la demanda”) ajustando los pronósticos en función de la información más reciente. En esencia, sus modelos de ML están ajustando continuamente el pronóstico base con nuevas señales de datos. Esto es similar a lo que algunos llaman detección de la demanda (usando datos casi en tiempo real para actualizar los pronósticos a corto plazo). RELEX, en sus materiales, fusiona la detección de la demanda en su amplia previsión de ML en lugar de tratarla como un módulo separado. Ellos defienden la “re-forecasting continua y automatizada” a medida que cambian las situaciones.

En el frente de la optimización conjunta, ¿qué tan bien cubre RELEX la fijación de precios y la variedad además del inventario? Históricamente, RELEX era más fuerte en el reabastecimiento y la asignación (asegurando que las tiendas o centros de distribución no se queden sin stock). La planificación de surtido (decidir qué productos van a qué tiendas o qué SKU llevar) también era parte de su suite, al igual que la optimización de planogramas (planificación de espacios). La optimización de precios era una brecha hasta hace poco, pero en 2022, RELEX introdujo una capacidad de optimización de precios impulsada por IA ^{20 21}. Lo están posicionando como integrado de forma transparente con su planificación de promociones. Por ejemplo, su herramienta de planificación de promociones y la herramienta de optimización de precios comparten los mismos datos y la misma interfaz de usuario, por lo que un minorista puede planificar una promoción y el sistema puede recomendar la profundidad de descuento óptima, el momento, etc., y luego las implicaciones de inventario se consideran automáticamente. Esto ciertamente se dirige hacia la optimización conjunta. Sin embargo, no está claro si RELEX realmente optimiza el precio y el inventario juntos o si aún lo hace de forma secuencial (decidir primero el precio, luego ajustar el flujo de inventario). En una optimización conjunta ideal, se considerarían las restricciones de inventario al establecer los precios (por ejemplo, no promocionar agresivamente un artículo si el suministro está restringido). Es probable que la plataforma integrada de RELEX permita este tipo de pensamiento interfuncional, por ejemplo, su sistema notaría “no tenemos suficiente stock en el centro de distribución para respaldar esta promoción en todas las tiendas” y podría señalarlo o ajustarlo. Mencionan alinear los precios y las promociones con la cadena de suministro para garantizar que los planes sean ejecutables ²². Por lo tanto, RELEX es consciente de la necesidad de romper los silos.

Una perspectiva interna: El atractivo de RELEX es que reúne todo (demanda, suministro, operaciones) en una plataforma para el usuario. Por ejemplo, los planificadores de mercancías pueden ver pronósticos compartidos y restricciones en todos los departamentos ²². Esto significa que un planificador puede entender el impacto que una decisión de precios tendrá en la cadena de suministro y viceversa. Esa visibilidad es una gran mejora sobre las herramientas segmentadas. Pero la visibilidad no es lo mismo que la optimización totalmente algorítmica. Sospechamos que si bien RELEX proporciona una experiencia de usuario y un modelo de datos muy coherentes, algunas de las decisiones aún podrían ser paso a paso. La optimización de precios podría generar un precio ideal, luego el módulo de inventario planifica en torno a él. La estrecha integración garantiza que no entren en conflicto, pero no necesariamente resuelve un problema de optimización único que maximice el beneficio considerando los costos de inventario simultáneamente. Lograr esto último es complejo y no muchos proveedores (excepto quizás Lokad, como se discutió) lo intentan explícitamente.

Desde el punto de vista de la arquitectura tecnológica, RELEX es bastante avanzado. Construyeron su propio motor de base de datos en memoria en los primeros días (una base de datos columnar optimizada para series temporales y datos jerárquicos) que les permitió calcular pronósticos para miles de tiendas x SKU rápidamente. Muchos estudios de caso citan a RELEX reemplazando hojas de cálculo y sistemas heredados y pudiendo manejar de inmediato granularidad de datos mucho mayor (como pasar de la planificación semanal a la diaria, o la planificación específica de tiendas en lugar de talla única para todos). Para el comercio electrónico, esto significa que RELEX probablemente pueda manejar pronósticos a nivel de SKU para una tienda online global sin problemas. Tienen implementaciones en la nube y pueden escalar. No encontramos quejas específicas sobre los costos de la tecnología de RELEX; si acaso, se enorgullecen de la eficiencia de cálculo (sus fundadores académicos optimizaron mucho los algoritmos). Una cosa que tienen es un concepto de “base de datos en vivo” en memoria, que, si se configura incorrectamente, podría requerir mucha RAM, pero eso es especulativo. En general, la escalabilidad de RELEX no ha sido una bandera roja en el mercado; sirven a grandes cadenas de supermercados con decenas de miles de SKU y muchas tiendas, lo que es un volumen de datos análogo o mayor que el de muchos minoristas en línea.

Automatización y el papel de los planificadores: RELEX a menudo habla de “planificación autónoma” pero también de “decisiones aumentadas”. No posicionan su herramienta como una caja negra que elimina al planificador. De hecho, enfatizan la usabilidad, por ejemplo, su interfaz de usuario, paneles configurables y gestión de excepciones. El sistema generará automáticamente órdenes de compra o recomendaciones de transferencia, pero típicamente un planificador las revisa y aprueba (especialmente en las primeras etapas de adopción). RELEX tiene un concepto de “excepciones de pronóstico” donde si el pronóstico de IA se desvía demasiado debido a alguna anomalía, lo señala. También tienen una capacidad de simulación donde los planificadores pueden ver por qué el sistema está sugiriendo algo (al menos en términos generales, como “porque el clima estaba caliente, predecimos un aumento del +50%”). Mikko Kärkkäinen ha afirmado: “las soluciones de primera clase aprovechan la IA pragmática y la potencia computacional para optimizar tareas… de forma autónoma sin intervención humana” ²³, y también describe “la planificación minorista autónoma que es autoaprendizaje y autoajuste rompe los silos” ⁵. Entonces, al menos en visión, RELEX apunta a un sistema en gran medida autónomo. Seguimos siendo ligeramente escépticos sobre la autonomía total aquí: los grandes minoristas que utilizan RELEX todavía tienen equipos de planificación. Pero es probable que esos equipos administren por excepción ahora, lo que es una forma de autonomía parcial.

Una de las contradicciones a tener en cuenta con RELEX (y proveedores similares) es la promesa de una flexibilidad extrema y una automatización extrema. Afirman que el sistema es muy flexible (por ejemplo, se puede configurar cómo funcionan las reglas de precios o ajustar los modelos de pronóstico), pero también afirman que se autoajusta. Existe una tensión: si un usuario puede anular manualmente muchas cosas, en la práctica el sistema podría depender de esas configuraciones manuales. Si realmente confían en la IA, deberían tener que anular menos y menos. La referencia de RELEX a la “auto-sintonización” implica lo último: que el sistema necesitará menos ajustes manuales de parámetros con el tiempo ⁵. Vimos que el enfoque de RELEX hace que los planificadores sean más supervisores. Por ejemplo, un artículo señaló que el sistema de RELEX liberaba a los planificadores de tareas manuales para centrarse en movimientos estratégicos ²⁴. Sin embargo, una fuente de SelectHub que agregó reseñas dijo que algunos usuarios encontraron partes de RELEX “poco prácticas” y tuvieron problemas como pronosticar ciertas limitaciones (límites de carga) que requerían soluciones alternativas ²⁵. Esto indica que no todo es magia; los usuarios aún encuentran límites donde tienen que intervenir o donde la herramienta no es tan fluida.

Problemas o preocupaciones conocidos: No hay casos de “fracaso” documentados públicamente para RELEX como los hay para algunos (no hay titulares de demandas). La empresa generalmente tiene una buena reputación. Sin embargo, a veces se menciona en conversaciones internas anonimizadas que implementar RELEX en entornos muy grandes y complejos puede sacar a la luz problemas. Por ejemplo, la integración de datos puede ser un desafío (basura entra, basura sale: si los datos del cliente son un desastre, RELEX podría generar planes erróneos, y la culpa recae en la herramienta o en los datos). Además, el crecimiento agresivo de RELEX (han incorporado rápidamente a muchos clientes) significa que algunos clientes pueden no recibir la misma atención personalizada que, por ejemplo, Lokad proporciona. Esto no es una crítica al software en sí, sino a los resultados del mundo real: ¿cuántos proyectos de RELEX cumplen con los KPI prometidos? A los proveedores les encanta citar mejoras en los mejores casos ("¡Reducción del stock en un X% en el cliente Y!"), pero rara vez mencionan casos en los que los números no se materializaron. Sospechamos que RELEX, como todos los proveedores, ha tenido algunos proyectos que no cumplieron, posiblemente debido a una mala gestión del cambio o a que el minorista no confiaba lo suficiente en el sistema como para actuar en consecuencia. En una cumbre de socios, incluso Blue Yonder admitió que una gestión del cambio ineficaz y problemas de datos causan la mayoría de los fracasos de proyectos ²⁶ - lo mismo probablemente se aplica a las implementaciones de RELEX.

Otro aspecto a tener en cuenta: RELEX tiende a incorporar muchos datos externos, incluidos datos como Google Trends, datos de ubicación móvil para predicciones de afluencia, etc. Para un jugador de comercio electrónico, algunos de estos datos (como la afluencia) son irrelevantes, pero otros (clima, tendencias) sí lo son. Uno debería preguntarse: ¿realmente necesito todos estos flujos de datos? Para algunas empresas en línea, modelos simples sobre el historial de ventas podrían ser casi tan buenos. RELEX seguramente venderá la idea de que más datos producen mejores pronósticos. Los resultados de la competencia M5 (en la que RELEX no participó públicamente, que sepamos) mostraron que los modelos sofisticados superaron a los más simples, pero a menudo por pequeños márgenes. Los métodos principales eran a menudo conjuntos de muchos modelos, no muy diferentes de lo que RELEX podría estar haciendo internamente. Pero curiosamente, un enfoque puro de aprendizaje automático no aplastó categóricamente a los métodos tradicionales en esos concursos: una combinación de modelos estadísticos cuidadosamente ajustados tendía a ganar. Entonces, si comparamos las afirmaciones de RELEX con referencias como M5: vemos que el pronóstico probabilístico es realmente valioso (lo cual hacen), pero también vemos que no hay una única fórmula mágica entre los enfoques principales: se trata de modelar cuidadosamente. En ausencia de que RELEX publique su precisión en esos conjuntos de datos estándar, permanecemos cautelosos. El consejo del escéptico para cualquiera que considere RELEX es: pedir evidencia específica de mejora y definir una línea base clara. Por ejemplo, si RELEX dice “mejoramos la precisión del pronóstico en un 30%”, aclare “¿30% en relación con qué métrica y línea base?” Muchas veces, los proveedores miden el aumento frente a un escenario que favorece a su herramienta (por ejemplo, en comparación con pronósticos ingenuos o con un año malo). La guía de este estudio: exigir claridad sobre las líneas base para cualquier afirmación de rendimiento.

En resumen, RELEX Solutions se clasifica como uno de los principales proveedores porque aborda las áreas clave (demanda, inventario, precios) de manera integrada y utiliza técnicas modernas de IA/ML de manera extensiva. Sus fortalezas incluyen pronósticos muy granulares que tienen en cuenta una miríada de factores, capacidades sólidas de planificación promocional y estacional, y una plataforma unificada que brinda a todas las partes interesadas una única fuente de verdad. Cumple con los requisitos de escalabilidad (probado en el comercio minorista a gran escala), de manejo de canibalización (a través de modelos de pronóstico avanzados que consideran efectos entre productos ²⁷), de marketplace/omnicanal (el sistema puede planificar tanto en línea como fuera de línea simultáneamente y probablemente incorporar datos de competidores si se proporcionan). RELEX también avanza hacia la automatización, con afirmaciones de modelos autoajustables y decisiones autónomas, aunque en la práctica queda cierta supervisión por parte del usuario. Las principales advertencias son la complejidad y opacidad que vienen con su enfoque intensivo en IA: los usuarios deben confiar en la caja negra hasta cierto punto, y la necesidad de separar la exageración de la realidad en su marketing. Clasificamos a RELEX muy alto pero con un asterisco: es una herramienta poderosa, pero que requiere una implementación cuidadosa y una cultura basada en datos para aprovecharla al máximo. También alentamos a los usuarios potenciales a estar atentos a la “lavado de IA” en la industria; el mensaje de RELEX está entre los más creíbles (ya que realmente tienen tecnología real bajo el capó), pero incluso las declaraciones de Mikko sobre “cientos de factores” ¹⁷ deben ser vistas como entusiasmo por la IA en lugar de una garantía de resultados drásticamente mejores que un competidor. En un contexto de comercio electrónico, RELEX ciertamente puede hacer el trabajo, solo asegúrese de medir sus resultados rigurosamente y estar atento a si todas esas características sofisticadas realmente se están utilizando en su caso o simplemente están inactivas en el software.

3. Blue Yonder - Gigante Transformador de Legado (Reclamos vs. Realidad)

Blue Yonder (anteriormente conocido como JDA Software) es un gigante en software de cadena de suministro, con décadas de historia en sistemas de planificación para el comercio minorista y la fabricación. Tiene una suite integral que abarca pronósticos, reabastecimiento, gestión de almacenes, transporte, fuerza laboral y precios (después de adquirir el especialista en precios Revionics en 2020). Para los jugadores de comercio electrónico, Blue Yonder ofrece soluciones originalmente construidas para grandes minoristas y empresas de bienes de consumo - piense en él como el gigante empresarial en este espacio. Sin embargo, con ese legado vienen tanto fortalezas (funcionalidad robusta, escalabilidad, experiencia en el dominio) como debilidades significativas (tecnología obsoleta en partes, problemas de integración de múltiples adquisiciones y un historial que incluye algunos fracasos de alto perfil).

En términos de optimización conjunta, la historia de Blue Yonder es un poco mixta. Sí tienen componentes para todas las piezas: por ejemplo, su Luminate Demand Edge para pronósticos, Luminate Allocation/Reabastecimiento para inventario, y Revionics para precios. En teoría, podrías usar los tres y lograr una estrategia coordinada - por ejemplo, los pronósticos alimentan tanto el plan de inventario como los modelos de optimización de precios, y la optimización de precios puede tener en cuenta la elasticidad de la demanda (que es básicamente pronosticar la demanda en diferentes puntos de precio). Blue Yonder ciertamente promociona la idea de de principio a fin, “desde la planificación hasta la ejecución” unificada bajo su plataforma Luminate. Sin embargo, en la práctica, muchos de estos módulos evolucionaron por separado y solo recientemente se unieron. El motor de optimización de precios de Revionics, por ejemplo, tiene su propia herencia y se integró después de la adquisición. El desafío de Blue Yonder es hacer que esto se sienta como una solución coherente. La empresa reconoció que históricamente tenían una suite fragmentada; como resultado, en 2023 anunciaron una importante transformación arquitectónica: pasando a un “único modelo de datos y plataforma de aplicaciones” en la nube de Snowflake ²⁸. Esto es importante - básicamente reingenierizando sus productos para que todos lean/escriban desde un gran repositorio de datos en la nube (Snowflake) para que desaparezcan los silos de datos. El CEO declaró una visión de un “sistema operativo de cadena de suministro para el mundo” donde todas las aplicaciones de BY comparten datos fluidamente ²⁸.

Vemos esta visión como tanto prometedora como problemática. Prometedora porque, si se logra, resolvería muchos dolores de cabeza de integración (por ejemplo, no más interfaces por lotes entre la planificación de la demanda y la fijación de precios, por ejemplo: literalmente verían los mismos datos en Snowflake). Problemática porque es enormemente ambiciosa y arriesgada. Incluso la firma consultora asociada de Blue Yonder señaló: “Si bien es visionaria, creemos que eliminar por completo las integraciones puede ser demasiado optimista para la mayoría de los clientes.” ²⁹. Los clientes tienen datos en muchos lugares, no todo encajará perfectamente en Snowflake, por lo que aún se necesitará integración personalizada para los sistemas que no son de Blue Yonder ²⁹. En resumen, la estrategia de Blue Yonder es un trabajo en progreso - una respuesta a ser considerada como “heredada”. Ellos dijeron explícitamente que no forzarán “eventos abruptos” (abandonar la tecnología antigua de la noche a la mañana) pero gradualmente convertirán en microservicios los módulos heredados, permitiendo a los clientes migrar a su propio ritmo ^{30 31}. Esto significa que actualmente, un cliente de Blue Yonder aún podría estar utilizando, por ejemplo, la antigua planificación de la demanda de JDA localmente, con una integración a Revionics en la nube. La plataforma completamente unificada podría estar a un par de años de distancia para su disponibilidad general. Mientras tanto, la optimización conjunta es más manual con Blue Yonder: podrías usar sus herramientas en conjunto, pero a menudo depende del usuario coordinar (por ejemplo, asegurarse de que las acciones del equipo de fijación de precios se incorporen al plan de inventario).

Blue Yonder cumple con muchos requisitos tecnológicos en teoría: ahora incorporan aprendizaje automático en la previsión (aprovechando la tecnología de la empresa Blue Yonder GmbH que adquirieron en 2018, especializada en IA para el comercio minorista). Afirman utilizar “IA explicativa, aprendizaje automático e incluso IA generativa” en diversas aplicaciones ³². Ciertamente tienen algoritmos avanzados para cosas como la optimización de reabastecimiento, asignación, etc., desarrollados a lo largo de décadas. Pero uno debe ser escéptico porque Blue Yonder también tiene mucha deuda técnica. Muchos de sus algoritmos principales fueron desarrollados en los años 90 o principios de los 2000 por i2 Technologies o JDA. Han sido mejorados, sí, pero hasta la reciente reescritura en la nube, gran parte se ejecutaba en arquitecturas antiguas (algunas soluciones necesitaban bases de datos de Oracle, etc.). Entonces, cuando Blue Yonder promociona la “planificación cognitiva impulsada por ML”, uno debería preguntarse: ¿es realmente una nueva tecnología o simplemente un nuevo nombre? Por ejemplo, su planificación de la demanda podría usar ahora ML para estimar incrementos en la previsión para días festivos, lo cual es bueno, pero ¿la arquitectura subyacente realmente aprovecha la potencia de cálculo en la nube actual, o está limitada por ser adaptada a un sistema heredado?

Un problema histórico concreto: Blue Yonder (JDA) adquirió i2 Technologies en 2010. i2 era conocida por soluciones con un fuerte enfoque en la optimización, pero también por implementaciones fallidas a veces. Famosamente, después de que JDA comprara i2, Dillard’s (una gran tienda por departamentos) ganó una demanda por $246M alegando que el software de i2 no cumplió con las promesas ^{33 34}. Esto fue un gran golpe: básicamente el software y el proyecto fallaron tan gravemente que el cliente recibió daños que excedieron 30 veces lo que pagaron por el software. Esa saga, aunque hace 15 años, destaca que incluso proveedores altamente reputados pueden tener grandes fallos si la tecnología promete demasiado o no se implementa bien. Blue Yonder tuvo que absorber ese costo y aprender lecciones (uno espera). Subraya por qué mantenemos el escepticismo: los grandes proveedores pueden alardear de tener “productos de clase mundial” pero existen pruebas de que no funcionan como se anuncian en algunos casos. Cada proveedor tiene fallos; Blue Yonder al menos tuvo uno llevado a los tribunales públicos.

Para crédito de Blue Yonder, se han vuelto más abiertos al abordar problemas. En su cumbre de socios de 2023, discutieron abiertamente los “proyectos rojos” (implementaciones problemáticas) y encontraron que las principales causas no eran los algoritmos en sí, sino “una gestión del cambio ineficaz y problemas con la migración/integración de datos” ²⁶. Señalaron que tener los datos correctos y apoyar al cliente en la adaptación de procesos eran críticos. Esta introspección es buena: significa que Blue Yonder no está ciego ante las razones por las que los proyectos fallan. También se alinea con nuestro tema de análisis general: a menudo no es que las matemáticas estén mal, es que la integración en el mundo real es difícil. El hecho de que Blue Yonder señale los desafíos de integración de datos es revelador: refleja la complejidad de su suite. Porque si sus módulos estuvieran verdaderamente integrados de manera perfecta, la migración de datos no sería tan problemática. El hecho de que lo sea implica que los clientes pueden haber tenido que hacer una reconciliación de datos importante para usar la suite completa. La capa de datos unificados de Snowflake tiene como objetivo resolver eso, pero como se dijo, es temprano.

Examinemos las capacidades actuales de Blue Yonder para un escenario de comercio electrónico:

• Pronóstico de la demanda: Blue Yonder Luminate Demand (especialmente con Demand Edge) utiliza el aprendizaje automático para incorporar muchos factores (clima, eventos, precios). También se han movido hacia pronósticos probabilísticos; al menos admiten el uso de intervalos de confianza o cuantiles en la planificación. Un ejemplo de su blog: no utilizan la IA solo para agregar factores a una línea base, sino para reconstruir el pronóstico desde cero diariamente utilizando los datos más recientes, contabilizando automáticamente cosas como cambios en el calendario y corrigiéndose a medida que llegan nuevos datos reales ^{35 36}. Afirman que esto elimina la necesidad de que los planificadores realicen ajustes manuales o perfiles para la estacionalidad: el modelo los aprende y se adapta ³⁶. Esto está muy en línea con la práctica de pronóstico de vanguardia. El enfoque de Blue Yonder aquí es sólido en teoría: aprendizaje continuo, reconocimiento de la incertidumbre (hablan sobre el riesgo de sobre/sub-pronóstico y los trade-offs de costos ³⁷), y uso de ML para detectar relaciones complejas (como cómo diferentes condiciones climáticas o promociones impulsan la demanda, sin que un humano codifique explícitamente esas relaciones).
• Inventario y Reabastecimiento: Esta ha sido desde hace mucho tiempo una fortaleza de JDA/Blue Yonder. Ofrecen optimización de inventario multi-escalonado (MEIO), lo que significa que pueden optimizar los niveles de stock en los centros de distribución y centros de cumplimiento para el comercio electrónico, teniendo en cuenta los tiempos de espera, la variabilidad de la demanda, etc., para cumplir con los niveles de servicio objetivo. Las herramientas de Blue Yonder pueden generar cantidades de pedido recomendadas, stocks de seguridad, y así sucesivamente. Históricamente, estos algoritmos se basaban más en reglas/heurísticas o utilizaban programación lineal para problemas específicos. Es probable que ahora estén siendo complementados con predicciones basadas en ML, pero la optimización central probablemente sea una combinación de investigación de operaciones y simulación. BY ciertamente puede manejar la planificación de SKU a gran escala; muchos minoristas de Fortune 500 usaron JDA para el reabastecimiento de tiendas, que es análogo en escala a un gran almacén de comercio electrónico que abastece a los clientes.
• Surtido: Blue Yonder tiene herramientas de gestión de categorías que ayudan a decidir los surtidos (qué mezcla de productos en qué tiendas). Para un jugador exclusivamente de comercio electrónico, la planificación de surtidos podría significar decidir qué nuevos productos listar o eliminar. Las herramientas de BY pueden utilizar atributos y datos de rendimiento para evaluar cambios en el surtido. Sin embargo, ese proceso suele ser estratégico y periódico, no continuo.
• Optimización de precios: Con la adquisición de Revionics, Blue Yonder obtuvo un sólido motor de optimización de precios que se utiliza ampliamente en el comercio minorista (especialmente en cadenas de alimentos y mercancías generales) para establecer precios base, descuentos promocionales y liquidaciones. Revionics utiliza IA para modelar la elasticidad de precios e incluso los impactos de precios competitivos, y luego recomienda cambios de precios que logren objetivos como el crecimiento del margen o de los ingresos, teniendo en cuenta reglas de precios (por ejemplo, precios finales en .99, etc.). Como parte de Blue Yonder, Revionics ahora se conoce como Luminate Pricing. En teoría, ese motor, combinado con las previsiones de demanda de Blue Yonder, cierra el ciclo: se puede simular cómo un cambio de precio afectará a la demanda y al inventario, y elegir un precio óptimo. Blue Yonder comercializa esto como “precios autónomos impulsados por IA”, capaces de ejecutarse tan a menudo como sea necesario (incluso intradía para el comercio electrónico si se desea).

Una gran pregunta: ¿Qué tan bien funcionan realmente estas piezas juntas hoy en día? Blue Yonder afirma que sí lo hacen. Por ejemplo, podrían decir que su solución de precios puede recibir previsiones de su solución de demanda y generar precios que la solución de inventario luego utiliza para planificar pedidos. Pero si esas integraciones no son en tiempo real o requieren trabajo de TI personalizado, es posible que el ciclo no sea tan estrecho como uno esperaría. Realísticamente, un usuario de Blue Yonder en comercio electrónico en 2023 podría utilizar la herramienta de precios por separado de la herramienta de suministro, quizás con actualizaciones semanales por lotes de la elasticidad de la previsión. Eso es planificación conjunta, pero no el santo grial de la optimización conjunta instantánea.

En las afirmaciones de IA/ML, Blue Yonder a veces sufre de un exceso de tecnicismos en marketing. Utilizan términos como “cognitivo”, “impulsado por aprendizaje automático”, etc. Debemos inspeccionar si hay sustancia. Hay algunas pruebas de sustancia: por ejemplo, Blue Yonder (la subsidiaria alemana originalmente) había desarrollado algoritmos que fueron publicados (su equipo ganó una competencia temprana de pronóstico minorista en 2014 utilizando redes neuronales). Además, el portafolio de patentes de Blue Yonder es grande (400+ patentes), lo que indica mucha I+D ³⁸. Sin embargo, la cantidad de patentes no equivale a la calidad del producto, simplemente muestra que han probado muchas técnicas. La perspectiva escéptica es preguntar a Blue Yonder por resultados específicos: por ejemplo, ¿participaron en M5 o en algún benchmark neutral? No públicamente. ¿Hay estudios de caso con números concretos antes/después? Tienen algunos, pero a menudo los estudios de caso de los proveedores son optimistas y carecen de claridad en la línea de base. Blue Yonder dice cosas como “El minorista X vio un aumento del Y% en las ganancias usando nuestros precios” - pero sin contexto, eso es marketing.

También se debe considerar el costo y la complejidad con Blue Yonder. Estos son sistemas empresariales grandes. La implementación puede llevar muchos meses o años e implicar no solo la configuración del software, sino también el rediseño de procesos comerciales. Blue Yonder generalmente requiere sus servicios profesionales o una firma asociada para la implementación. El costo total de propiedad puede ser muy alto (licencia + servicios + TI). Para un jugador de comercio electrónico puro, especialmente uno de tamaño mediano, Blue Yonder podría ser excesivo o demasiado lento de implementar en comparación con soluciones SaaS más ágiles. Incluso las grandes empresas a veces se echan para atrás: un evento revelador en la industria fue Lidl (el gran minorista global) cancelando un proyecto SAP de €500M en 2018 después de no cumplir con las necesidades ³⁹. Eso fue SAP, no Blue Yonder, pero ilustra que los proyectos enormes pueden fracasar, consumiendo presupuestos enormes. Los proyectos de Blue Yonder son igualmente complejos; de hecho, su socio JBF Consulting señaló que el competidor Manhattan Associates tomó un enfoque diferente (requiriendo una reimplementación para su nueva plataforma), mientras que BY está intentando una migración más suave ⁴⁰. El hecho de que Manhattan eligiera un camino de “reimplementación para pasar a nueva tecnología” sugiere que estas transiciones no son triviales. Blue Yonder está tratando de evitar actualizaciones de pesadilla evolucionando lentamente, pero eso también significa que los clientes pueden estar utilizando tecnología no del todo moderna ahora, esperando lo nuevo.

Desde un punto de vista de automatización, es probable que Blue Yonder hoy esté menos automatizado que lo que Lokad o RELEX aspiran a ser. Muchos clientes de BY utilizan las herramientas para generar recomendaciones que los planificadores luego aprueban o ajustan. Blue Yonder promueve el concepto de una “cadena de suministro autónoma” (especialmente desde que fue adquirida por Panasonic en 2021, hablan de conectar datos de IoT a decisiones automatizadas) ⁴¹. Pero es seguro decir que gran parte de su base de clientes todavía está en un modo híbrido: confiando en el sistema para algunas decisiones, anulando manualmente otras. Por ejemplo, un escenario común es que el sistema sugiere pedidos pero un planificador revisa las excepciones (como con RELEX). O el sistema de precios sugiere cambios de precios, pero un gerente de mercadeo los revisa, quizás rechazando algunos que no se alinean con la estrategia de marca. El software puede hacer mucho, pero las empresas tienen procesos establecidos que no cambian de la noche a la mañana.

Inteligencia competitiva y marketplaces: La solución de precios de Blue Yonder (Revionics) incorpora datos de precios competitivos: tiene una función de respuesta competitiva y puede incorporar los precios de los competidores para ajustar los suyos ⁴². Por lo tanto, para el comercio electrónico, si tiene un feed de precios de competidores, Revionics puede incluir eso en su optimización (por ejemplo, no fijar precios por encima de un competidor en más de X% para mantener la imagen de precio, o igualar el precio más bajo cuando sea necesario). Eso es una ventaja en la optimización conjunta de precios. En los marketplaces, Blue Yonder no tiene específicamente un módulo de gestión de marketplaces como lo hacen algunos proveedores específicos de comercio electrónico (como herramientas tipo channel advisor para Amazon). Por lo tanto, uno podría usar Blue Yonder para la planificación central pero aún necesitar una herramienta separada para gestionar tácticas específicas del marketplace (publicidad, buy-box, etc.). Esto está fuera del alcance de Blue Yonder y no es una crítica hacia ellos, solo una nota de que el comercio electrónico tiene facetas que estos proveedores tradicionales no abordan (Lokad o RELEX tampoco cubren la puja de anuncios, etc., para ser justos).

Dada la escala y el legado de Blue Yonder, también se deben escrutar las contradicciones internas en su mensaje. Por ejemplo, Blue Yonder podría promocionar “personalización y precios en tiempo real” en su plataforma de comercio, sin embargo, sus soluciones de planificación históricamente se ejecutaban en ciclos por lotes (planificación nocturna, replanificaciones semanales, etc.). Se están moviendo hacia un uso de datos más en tiempo real (su asociación con Snowflake es en parte para permitir el intercambio de datos casi en tiempo real). Pero si un proveedor afirma “precios dinámicos e inventario en tiempo real”, pregúntese: ¿significa que el sistema recalcula continuamente, o simplemente que puede responder rápidamente si se activa? ¿Y realmente necesita tiempo real para decisiones de surtido? Probablemente no, eso es más estratégico. Por lo tanto, un oído crítico captará cuando el lenguaje de marketing sea incoherente. A veces, el amplio marketing de Blue Yonder cae en la trampa de prometerlo todo (desde estrategias a largo plazo hasta ejecución instantánea). Es sabio delimitar qué funciones son verdaderamente en tiempo real (por ejemplo, su enrutamiento de transporte podría reaccionar a un pedido en minutos) versus cuáles son inherentemente por lotes (como la planificación de surtido es estacional).

Preocupación por el costo de Snowflake: Deberíamos resaltar un punto sutil pero importante: Blue Yonder, al basarse en Snowflake, podría cambiar el modelo de costos para los clientes. En lugar de licencias tradicionales, los clientes podrían terminar pagando por el uso en la nube (créditos de Snowflake) basado en el volumen de datos y la frecuencia de consultas. Si las aplicaciones de Blue Yonder realizan un gran procesamiento en Snowflake, la factura de Snowflake del cliente podría aumentar. Esto es análogo a la antigua facturación de los mainframes de IBM por MIPS: pagas más cuanto más lo usas, lo que puede desincentivar el uso completo del sistema. Blue Yonder y Snowflake presumiblemente acuerdan algún tipo de precios, pero el usuario debe estar atento a la “sorpresa en la factura” si los escenarios de planificación se ejecutan muy a menudo en grandes conjuntos de datos. Es una consideración muy real porque la planificación de la cadena de suministro puede ser intensiva en cómputo (especialmente si se realizan simulaciones de escenarios o cálculos probabilísticos). Un proceso ineficiente en Snowflake podría consumir muchos créditos. Es probable que Blue Yonder haya pensado en esto (tienen que hacerlo funcionar comercialmente), pero es algo de lo que hay que ser consciente. Un modelo de costos desalineado con el valor comercial (como cobrar por los datos procesados en lugar de por los resultados) recuerda a los errores de eras anteriores.

En conclusión, Blue Yonder se clasifica justo por debajo de las soluciones más nuevas de juego puro en cuanto a cumplir con la visión de “próxima generación”. Indudablemente tiene una funcionalidad rica y muchas implementaciones exitosas, pero desde una perspectiva escéptica y técnica, vemos una empresa en transición. Están tratando de modernizarse y al hacerlo hablan mucho sobre IA, integración y automatización. Sin embargo, hasta que esa transformación se haga realidad por completo, los clientes deben ser cautelosos acerca de las brechas entre módulos y el esfuerzo real requerido para lograr los resultados prometidos. La herramienta de Blue Yonder ciertamente puede soportar operaciones de comercio electrónico (muchos minoristas grandes con negocios omnicanal utilizan BY también para su lado de comercio electrónico), y su amplitud es incomparable (ninguno de los otros proveedores tiene un alcance tan amplio, incluyendo cosas como logística). Sin embargo, si una empresa de comercio electrónico solo necesita optimización de la demanda y el suministro, Blue Yonder podría ser demasiado pesado a menos que necesiten específicamente esa robustez empresarial o ya lo utilicen en otras áreas. Nuestro estudio escéptico encuentra que las afirmaciones de Blue Yonder de ser de vanguardia son algo dudosas hasta que se demuestre: la tecnología tiene pedigrí, pero la carga recae en ellos para demostrar que el software de décadas pasadas realmente se ha convertido en “primero en IA” y unificado. Por ahora, recomendamos ver a Blue Yonder como una opción potente pero engorrosa, una que elige si necesita una solución muy extensa y tiene los recursos para implementarla, y quizás no la primera opción si la agilidad y el rápido retorno de la inversión son lo más importante.

4. ToolsGroup – Pionero en Optimización de Inventario que se Expande al Retail Completo

ToolsGroup es un veterano en el espacio de planificación de la cadena de suministro, conocido especialmente por su experiencia en pronóstico de la demanda y optimización de inventario (stock). Su solución estrella, históricamente llamada SO99+ (Service Optimizer 99+), se utilizaba ampliamente para la planificación de inventarios impulsada por el nivel de servicio y la optimización multi-escalonada. En términos más simples, ToolsGroup destacaba en ayudar a las empresas a determinar “¿cuál es el inventario mínimo que necesito en cada ubicación para lograr un nivel de servicio X?” bajo incertidumbre, un problema crítico tanto para la distribución como para el comercio electrónico. ToolsGroup fue uno de los primeros en implementar pronósticos probabilísticos comercialmente, y durante mucho tiempo abogó por alejarse de los pronósticos deterministas y utilizar la distribución completa de la demanda ^{43 2}. Este enfoque está muy alineado con lo que consideramos de vanguardia hoy en día (y que otros proveedores adoptaron más tarde).

En un contexto de comercio electrónico, la fortaleza de ToolsGroup significa que puede manejar un alto número de SKU con demanda errática, y aún así producir objetivos de stock óptimos. Muchos minoristas en línea tienen artículos de “cola larga” que se venden raramente: los modelos probabilísticos de ToolsGroup son naturalmente adecuados para planificar para esos (capturando la naturaleza esporádica de la demanda en lugar de promediarla incorrectamente). También manejan introducciones de nuevos productos, estacionalidad y promociones a través de sus modelos de pronóstico que incorporan aprendizaje automático. Por ejemplo, podrían usar analogías (encontrar el historial de un artículo similar) o modelado basado en atributos para pronosticar un nuevo SKU.

Mientras que históricamente ToolsGroup se enfocaba en inventario y demanda, en los últimos años reconoció que precios, promociones y surtido son piezas complementarias que no ofrecía. Para abordar esto, ToolsGroup adquirió una empresa llamada JustEnough en 2018/2019 (JustEnough luego formó parte de Mi9 Retail y luego fue vendida a ToolsGroup). El software de JustEnough cubría planificación financiera de mercancías, planificación de surtido, asignación y optimización de descuentos - funciones de merchandising minorista que incluyen descuentos de precios. Con esta adquisición, ToolsGroup amplió su alcance desde la cadena de suministro pura hasta lo que podríamos llamar planificación minorista. Ahora comercializan una suite integrada que puede hacer todo, desde la planificación de alto nivel hasta la ejecución, con la combinación de capacidades de SO99+ y JustEnough.

Sin embargo, la integración de estos productos es un punto clave de escepticismo. Fusionar dos plataformas de software diferentes no es trivial. ToolsGroup ha trabajado para integrar modelos de datos (mencionan tener “el mismo modelo de datos para la planificación táctica y operativa” para garantizar una versión única de la verdad ⁴⁴). Incluso lanzaron algo llamado “Retail en Tiempo Real” que conecta el sistema de planificación de JustEnough con un Hub de Inventario para obtener feeds de datos casi en tiempo real ^{45 46}. La idea es que a medida que se realizan ventas (o a medida que se mueve el inventario), esos eventos fluyen instantáneamente al sistema de planificación, y puede replanificar la asignación o el reabastecimiento sobre la marcha. Esto sugiere que ToolsGroup está tratando de habilitar una planificación más dinámica y continua en lugar de ciclos periódicos fijos, un objetivo similar a otros proveedores modernos.

Pero vamos a analizar eso: que ToolsGroup llame a su solución “Retail en Tiempo Real, la única solución que responde al comportamiento de compra en el momento” ⁴⁵ es una afirmación fuerte. Básicamente implica que pueden ajustar el plan tan pronto como algo cambie. Quizás el sistema pueda activar automáticamente una transferencia de stock o acelerar un pedido si las ventas aumentan inesperadamente hoy. Si es cierto, eso es poderoso: difumina la planificación y la ejecución. Sin embargo, la opinión escéptica es que “en tiempo real” probablemente se limite a ciertas funciones (como la reasignación de inventario, que es más fácil de hacer rápidamente) y no a otras (como reoptimizar completamente un surtido, lo cual no harías en tiempo real). También vale la pena señalar que todos los proveedores están utilizando “en tiempo real” en marketing ahora (a menudo significando una actualización cada pocos minutos u horas, lo cual está bien). La propia CEO de ToolsGroup señaló que los minoristas necesitan pivotar rápidamente para evitar la erosión del margen cuando la demanda cambia ⁴⁷, lo cual es cierto. El sistema supuestamente recalcula automáticamente y recomienda pedidos o transferencias tan pronto como llega nueva información ⁴⁸.

Suponiendo que ToolsGroup ha integrado efectivamente JustEnough, un usuario de su sistema podría, por ejemplo, planificar un surtido por tienda o canal utilizando el módulo de JustEnough, luego hacer que eso se alimente en los objetivos de inventario en SO99+, y también planificar precios de liquidación para productos al final de su vida útil utilizando su optimización. Eso cubre aspectos de optimización conjunta, especialmente si los pronósticos de demanda y los parámetros de inventario tienen en cuenta el cronograma de liquidación planificado. Todavía es posiblemente un proceso secuencial (primero decidir las liquidaciones, luego ver el resultado del inventario) a menos que hayan construido un modelo de optimización combinado (lo cual es poco probable en esa amplitud). Pero es una solución unificada en cuanto al flujo de datos.

Donde ToolsGroup cumple claramente con los criterios de vanguardia es en pronósticos probabilísticos y optimización del nivel de servicio. Han insistido durante años en que los pronósticos de un solo número son insuficientes y que se debe planificar con probabilidades. Por ejemplo, no solo producirán “demanda esperada = 100” sino una curva que muestre que hay un 10% de probabilidad de que la demanda sea >120, etc. Luego, su optimización utiliza eso para decidir los niveles de stock de manera que, por ejemplo, el 95% del tiempo se pueda satisfacer la demanda ^{49 50}. Este enfoque maneja inherentemente la incertidumbre e incluso la canibalización en cierta medida (especialmente si se utiliza su modelado para artículos correlacionados). Un aspecto interesante: ToolsGroup a menudo afirmaba que el uso de pronósticos probabilísticos puede extender la vida de los sistemas de planificación ERP heredados (como SAP APO) al proporcionarles mejor información ^{1 51}. Esto subraya que el diferenciador de ToolsGroup estaba principalmente en las matemáticas de pronóstico e inventario en lugar de ser una interfaz de planificación todo en uno.

Ahora, ¿qué hay de la automatización y facilidad de uso? Tradicionalmente, ToolsGroup era más una “máquina de backend” con una interfaz algo torpe, según algunos usuarios. Desde entonces, han mejorado la interfaz (nueva interfaz web, etc.). Pero, lo que es más importante, enfatizan la automatización en la planificación. Sus materiales afirman, por ejemplo, “la automatización incorporada reduce la carga de trabajo de planificación hasta en un 90%” ⁵². También suelen citar a clientes que logran una “reducción del 40-90% en la carga de trabajo del planificador” y una “reducción del 20-30% en el inventario” después de usar ToolsGroup ^{53 54}. Esos son números importantes. La afirmación de reducción de inventario es plausible si una empresa era muy ineficiente antes o mantenía excesivos buffers debido a la falta de confianza en los pronósticos. La reducción de la carga de trabajo del planificador implica que el sistema está haciendo mucho más automáticamente. Esto se alinea con lo que esperamos: un sistema probabilístico debería reducir la lucha contra incendios (ya que se planifica para la incertidumbre, hay menos sorpresas, por lo que los planificadores no están acelerando tanto o reasignando manualmente el stock a último momento). Sin embargo, un escéptico señalaría que una reducción del 90% en la carga de trabajo es probablemente el extremo alto (quizás un caso en el que una empresa pasó de 10 planificadores a 1 después de implementar, posible pero no típico). Y un 20-30% menos de inventario podría ser el resultado de que inicialmente la empresa llevaba demasiado “por si acaso”. En la cadena de suministro, una vez que se optimiza, a menudo se ven reducciones del 10-15% si las cosas estaban moderadamente bien antes. Por lo tanto, sospechamos que los rangos anunciados por ToolsGroup ⁵³ son escenarios ideales. Es instructivo que los presenten como rangos, lo que implica que los resultados varían ampliamente según el cliente.

Una cosa que favorece a ToolsGroup es la estabilidad y el enfoque específico. Han estado haciendo optimización de la cadena de suministro durante 30 años (fundada en 1993). No son tan grandes como Blue Yonder ni tan modernos como RELEX, pero tienen una base de clientes leal y una profunda experiencia en el dominio. Para una empresa de comercio electrónico preocupada principalmente por la rentabilidad del inventario - es decir, no tener demasiados faltantes de stock o excesos de stock - la solución de ToolsGroup es muy madura. Su optimización multi-escalonada podría beneficiar especialmente a los minoristas en línea con múltiples centros de cumplimiento o aquellos que también almacenan en almacenes de terceros, etc. Empujará adecuadamente el inventario hacia donde más se necesita mientras mantiene los buffers centrales delgados.

Sin embargo, el punto débil de ToolsGroup era la optimización de precios. La adquisición de JustEnough les dio optimización de descuentos (decidiendo horarios de descuento para liquidación). Eso es útil para el comercio electrónico con productos estacionales o de moda. Pero aún les falta una verdadera optimización de precios dinámicos como la que tienen Revionics/Blue Yonder o algunos proveedores especializados en precios. La optimización de descuentos se trata de precios de fin de vida útil o promocionales. La optimización regular de precios diarios (para margen o posicionamiento competitivo) no es un punto fuerte conocido de ToolsGroup. Podrían tener capacidades básicas o aprovecharse de socios. Esto significa que si la optimización conjunta de precios + inventario es una prioridad, ToolsGroup podría no ser tan fuerte como Blue Yonder o RELEX que tienen motores de precios dedicados. ToolsGroup aún podría optimizar el inventario asumiendo un precio dado, pero no te dirá el mejor precio a establecer para maximizar el beneficio (aparte de escenarios de liquidación de fin de vida útil). Esta es una distinción importante: su “optimización” es principalmente orientada al suministro (niveles de stock, reabastecimiento) en lugar de dar forma a la demanda (precios, promoción) - a pesar de agregar algunas herramientas de dar forma a la demanda mediante adquisiciones.

En cuanto a la pila tecnológica, ToolsGroup ahora ofrece una opción de SaaS en la nube e incluso posiciona algunas de sus ofertas bajo nombres llamativos como “Inventory Hub” y “Fulfill.io”. Esto muestra que están tratando de modernizarse y quizás atraer a un mercado más amplio, incluidas las empresas de comercio electrónico de tamaño mediano. El motor subyacente todavía utiliza métodos estadísticos avanzados, y probablemente C++ o similar para cálculos. No hemos escuchado que ToolsGroup haya tenido problemas de rendimiento; tienen referencias de clientes con millones de combinaciones de SKU-ubicación. Si acaso, el talón de Aquiles de ToolsGroup podría ser que se le ve como una “herramienta de optimización” - poderosa pero que requiere configuración por parte de expertos. Han intentado simplificar con más aprendizaje automático listo para usar. Por ejemplo, incorporan detección de demanda (usando tendencias a corto plazo para ajustar pronósticos) y afirman usar aprendizaje automático para identificar qué factores influyen más en la demanda ⁵⁵. También desmintieron un mito en su blog de que los pronósticos probabilísticos no pueden ser ajustados por humanos - aclarando que pueden incorporar juicio, pero las matemáticas tendrán en cuenta el sesgo histórico ⁵⁶. Esto refleja un enfoque equilibrado: no eliminan totalmente al humano, pero guían al humano con mejor información.

Efectos de canibalización: El modelo probabilístico de ToolsGroup puede, si está configurado, capturar la canibalización (por ejemplo, si ingresas una relación de sustitución, pueden modelar escenarios donde si un artículo está agotado, parte de la demanda se traslada a otro). Sin embargo, esto probablemente requiere esfuerzo para establecer relaciones o utilizar su aprendizaje automático para agrupar artículos. No está claro qué tan automático es esto. Pero ToolsGroup enfatizó el manejo de “cola larga, demanda intermitente y más canales” en un blog de 2017, básicamente diciendo que estas condiciones rompen las herramientas tradicionales y requieren métodos probabilísticos ⁵⁷. Mencionan específicamente “más canales de mercado, con demanda agregada proveniente de múltiples flujos” como un escenario donde los pronósticos de un solo número fallan, insinuando que su solución maneja mejor los múltiples canales ⁵⁷. Entonces, un minorista en línea que vende en su sitio web y en Amazon, por ejemplo, podría usar ToolsGroup para planificar la demanda combinada. La herramienta produciría un pronóstico total y quizás te permitiría asignar inventario por canal de manera óptima (aunque la asignación de canal suele ser más sencilla cuando todo se envía desde los mismos centros de cumplimiento, pero en caso de piscinas de stock separadas, es importante).

Un aspecto a tener en cuenta con ToolsGroup (como con cualquier proveedor de suites adquiridas) es la coherencia en la experiencia del usuario. ¿Están ahora todos los módulos de pronóstico, inventario y surtido en una sola interfaz de usuario, o se siente como si se estuviera saltando entre sistemas? Han trabajado en unificar la interfaz, pero se necesitaría la retroalimentación de los usuarios. No es tan unificado como la única plataforma de RELEX construida internamente, presumiblemente.

En cuanto al historial, ToolsGroup tiene muchos casos de éxito, destacando a menudo la reducción de inventario y la mejora del nivel de servicio. No tienen un gran fiasco conocido públicamente como lo hicieron SAP o JDA. Son más pequeños, por lo que cada proyecto podría recibir más atención. Dicho esto, debido a que a menudo vendieron a empresas de fabricación/distribución, algunos profesionales del comercio minorista/ecommerce no los conocen tan bien. Su incursión en el comercio minorista a través de JustEnough significa que algunos clientes antiguos de JustEnough ahora utilizan ToolsGroup. JustEnough en sí mismo tuvo críticas mixtas (era decente en la planificación pero quizás limitado en escalabilidad - no está claro). Por lo tanto, ToolsGroup tuvo que reforzar esos módulos. Como escépticos, aconsejaríamos verificar cuán integrados están realmente los análisis. Por ejemplo, ¿puede el sistema reconocer automáticamente que una promoción planificada en el módulo de JustEnough debería ajustar el pronóstico de demanda en SO99+? Probablemente sí, habrían integrado incrementos promocionales. Mencionan que “los insights de detección de demanda ayudan a ajustar el pronóstico estadístico” ⁵⁸, lo que implica que consideran cosas como promociones o tendencias recientes para ajustar los pronósticos base.

Para resumir la evaluación de ToolsGroup: Es muy fuerte en su nicho original (pronóstico e inventario) - probablemente el mejor en optimización de inventario probabilístico - y se está ampliando para cubrir precios y surtido, aunque esas capacidades más nuevas aún pueden no igualar a competidores especializados. ToolsGroup cumple con muchos de nuestros criterios de vanguardia:

• ¿Pronósticos probabilísticos? Sí, han defendido eso ^{49 43}.
• ¿Optimización económica? Implícitamente sí para inventario (optimizan los compromisos entre servicio y costo), aunque no tan explícitamente en cuanto a ganancias como lo hace Lokad. Es más “alcanzar el objetivo de servicio con el inventario mínimo” que es una forma de optimización de costos.
• ¿Escalabilidad? En general sí, no hay campanas de alarma. Y su enfoque es eficiente (no es fuerza bruta).
• ¿Canibalización? Posiblemente, a través de modelado avanzado, pero no es su principal reclamo a la fama.
• ¿Mercado/competencia? No inherentemente - manejarías eso externamente o a través de insumos. ToolsGroup no rastreará los precios de los competidores por ti o algo así.
• ¿Automatización? Sí, alta. Después de la configuración, muchas tareas de planificación pueden automatizarse con su sistema emitiendo propuestas de pedido que los planificadores simplemente aprueban. Promocionan enormes reducciones de carga de trabajo y menos sesgo humano.
• Escepticismo ante las afirmaciones del proveedor: El marketing de ToolsGroup es en realidad algo moderado en comparación con otros, aparte de esas estadísticas de mejora que ya tomamos con precaución. Se centran en lo que hace la tecnología (sus blogs educativos sobre planificación probabilística son sustanciales, no solo palabrería). Pero ahora también se suman al juego de moda de la inteligencia artificial, llamando a todo “potenciado por IA”. Sin embargo, notamos que mantienen un pie en la investigación operativa tradicional (OR) y otro en ML, lo cual es una mezcla saludable.

Un dato externo: Las revisiones de firmas analistas (como Gartner) a menudo colocan a ToolsGroup en liderazgo para la Planificación de la Cadena de Suministro, pero podrían comentar que la capacidad de ToolsGroup es profunda más que amplia, y que la interfaz de usuario históricamente era menos moderna. Esto se aborda parcialmente ahora (nueva interfaz de usuario, integración).

Para un jugador puro de comercio electrónico, la decisión de optar por ToolsGroup probablemente dependería de si la optimización de inventario es el principal problema y si necesitan una solución probada y algo autónoma para eso. Si es así, ToolsGroup podría ser una excelente opción, brindando rápidos éxitos en la reducción de stock y la mejora del servicio. Sin embargo, si el negocio de comercio electrónico también busca optimizar en gran medida los precios o implementar estrategias de descuento omnicanal de vanguardia, ToolsGroup podría no ser tan rico en funciones como Blue Yonder o RELEX o una herramienta de precios dedicada. Podría requerir la combinación con otra solución de precios, lo que luego conlleva desafíos de integración. (Curiosamente, ToolsGroup podría no oponerse a eso, ya que históricamente a veces coexistían con otros, centrándose en el inventario mientras que otro sistema se encargaba de los precios).

En conclusión, ToolsGroup se clasifica como un proveedor técnica y sólidamente especializado convertido en suite. Apreciamos su rigor ingenieril en la previsión y su enfoque directo de la incertidumbre (han desacreditado desde hace mucho tiempo el problema de “la previsión siempre es incorrecta” al planificar con probabilidades). Permanecemos cautelosos sobre la reciente expansión: si sus módulos minoristas recién integrados funcionan al mismo nivel que su núcleo. La contradicción interna que observamos es su afirmación de estar completamente integrados ahora: si se muestran grietas (como la necesidad de exportar/importar datos manualmente entre módulos), eso socavaría la presentación. Pero según la información disponible, ToolsGroup parece estar ofreciendo una experiencia más unificada después de JustEnough. Incluso se alinean con la tendencia del uso de datos en tiempo real en la planificación, lo cual es loable.

Finalmente, al igual que hicimos con otros: escrutinio de las afirmaciones del proveedor para ToolsGroup. Cuando dicen, por ejemplo, “Disponibilidad de producto del 90+%, 20-30% menos de inventario, 40-90% menos de carga de trabajo” ^{53 54} – es saludable ser escéptico y ver esto como resultados alcanzables pero no garantizados. Es probable que esos números provengan de diferentes clientes que alcanzan uno de esos altos niveles, no que un cliente alcance todos simultáneamente. Nadie debería esperar que su inventario disminuya un 30% mientras el servicio aumenta a >90% y los planificadores se reducen en un 90% todo de una vez. La realidad generalmente implica compensaciones y mejoras incrementales. La metodología de ToolsGroup absolutamente puede impulsar mejoras significativas, pero recomendamos establecer objetivos realistas y medir a medida que avanza. La buena noticia es que el enfoque de ToolsGroup en resultados medibles (porcentaje de servicio, $$ de inventario) se ajusta a un enfoque de búsqueda de la verdad: es muy claro si está funcionando o no al observar esas métricas.

---

Cortando a través de la exageración: Lecciones y Recomendaciones

En estos proveedores, surgieron algunas temáticas comunes de exageración vs realidad que un tomador de decisiones de comercio electrónico debe tener en cuenta:

• Cuidado con las Palabras de Moda: Términos como “impulsado por IA, cognitivo, detección de demanda, en tiempo real, autónomo” se utilizan con frecuencia. Asegúrate de que estén respaldados por capacidades concretas. Por ejemplo, “detección de demanda” suena genial: utilizar las ventas de ayer o las conversaciones en redes sociales para ajustar el pronóstico de hoy, pero en la práctica puede que solo ajuste ligeramente los números y básicamente sea solo un pronóstico a corto plazo. Expertos de la industria han etiquetado la detección de demanda como posiblemente “mootware” – algo que existe pero que no aporta valor material más allá de lo que ya hace un buen pronóstico ⁵⁹. No te dejes llevar por conceptos de “vaporware” sin evidencia. Pregunta al proveedor: ¿qué exactamente hace su IA que mi proceso actual no puede, y pueden demostrarlo? Si dicen “consideramos 300 factores”, desafíalos sobre si esos factores realmente tienen un impacto significativo o solo hacen una bonita presentación.
• Línea de Base y Referencias: Siempre establece una línea de base clara (por ejemplo, los giros de stock del año pasado, la tasa de cumplimiento, el margen bruto) y verifica si el proveedor estará de acuerdo en medir la mejora en comparación con ella. Muchos afirman mejoras porcentuales que suenan enormes pero carecen de contexto. Además, busca cualquier participación en referencias externas (como competencias de pronóstico o estudios de casos públicos con números concretos). La competencia M5 fue una de esas referencias que separó el trigo de la paja en el pronóstico, notablemente, ninguno de los grandes proveedores tradicionales publicó resultados allí, mientras que un jugador más pequeño (Lokad) lo hizo y se destacó ⁶⁰. Eso te dice quién confía en su tecnología.
• Complejidad de Integración: Si un proveedor creció a través de adquisiciones (Blue Yonder, ToolsGroup), desconfía de promesas de que “ahora es una sola plataforma”. A menudo lleva años integrarlo verdaderamente. Durante ese tiempo, es posible que estés utilizando sistemas separados con algunas interfaces. Puede haber costos ocultos en la implementación para conectar las cosas. Además, dos componentes adquiridos pueden no compartir la misma noción de ciertos datos (por ejemplo, uno utiliza intervalos semanales, otro diarios, o definiciones de jerarquía de productos diferentes). Esto puede llevar a compromisos o desalineaciones. Es sabio hablar con clientes de referencia sobre su experiencia integrando módulos.
• Estructura de Costos: Evalúa no solo los costos de licencia/suscripción de software, sino también los costos de ejecución (si corresponde) y la infraestructura requerida. Como se mencionó, una solución que depende de algo como Snowflake puede trasladarte esos costos de ejecución en la nube. O una solución que requiere mucha memoria podría obligarte a utilizar instancias de nube de alto nivel. Un proveedor podría cotizar una tarifa de suscripción más alta pero incluir todos los cálculos; otro podría ser más barato pero tendrías que pagar una gran factura de AWS/Azure por la computación necesaria. Asegúrate de estar comparando el costo total de propiedad. Mencionamos cómo el modelo de Snowflake podría reflejar las desventajas de los mainframes de IBM - mantén un ojo en las tarifas basadas en el uso y exige transparencia a los proveedores que utilizan ese modelo.
• Cada Proveedor Tiene Fracasos: Es importante recordar que ningún proveedor destacará sus proyectos fallidos, pero todos los tienen. La implementación es tan importante como la herramienta. Vimos cómo incluso los principales proveedores como SAP o i2 (ahora bajo Blue Yonder) tuvieron fracasos multimillonarios ^{39 33}. A menudo las razones son datos deficientes, expectativas desalineadas o la empresa no adoptando las salidas del sistema. Al evaluar, pregunta a los proveedores cómo manejan los proyectos que no están alcanzando los objetivos. ¿Tienen ejemplos (anonimizados) de lecciones aprendidas? Blue Yonder mostró cierta humildad al reconocer las causas comunes de fracaso ²⁶. Un proveedor que dice “tenemos una tasa de éxito del 100%” no está siendo realista. Insiste en discusiones sobre lo que podría salir mal y cómo lo mitigan.
• Contradicciones en Tiempo Real vs Profundidad Analítica: Como se mencionó, algunas analíticas (como la planificación de surtido a nivel de red) no pueden ser verdaderamente en tiempo real, requieren un gran procesamiento de datos y deliberación empresarial. Si un proveedor afirma tanto “respuesta en tiempo real” como “optimización holística”, debes discernir a qué partes de su solución se refiere cada promesa. Por ejemplo, ToolsGroup puede actualizar posiciones de inventario en tiempo real, pero su optimización central podría ejecutarse diariamente. RELEX puede procesar datos casi en tiempo real, pero planificar ciertas cosas (como la optimización de precios basada en IA) aún puede ser un proceso por lotes durante la noche. Comprende el ritmo de cada parte de la solución en relación con las necesidades de tu negocio. El tiempo real es crucial para la ejecución (como actualizar el inventario disponible para prometer o la fijación dinámica de precios sobre la marcha), pero para decisiones estratégicas, la profundidad y el rigor importan más que la velocidad.
• Anulación Humana vs Autonomía: Todos los proveedores afirman algún nivel de autonomía, pero también que permiten la entrada humana. Es un espectro. La pregunta clave: ¿El sistema predetermina la operación sin supervisión con solo excepciones señaladas, o predetermina la necesidad de revisión por parte del usuario para cada decisión? Para obtener verdaderos beneficios de eficiencia, deseas lo primero. Una señal de alerta es si el proveedor enfatiza cuántas palancas y opciones de configuración tiene el usuario, eso puede indicar que la herramienta podría necesitar mucha supervisión para obtener buenos resultados (lo que contradice la promesa de automatización). Idealmente, la herramienta debería ajustar esas palancas automáticamente (como Blue Yonder eliminando la necesidad de establecer perfiles estacionales manualmente mediante el uso de ML ³⁶). Confía pero verifica: durante demostraciones o pruebas, observa cuánta ajuste manual se requirió para que los resultados de la demostración se vean bien.
• Detalles de IA/ML: Profundiza en las afirmaciones de IA del proveedor. Pregunta: ¿Están utilizando aprendizaje automático para la previsión? ¿Qué algoritmos (si pueden decirlo)? ¿Utilizan alguna biblioteca de código abierto (si todo es propietario, a veces eso es una señal de que no se han mantenido al día con las últimas técnicas; todas las principales soluciones de IA incorporan código abierto como TensorFlow/PyTorch o al menos algoritmos conocidos)? Si un proveedor habla vagamente sobre un “motor de IA propietario” pero no puede explicarlo en términos sencillos, sé escéptico. Por el contrario, si pueden articular por ejemplo “utilizamos aumento de gradiente para las previsiones básicas y un modelo de aprendizaje por refuerzo para la fijación de precios”, eso muestra una inversión concreta en tecnología. Además, verifica si su equipo ha publicado o participado en foros académicos o de la industria sobre sus métodos, una señal de seriedad.

Finalmente, subrayamos una mentalidad de búsqueda de la verdad: insiste en datos y resultados de prueba sobre promesas brillantes. Si es posible, realiza un piloto o prueba de concepto donde a cada proveedor se le dé un subconjunto de tus datos para prever u optimizar, y evalúa los resultados cuantitativamente. Por ejemplo, proporciona dos años de historial y permíteles prever el tercer año (del cual tienes datos reales) - observa quién se acerca más o quién identifica los patrones de demanda complicados. O haz que optimicen un escenario y luego simula los resultados de costos/servicio utilizando tu demanda real para validar. Pocos proveedores se ofrecerán voluntariamente a una competencia, pero los buenos a menudo lo harán porque respaldan su ciencia. Lokad, por ejemplo, a menudo se involucra a través de proyectos piloto. Blue Yonder y RELEX a veces realizan fases de “descubrimiento” que se asemejan a pilotos. Solo asegúrate de tener criterios de éxito claros para esos.

Al final, el mercado de software de optimización de comercio electrónico no carece de autoproclamados “milagros de IA”, pero aplicando un profundo escepticismo y exigiendo evidencia de ingeniería, se puede filtrar el ruido. Este estudio encontró que Lokad lidera en innovación técnica y enfoque, RELEX en funcionalidad minorista unificada (con algo de exageración para tener en cuenta), Blue Yonder en amplitud y experiencia (en medio de una difícil renovación tecnológica), y ToolsGroup en fortalezas de optimización especializadas (con una integración en crecimiento). Cada uno puede ofrecer beneficios significativos, pero ninguno es una panacea lista para usar. La verdad es que la optimización exitosa proviene de la herramienta adecuada y de la estrategia de implementación correcta. Con las ideas y puntos de precaución expuestos anteriormente, una empresa de comercio electrónico puede acercarse a estos proveedores con ojos claros y tomar una decisión fundamentada en hechos y razonamientos sólidos, no solo en el atractivo del marketing.

Notas al pie