Software de Optimización para Retail

Por Léon Levinas-Ménard

Última modificación: 2 de febrero de 2025

Introducción: Los minoristas de hoy enfrentan complejos problemas de optimización que abarcan niveles de inventario, estrategias de precios y surtidos de productos. Una gama de proveedores de software prometen soluciones “impulsadas por IA” para abordar estos desafíos, pero separar la verdadera innovación tecnológica de los sistemas heredados y el bombo publicitario requiere escrutinio. Este estudio evalúa a los principales proveedores de software de optimización para retail contra criterios rigurosos. Nos enfocamos en las capacidades de optimización conjunta (inventario, precios y surtido juntos), forecast probabilístico (verdaderos forecasts de IA/ML vs. métodos simplistas), modelado de decisiones económicas (decisiones basadas en ganancias y costos de oportunidad en lugar de reglas estáticas), escalabilidad y eficiencia de costos (capacidad para manejar grandes redes de retail sin requerimientos de hardware exorbitantes), manejo de factores de retail complejos (por ejemplo, canibalización de productos, efectos de sustitución, perecederos/caducidad), automatización (nivel de toma de decisiones autónoma vs. intervención manual requerida), integración de tecnología (una pila de tecnología coherente vs. plataformas “Frankenstein” ensambladas a partir de adquisiciones), y un ojo escéptico hacia las palabras de moda (“sensibilidad a la demanda”, “plug-and-play”, etc.). Cada proveedor es analizado con profundidad de ingeniería, utilizando evidencia creíble y minimizando la dependencia del marketing del proveedor. A continuación, clasificamos a los proveedores de más avanzado a menos, destacando fortalezas, debilidades y la verdad detrás de sus afirmaciones.

Criterios de Evaluación para Plataformas de Optimización de Retail

Antes de sumergirnos en los perfiles de los proveedores, resumimos los criterios de evaluación clave aplicados:

Optimización Conjunta (Inventario + Precios + Surtido): ¿La solución optimiza estas dimensiones de manera holística, reconociendo su interdependencia? ¿O estas funciones están aisladas? Las plataformas verdaderamente avanzadas tratan los precios, el inventario y el surtido como palancas integradas de un problema de optimización, en lugar de módulos separados ¹. Por ejemplo, cambiar un precio debería retroalimentar los forecasts de inventario y las decisiones de surtido en un modelo unificado.
Forecast Probabilístico & IA: ¿El proveedor emplea IA/machine learning moderna para producir forecasts probabilísticos (distribuciones de demanda en lugar de predicciones de un solo punto)? El forecast probabilístico es crítico para decisiones robustas bajo incertidumbre ². Buscamos evidencia de modelos de machine learning, redes neuronales u otra IA que mejore la precisión del forecast al aprender patrones complejos (estacionalidad, tendencias, promociones, etc.) y cuantificar la incertidumbre. Los proveedores que aún dependen de métodos simplistas (como ajuste manual o fórmulas básicas) o tratan los forecasts como puntos deterministas son penalizados.
Toma de Decisiones Económicas: ¿Las decisiones de la plataforma están impulsadas por objetivos económicos (maximización de beneficios, compensaciones de costo-de-stock vs. faltante de stock, ROI del espacio en estantería, etc.)? Optimizar el retail requiere más que alcanzar tasas de llenado, significa maximizar la ganancia esperada bajo incertidumbre. Favorecemos soluciones que incorporan márgenes, costos de mantenimiento, costos de rebaja y costos de oportunidad en sus algoritmos. Las heurísticas basadas en reglas o los objetivos de nivel de servicio pueden quedarse cortos si ignoran el objetivo final de rentabilidad ³.
Escalabilidad y Eficiencia de Costos: ¿Puede el software manejar datos de retail a escala empresarial (miles de tiendas, millones de SKUs, altos volúmenes de transacciones) de manera eficiente? Las soluciones que dependen de cálculos monolíticos en memoria (por ejemplo, cargar conjuntos de datos completos en RAM) pueden tener dificultades a gran escala o requerir hardware prohibitivamente caro ⁴. Preferimos arquitecturas nativas de la nube, microservicios y computación distribuida que escalen de manera rentable, y penalizamos a aquellos conocidos por altos costos de hardware o rendimiento lento en big data.
Manejo de Factores de Retail Complejos: La demanda real de retail es complicada: la canibalización de productos (la promoción de un producto roba ventas a otro ⁵ ⁶), los efectos de sustitución (cuando un artículo está agotado, la demanda de un artículo similar aumenta), los efectos “halo” (productos complementarios que se impulsan mutuamente ⁷), los picos estacionales, la variación regional y los bienes perecederos con fechas de vencimiento. Evaluamos si los algoritmos de cada proveedor abordan explícitamente estas complejidades, por ejemplo, utilizando machine learning para identificar relaciones entre productos ⁸ ⁹, o rastreando el inventario por lote de vencimiento. Las soluciones que asumen que la demanda de cada producto es independiente o ignoran la perecibilidad son menos a prueba de futuro para el retail moderno.
Automatización y Operación Desatendida: La promesa del “retail autónomo” es que el sistema puede tomar la mayoría de las decisiones operativas (órdenes, cambios de precios, rebajas, cambios de surtido) automáticamente, permitiendo a los humanos centrarse en excepciones estratégicas. Evaluamos si el software permite planificación “sin contacto” - por ejemplo, órdenes de reposición automáticas basadas en forecasts, ajustes de precios automáticos dentro de límites - o si todavía depende de los planificadores para revisar y anular decisiones constantemente. Los proveedores que promocionan la IA deberían idealmente reducir la carga de trabajo manual (“tedio de planificación” como uno lo llama ¹⁰), no aumentarla.
Integración de Tecnología vs. Plataformas Frankenstein: Muchos grandes proveedores crecieron a través de adquisiciones, añadiendo por separado herramientas de pronóstico, precios y planificación bajo una misma marca. Examinamos si la solución del proveedor es una plataforma coherente o un mosaico de módulos con diferentes UIs y modelos de datos. La integración “Frankensoft” a menudo conduce a alta complejidad y tiempos de implementación ¹¹. Las soluciones verdaderamente modernas tienden a estar construidas sobre una pila de tecnología unificada o al menos integradas sin problemas a través de microservicios. Penalizamos a los proveedores donde las piezas todavía no encajan completamente (a pesar de las afirmaciones de marketing de una plataforma “unificada”).
Escepticismo de Palabras de Moda y Exageraciones: El espacio tecnológico de retail está lleno de palabras de moda como “sensibilidad a la demanda”, “integración plug-and-play impulsada por IA”, “supply chain cognitiva”, etc. Nuestro análisis filtra afirmaciones vagas y busca sustanciación. Los proveedores que se apoyan en jerga sin explicaciones claras o respaldo revisado por pares son vistos críticamente. Por ejemplo, la “sensibilidad a la demanda” a menudo se cita como una cura para todo, pero algunos expertos la etiquetan como un truco de marketing que no ofrece valor novedoso ¹². Señalamos tales casos y favorecemos a los proveedores que proporcionan evidencia concreta y creíble de sus capacidades.

Con estos criterios en mente, examinemos a los principales proveedores en optimización de retail y clasifiquémoslos. Cada sección de proveedor destaca cómo se miden en cada dimensión, con una mirada particularmente escéptica a las afirmaciones exageradas.

1. Lokad – Optimización Unificada, Probabilística con IA Escéptica

Lokad es un nuevo participante (fundado en 2008) que ha construido su plataforma desde cero alrededor de forecasting probabilístico y optimización de decisiones para retail y supply chain. A diferencia de muchos competidores, Lokad se propuso explícitamente unificar precios, inventario y planificación de la demanda en un solo sistema, en lugar de tratarlos como silos separados ¹³ ¹⁴. Este enfoque se basa en la comprensión de que las decisiones de precios influyen directamente en la demanda y las necesidades de inventario, y viceversa. El fundador de Lokad ha señalado que históricamente el forecasting y la fijación de precios eran manejados por diferentes herramientas, pero en realidad “la demanda y los precios están profundamente interconectados”, lo que llevó a Lokad a fusionar estas funciones en un solo marco analítico ¹⁵ ¹⁶. Incluso desarrollaron su propio lenguaje de programación específico para el dominio (“Envision”) para modelar decisiones de supply chain, permitiendo una optimización altamente personalizada que puede abarcar la lógica de precios, inventario y surtido juntos ¹⁷ ¹⁶.

Optimización Conjunta: La filosofía de Lokad es que no puedes optimizar el inventario sin tener en cuenta la estrategia de precios, y viceversa. Han integrado la fijación de precios y la planificación de la demanda en una sola plataforma, por ejemplo, su sistema puede optimizar las cantidades de reordenamiento mientras sugiere ajustes de precios simultáneamente, asegurando que los precios no estén impulsando la demanda fuera de sincronía con el inventario ¹. Un estudio de caso interno discute una estrategia de “precios basados en stock” donde los precios se ajustan dinámicamente en función de los niveles de inventario, coordinando efectivamente la fijación de precios con la disponibilidad de inventario. Al compartir los mismos datos (historial de ventas, información del producto, etc.) para ambos modelos de precios y forecasting, Lokad evita los silos de datos vistos en el IT de retail tradicional ¹⁸ ¹⁶. Este enfoque conjunto es de vanguardia, aunque requiere que los minoristas adopten la fijación de precios algorítmica, un aspecto significativo de cambio de gestión. La disposición de Lokad para abordar los precios y el inventario juntos le da una capacidad realmente progresista que pocos proveedores heredados han logrado.

Forecasting Probabilístico y IA: Lokad es un fuerte defensor del forecasting probabilístico. Su plataforma produce distribuciones de probabilidad completas de la demanda (para cada artículo y período) en lugar de forecasts de un solo punto. Lokad argumenta, y nosotros concordamos, que “para las supply chains, los forecasts probabilísticos son esenciales para producir decisiones robustas contra condiciones futuras inciertas”, permitiendo la optimización de decisiones basadas en valores esperados y riesgo ³. Al capturar el rango de posibles resultados de demanda y sus probabilidades, los forecasts de Lokad apoyan naturalmente la toma de decisiones económicas: “la perspectiva probabilística se presta naturalmente a la priorización económica de decisiones basadas en sus retornos esperados pero inciertos.” ³ En la práctica, esto significa que Lokad puede evaluar, por ejemplo, la rentabilidad esperada de almacenar una caja extra de un producto versus el riesgo de desperdicio, utilizando la distribución completa de la demanda. Técnicamente, Lokad emplea modelos de machine learning de vanguardia (incluyendo regresión cuantil y deep learning) para generar estos forecasts, y han publicado evidencia de usar técnicas como programación diferenciable para series de tiempo. Debido a que su enfoque está en la precisión de la IA y la cuantificación de la incertidumbre, evitan métricas simplistas; notablemente, critican medidas como MAPE (Mean Absolute Percentage Error) cuando se aplican a forecasts probabilísticos como conceptualmente inválidos ¹⁹. Esto demuestra una profundidad de comprensión del forecasting que los distingue de los proveedores que ponen “IA” en estadísticas heredadas. La tecnología de forecasting de Lokad es claramente de última generación, aunque a veces requiere una configuración experta utilizando su lenguaje de scripting.

Lógica de Decisión Económica: Todo el marco de trabajo de Lokad está construido en torno a la optimización económica. A menudo enmarcan los problemas de supply chain como “maximización del beneficio esperado” bajo incertidumbre, en lugar de alcanzar tasas de llenado arbitrarias o minimizar los faltantes de stock. Por ejemplo, sus algoritmos consideran costos de oportunidad de faltantes de stock, costos de mantenimiento y costos de reducción explícitamente al recomendar compras de inventario o cambios de precio. Debido a que generan forecast probabilísticos, pueden calcular la rentabilidad esperada de cada decisión (por ejemplo, cuánto beneficio se obtiene al almacenar una unidad más frente a la posibilidad de que no se venda). Esto va un paso más allá de muchas herramientas que dependen de los objetivos de nivel de servicio establecidos por el usuario; Lokad intenta calcular el nivel de servicio óptimo por artículo dinámicamente a partir de la economía. En esencia, sus decisiones están directamente vinculadas a los resultados financieros (por ejemplo, maximizar la contribución al margen esperado), alineándose con el criterio de optimización impulsada por la rentabilidad. Este enfoque se basa en su creencia de que la optimización de la supply chain no se trata solo de reducir costos sino de asignar recursos para maximizar los retornos. Una consecuencia es la capacidad de hacer cosas como optimización de precios con forecast de demanda combinado - evitando la trampa de las herramientas de precios que ignoran las restricciones de inventario. Lokad advierte que “optimizar los precios de forma aislada - independiente del forecast de demanda - es un error” ²⁰ ²¹. Al incorporar los precios en el ciclo de forecast/optimización, aseguran que los cálculos de beneficios reflejen la verdadera respuesta de la demanda. En general, la orientación económica de Lokad es de las mejores en su clase; sin embargo, requiere confianza en el algoritmo. Los minoristas deben estar dispuestos a permitir que un algoritmo haga compensaciones de rentabilidad que los planificadores solían manejar manualmente, lo cual puede ser un obstáculo cultural.

Escalabilidad y Arquitectura: Lokad ofrece su solución como un servicio basado en la nube (a menudo en la infraestructura de Microsoft Azure). En lugar de requerir que los clientes ejecuten servidores pesados en memoria en sus instalaciones, Lokad ejecuta cálculos en su clúster en la nube, escalando según sea necesario. Este modelo de cálculo bajo demanda evita el enfoque de “cubo en memoria cableado” que utilizan algunas herramientas heredadas, que “proporciona informes en tiempo real impresionantes pero garantiza altos costos de hardware” ²². En contraste, Lokad puede procesar grandes conjuntos de datos distribuyendo la carga de trabajo en la nube, y los clientes solo pagan por el tiempo de cálculo utilizado. Esto es eficiente en costos y escalable: se pueden lanzar más nodos de cálculo a un problema grande durante unas pocas horas en lugar de dimensionar un servidor permanente para la carga máxima. La arquitectura de Lokad es primero código (a través de scripts Envision), lo que significa que los cálculos complejos se compilan y ejecutan de manera eficiente en el servidor, no se realizan en una interfaz de escritorio torpe. Este diseño ha demostrado ser capaz en conjuntos de datos de retail razonablemente grandes (citan a clientes con decenas de millones de combinaciones de SKU-ubicación). Sin embargo, vale la pena señalar que Lokad es un proveedor más pequeño, y su escalabilidad, aunque generalmente sólida, puede que aún no haya sido probada en los conjuntos de datos de retail más grandes (por ejemplo, a escala de Walmart) al grado de un SAP o Oracle. Dicho esto, su enfoque en la nube es fundamentalmente más escalable que los sistemas heredados en memoria en las instalaciones. La eficiencia de costos también es alta: los usuarios no se ven obligados a licenciar hardware masivo o pagar por cálculo en reposo, ya que la tarificación de SaaS de Lokad se basa en el uso. En resumen, la moderna arquitectura en la nube de Lokad le da una ventaja en escalabilidad y costo, siempre que los clientes estén abiertos a un sistema menos tradicional, impulsado por código.

Manejo de Factores Complejos de Retail: Debido a que la plataforma de Lokad es esencialmente un entorno de programación flexible para la optimización, puede ser configurada para manejar fenómenos de retail complejos de manera explícita. Por ejemplo, los usuarios pueden modelar interrelaciones de productos (sustitutos o complementos) en sus scripts de Envision para que los forecasts y las órdenes tengan en cuenta los efectos de canibalización o halo. Si el producto A y B son sustitutos, el sistema de Lokad puede ingerir datos transaccionales y aprender que cuando A está faltante de stock, las ventas de B aumentan, ajustando los forecasts en consecuencia. Esta no es necesariamente una característica fuera de la caja activada por una casilla de verificación, requiere trabajo de ciencia de datos para configurar el modelo correcto, pero la capacidad está ahí. De manera similar, los efectos de promoción pueden ser modelados: Lokad puede usar calendarios de promociones como entradas e incluso optimizar los precios promocionales. En productos perecederos y fechas de vencimiento, Lokad puede incorporar la vida útil restante en su lógica de optimización (por ejemplo, aumentando la prioridad de vender artículos a medida que se acercan a la caducidad a través de descuentos en el precio o evitando el sobreabastecimiento de productos de corta vida). La principal fortaleza es la flexibilidad: a diferencia de los sistemas heredados rígidos, el enfoque de Lokad puede codificar prácticamente cualquier restricción o factor, siempre que tenga datos y experiencia. La desventaja es que puede que no tenga un “módulo de canibalización” preestablecido, el usuario (o el equipo de Lokad) debe implementar la lógica. Aún así, muchos proveedores simplemente ignoran estos matices por completo. El propio equipo de Lokad ha publicado sobre temas como la integración de la canibalización en los forecasts a través del machine learning (por ejemplo, identificando sustitutos a través de correlaciones de ventas), indicando que son conscientes y capaces de abordarlo de manera similar a los principales especialistas en retail ⁸ ⁹. En la práctica, para un minorista con dinámicas de categoría complejas, Lokad probablemente haría un proyecto de modelado personalizado. Este enfoque hecho a la medida puede dar lugar a un manejo muy preciso de factores como la canibalización, pero requiere la aceptación de una configuración más consultiva en lugar de plug-and-play. Dado el historial de Lokad (por ejemplo, trabajando con minoristas de moda en curvas de tamaño, minoristas de comestibles en promociones), han demostrado que pueden manejar estos factores al menos tan bien como los principales competidores.

Automatización: La visión de Lokad se inclina fuertemente hacia la toma de decisiones no atendida. Su plataforma a menudo se describe como “Supply Chain Optimization as a Service”, lo que implica que el usuario la configura y automáticamente produce decisiones (como órdenes de reposición o cambios de precio) de manera continua ²³. El objetivo es que los planificadores pasen de hacer cálculos manuales a supervisar decisiones impulsadas por la IA. El sistema de Lokad puede generar recomendaciones de pedidos diarias o semanales que pueden integrarse directamente en el ERP del minorista para su ejecución, con un mínimo ajuste humano. Debido a que los forecasts son probabilísticos y la optimización está impulsada por el beneficio, la idea es que el sistema está tomando la decisión óptima y no necesita una comprobación intuitiva del planificador en, digamos, cada cantidad de pedido. Por supuesto, en la realidad las empresas a menudo revisan las recomendaciones inicialmente, pero muchos clientes de Lokad han informado que han logrado un alto grado de automatización (solo manejan excepciones como nuevos productos o grandes eventos manualmente). El énfasis en un modo “piloto automático” es un factor diferenciador, mientras que algunas herramientas más antiguas son de apoyo a la decisión que dependen de los planificadores para interpretar, Lokad aspira a ser un software de toma de decisiones. Un ejemplo de éxito de automatización: un minorista de comestibles que utiliza Lokad pudo ejecutar una reposición de tienda automatizada que se ajustaba adaptativamente a los cambios de demanda, logrando una reducción significativa del desperdicio y la reducción del faltante de stock simultáneamente ²⁴. Esto se alinea con los hallazgos de la industria de que la reposición automática impulsada por el forecast puede reducir el desperdicio en porcentajes de dos dígitos ²⁴. El scripting de Lokad permite a los usuarios codificar reglas de negocio (por ejemplo, nunca permitir que el inventario baje de un stock de presentación mínimo) para que la automatización respete las restricciones del mundo real. En general, Lokad obtiene las mejores calificaciones por impulsar hacia una verdadera optimización no atendida. La única advertencia es que la configuración inicial (codificación y prueba del modelo) requiere un gran esfuerzo; hasta que el modelo esté bien, no querrías automatizar las decisiones. Pero una vez ajustado, el sistema puede funcionar con un mínimo toque humano, mucho más allá del nivel de automatización de los sistemas MRP o de planificación heredados.

Integración de Tecnología: Lokad está construido completamente internamente en una pila de tecnología coherente. No creció adquiriendo el software de otras empresas; en cambio, desarrolló su propio motor de pronóstico, solucionador de optimización y lenguaje de scripting. Esto produce una plataforma integrada muy - todas las funcionalidades (pronóstico, precios, optimización de inventario) operan en el mismo modelo de datos y lenguaje. No hay “módulos” para integrar a través de interfaces; todo se hace en el entorno Envision. Esto es un contraste marcado con algunos competidores que deben unir una herramienta de precios adquirida con una herramienta de planificación separada. El enfoque unificado de Lokad reduce la complejidad y evita inconsistencias. Por ejemplo, la salida del pronóstico de demanda fluye directamente en la lógica de optimización de precios dentro del mismo script, sin necesidad de transferencias de archivos por lotes o llamadas API incómodas entre diferentes sistemas. Además, la plataforma de Lokad es relativamente ligera (no requiere una base de datos relacional completa o un cubo OLAP; su almacenamiento y cálculo están optimizados para su propósito específico). Se podría decir que la pila de Lokad es “a prueba de futuro” en el sentido de que se mejora continuamente como un todo, en lugar de tener componentes heredados que necesitan ser reemplazados. El inconveniente de esta tecnología altamente original es que es única: los clientes tienen que aprender la forma de trabajar de Lokad, que es diferente de las típicas herramientas de planificación GUI. Pero desde el punto de vista de la ingeniería, la cohesión de la pila de tecnología es excelente. No hay un Frankenstein de piezas adquiridas; incluso su interfaz de usuario y análisis están construidos a propósito alrededor de su motor central. Esta simplicidad también significa menos puntos de falla en la integración, un gran plus cuando se apunta a la automatización completa.

Escepticismo hacia el Hype: Notablemente, Lokad es explícitamente escéptico de las palabras de moda de la industria y esta mentalidad impregna su posicionamiento de producto. La compañía ha publicado críticas de conceptos como “sensibilidad de la demanda”, llamándolo “otra palabra de moda en supply chain que no cumple con las expectativas”, esencialmente mootware (software que existe pero no entrega valor) ¹². Esta lente escéptica es en realidad una fortaleza: sugiere que Lokad intenta fundamentar su producto en ciencia sólida en lugar de marketing impulsado por tendencias. Por ejemplo, Lokad no se subió a la moda de “blockchain supply chain” ni vendió en exceso la retórica de “gemelo digital” (que su fundador también criticó). En cambio, se centran en capacidades técnicas tangibles como el forecast probabilístico y la optimización de cuantiles. En términos de reclamaciones del proveedor, las de Lokad son generalmente concretas. Evitan afirmar una implementación “plug-and-play” imposiblemente fácil o una IA mágica lista para usar. De hecho, a menudo advierten que la implementación de la optimización avanzada es compleja y requiere un ajuste a cada negocio (de ahí su énfasis en un lenguaje de programación para codificar los detalles específicos de cada cliente). Esta honestidad es refrescante en un dominio lleno de promesas elevadas. La desventaja es que un mensaje reacio al marketing podría hacer que Lokad parezca menos llamativo en comparación con los competidores que pregonan en voz alta “supply chain autónoma con IA cognitiva”. Pero desde una perspectiva de búsqueda de la verdad, las afirmaciones de Lokad tienden a estar sustentadas - por ejemplo, si hablan de una reducción de stock del 5% en un cliente, generalmente es en un estudio de caso detallado, no en una afirmación genérica. Incluso discuten abiertamente las limitaciones de las técnicas (se pueden encontrar publicaciones en el blog de Lokad diseccionando donde fallan los métodos clásicos). Esta transparencia genera credibilidad. En general, Lokad surge como una solución de tecnólogo - construida sobre principios sólidos de ingeniería y análisis, combinando pronóstico y optimización, y evitando el hype. El enfoque es posiblemente el estándar de oro en sofisticación técnica (probabilística, orientada a la ganancia, arquitectura en la nube). La principal advertencia es que Lokad es más pequeño y menos probado a gran escala que algunos incumbentes, y su modelo requiere una implementación personalizada por cliente en lugar de una preempaquetada. Pero en términos de capacidad bruta y diseño de futuro, Lokad se clasifica como un proveedor líder en optimización minorista.

Resumen: Lokad lidera en optimización conjunta (precios integrados con inventario), utiliza verdadero forecast de IA probabilístico ³, optimiza para ganancias y costo de oportunidad, escala a través de una arquitectura rentable nativa de la nube, maneja complejidades minoristas a través de modelado flexible, permite alta automatización, tiene una pila de tecnología coherente interna, y mantiene una postura refrescantemente escéptica sobre el hype. Representa un enfoque a prueba de futuro, aunque uno que podría requerir más trabajo analítico por adelantado.

Fuentes: Integración de Lokad de precios y datos de planificación ²⁵; énfasis en los forecast probabilísticos para decisiones robustas y enfocadas en la ganancia ³; crítica de palabras de moda como la sensibilidad de la demanda ¹².

2. RELEX Solutions – Planificación Unificada enfocada en Retail con IA Avanzada (y Algunos Trabajos Pesados)

RELEX Solutions (fundada en 2005) es un proveedor de rápido crecimiento especializado en planificación y optimización minorista, que cubre pronósticos, reabastecimiento, asignación, surtido y ahora optimización de precios. RELEX ha construido una reputación en los sectores de comestibles y retail especializado al entregar mejoras medibles en disponibilidad y reducción de desperdicios. Su plataforma está construida específicamente para los desafíos del retail (productos de corta vida útil, enormes recuentos de SKU, planificación a nivel de tienda) y es conocida por utilizar machine learning avanzado y un motor de procesamiento de datos en memoria para una respuesta en tiempo real. RELEX ofrece una solución unificada que abarca forecast de demanda, reabastecimiento automático, planificación de espacio y surtido, y recientemente precios - lo que la convierte en uno de los pocos proveedores además de Lokad que puede afirmar abordar los tres pilares (inventario, precios, surtido) de manera integrada. La compañía tiene una fuerte cultura de ingeniería (fundada por tres doctores en ciencias de la computación) y ha invertido mucho en I+D de IA para retail. Clasificamos a RELEX muy alto debido a sus capacidades específicas para retail y resultados probados, mientras notamos algunas posibles desventajas en términos de pesadez del sistema y el hecho de que también debe respaldar su marketing con evidencia.

Optimización Conjunta: La plataforma de RELEX es relativamente holística para las operaciones minoristas. Comenzó con forecast y reabastecimiento pero se expandió a optimización de surtido y planogramas, y ofrece módulos de optimización de precios también ²⁶. Esto significa que un minorista puede usar RELEX para decidir qué productos llevar en cada tienda (surtido), cuánto almacenar (inventario), y a qué precio vender (precios), todo dentro de un solo sistema. La integración entre estos es un trabajo en progreso - RELEX históricamente sobresalió en la optimización de inventario (reabastecimiento de tiendas/DCs) y planificación de espacio, y solo más recientemente agregó capacidades de optimización de precios. Sin embargo, anuncian que su optimización de precios está alineada con su motor de forecast, permitiendo que las decisiones de precios se tomen con pleno conocimiento de los impactos de la demanda ²⁷. Por ejemplo, RELEX puede simular cómo un cambio de precio en un artículo de valor clave afectará no solo las ventas de ese artículo sino también productos complementarios o sustitutos, gracias a los mismos modelos de forecast subyacentes. Además, la característica de planificación de promociones de RELEX vincula las promociones de precios con el proceso de planificación de la demanda: las promociones se ingresan en el sistema que luego ajusta los forecast y sugiere acumulaciones de inventario, e incluso puede recomendar mecánicas de promoción. Este nivel de consideración conjunta es fuerte. Un punto destacado es la capacidad de RELEX para coordinar espacio (capacidad de estantería) con forecast - por ejemplo, si se espera que los cambios de surtido o los precios generen más volumen, el sistema señalará si el espacio en la estantería es insuficiente. Dicho esto, RELEX puede que aún no optimice el precio y el inventario simultáneamente en un algoritmo (probablemente pronostica iterativamente la demanda para un precio dado, luego optimiza el reabastecimiento en consecuencia, en lugar de optimizar el precio y el stock juntos para obtener ganancias). Aún así, dentro de una plataforma, los bucles de retroalimentación son más estrechos que un minorista que utiliza herramientas separadas. RELEX comercializa explícitamente “planificación minorista unificada”, y los estudios de caso muestran a los clientes usándolo de principio a fin (desde decisiones de surtido a largo plazo hasta pedidos diarios de tienda). Damos a RELEX altas calificaciones por su amplitud; no hay brechas funcionales evidentes en el alcance minorista. La advertencia es que integrar todas estas piezas puede ser complejo - es una suite, pero implementar cada módulo (merchandising, supply chain, precios) es un proyecto importante.

Pronóstico Probabilístico & IA: RELEX es conocido por su uso intensivo de IA/ML para mejorar la precisión y la granularidad del forecast. Han desarrollado modelos de machine learning que incorporan una variedad de impulsores de demanda: “estacionalidad, tendencias, patrones de días de la semana, promociones, cambios de visualización, días festivos, clima, acciones de la competencia,” etc. ²⁸ ²⁹. Este enfoque multifactorial va más allá de los métodos tradicionales de series de tiempo. Los algoritmos de ML de RELEX detectan automáticamente qué factores importan para cada producto (selección de características) y pueden detectar cambios en los patrones de demanda (detección de puntos de cambio para cambios repentinos de tendencia) ³⁰ ³¹. Una técnica impresionante que utilizan es la agrupación de datos para datos escasos - para los artículos de venta lenta, el modelo agrupa productos similares para obtener señales y mejorar los forecasts ³¹. Todos estos son métodos modernos de IA que esperarías en un contexto académico, ahora desplegados en una herramienta comercial. El resultado, como afirman, son forecasts que “superan a los métodos tradicionales en velocidad, precisión y granularidad” ³². De hecho, RELEX a menudo promociona métricas como una mejora significativa en la precisión del forecast o el nivel de servicio después de la implementación. Manejan la incertidumbre hasta cierto punto - por ejemplo, su sistema puede producir diferentes escenarios o intervalos de confianza para las promociones (incorporan efectos de canibalización y halo en los forecasts de promociones utilizando ML para interpretar datos históricos ⁹). Durante las promociones, ajustan explícitamente los forecasts de productos relacionados hacia abajo o hacia arriba basándose en las relaciones de canibalización/halo aprendidas ⁹, reduciendo así el exceso de stock para los artículos canibalizados y evitando faltantes de stock para los artículos de halo. Esto demuestra una comprensión probabilística sofisticada de los efectos cruzados entre productos. No está claro si RELEX produce distribuciones de probabilidad completas para todos los artículos (pueden simular escenarios internamente, pero los planificadores ven principalmente forecasts ajustados). Sin embargo, su manejo de la variabilidad es avanzado - por ejemplo, mencionan que tienen en cuenta la “volatilidad típica de los datos de retail” utilizando algoritmos adecuados para ello ³⁰. Otro ejemplo de IA es el forecast para nuevos productos o productos de movimiento lento utilizando perfiles de artículos similares, que es un enfoque impulsado por la IA para el clásico problema de forecast de “artículos similares”. El compromiso de RELEX con ML también se evidencia en los proyectos de investigación de la UE y los documentos técnicos que han realizado (participaron en un proyecto Horizon 2020 de la UE sobre IA para retail). En general, la tecnología de forecast de RELEX es de vanguardia entre los proveedores de retail, posiblemente líder en la adopción de IA para la planificación de retail. Pueden no usar el término “forecast probabilístico” tanto como Lokad, pero en la práctica incorporan la incertidumbre a través de la simulación (para promociones) y análisis de sensibilidad. Incluso utilizan IA para tareas no relacionadas con el forecast, como el reconocimiento de imágenes en la auditoría de estantes (a través de una adquisición). El principal inconveniente: estos modelos de IA complejos pueden ser una “caja negra” para los usuarios, y la confianza tiene que ser ganada. Pero sus resultados (por ejemplo, una reducción del 30% en el desperdicio para una cadena de supermercados gracias a forecasts más precisos para productos frescos ²⁴) hablan de la efectividad de su IA.

Toma de decisiones económicas: El enfoque de optimización de RELEX ha sido históricamente en niveles de servicio y frescura en lugar de una optimización de beneficios explícita, comprensible dada su mercado central de comestibles (donde evitar estantes vacíos y desperdicio es primordial). Sin embargo, han estado añadiendo análisis más orientados económicamente. Por ejemplo, su racionalización de surtido utiliza IA para evaluar la rentabilidad de extremo a extremo de cada producto por tienda: identifica artículos de bajo rendimiento que no justifican su espacio en el estante al analizar las ventas, los márgenes y los costos que incurren ³³. Destacan que esta IA “detecta la rentabilidad de extremo a extremo para cada artículo por tienda, destacando los de bajo rendimiento” ³³ - vinculando efectivamente las decisiones de surtido a los resultados financieros (cortar la cola que no es rentable). Esto demuestra que RELEX entiende que la optimización debe estar vinculada al beneficio, no solo a los volúmenes. En la optimización del inventario, RELEX permite establecer diferentes objetivos de nivel de servicio por producto, potencialmente informados por el margen (artículos críticos vs. menos rentables). No es puramente impulsado por el costo de oportunidad como Lokad, pero puede aproximar la priorización económica al centrarse en una mayor disponibilidad donde financieramente importa. En el lado de los precios, dado que RELEX ahora tiene un módulo de optimización de precios, la rentabilidad está allí en primer plano: la optimización de precios tiene como objetivo establecer precios para cumplir con los objetivos comerciales, que a menudo es maximizar el margen o los ingresos bajo restricciones. Podemos suponer que su IA de precios mira la elasticidad y los compromisos de margen (similar a la fijación de precios de Revionics o Blue Yonder). Además, la planificación de promociones de RELEX intenta maximizar el éxito de las promociones, lo que incluye evaluar el aumento vs el sacrificio de margen. Un indicador revelador de la orientación económica son sus estudios de caso: por ejemplo, Franprix (un supermercado francés) logró una reducción del 30% en el desperdicio Y un 67% menos de faltantes de stock usando RELEX, mejorando la rentabilidad a través de menos desperdicio y más ventas ²⁴. Esencialmente optimizaron el equilibrio entre el costo de desperdicio y el nivel de servicio, que es una optimización impulsada por el beneficio si lo enmarcas de esa manera. Otro ejemplo es el uso de datos externos (como las previsiones de pasajeros de aeropuertos para las tiendas de WHSmith) para alinear el suministro con la demanda real y prevenir el sobre stock de alimentos frescos ³⁴ - de nuevo, reduciendo el desperdicio (costo) mientras capturan ventas. Todo esto implica que las decisiones de RELEX, aunque quizás no resuelvan una fórmula formal de maximización de beneficios, están muy orientadas a los resultados económicos (menores costos de desperdicio, mayores ventas, mejor rotación de inventario). Es posible que no generen explícitamente cálculos de “beneficio esperado” para cada decisión como lo haría Lokad, pero logran fines similares al apuntar a los KPIs comerciales que se correlacionan con el beneficio (por ejemplo, % de desperdicio, % de faltante de stock, ingresos). A medida que incorporan la fijación de precios, esperamos que RELEX se mueva más hacia la optimización unificada de beneficios (por ejemplo, optimizando los horarios de rebajas para vender los artículos de temporada al mayor margen posible sin stock sobrante). En resumen, el ADN de RELEX es un poco más operacional (nivel de servicio y desperdicio) que financiero, pero claramente reconocen e incorporan la economía del retail en sus algoritmos, lo que los hace mucho más que un motor de reglas ciego.

Escalabilidad y rendimiento: La arquitectura de RELEX es famosa por estar construida sobre una base de datos en memoria con almacenamiento columnar para todos los datos de retail, lo que permite cálculos muy rápidos en grandes conjuntos de datos (una necesidad clave para la planificación a nivel de tienda-SKU). La ventaja es la analítica en tiempo real - los usuarios pueden, por ejemplo, ver inmediatamente el impacto de un cambio de parámetro en los pedidos, o recalcular un forecast sobre la marcha para miles de tiendas. Este diseño ha impresionado a muchos minoristas, pero tiene el costo de un uso intensivo de hardware. De hecho, un análisis crítico señaló que “el diseño en memoria, similar a un cubo de BI, proporciona impresionantes capacidades de informes en tiempo real pero garantiza altos costos de hardware.” ²². Esto se refiere al enfoque de RELEX: almacenar datos en memoria proporciona velocidad, pero escalar a, por ejemplo, una cadena de supermercados nacional con millones de combinaciones de SKU-tienda puede requerir una gran memoria y potencia de cálculo. RELEX normalmente se despliega como una solución en la nube para los clientes (ellos alojan en la nube, posiblemente AWS o Azure, no se declara públicamente), y ciertamente pueden escalar a grandes clientes (tienen varios clientes de retail de varios miles de millones de dólares). La cuestión es la eficiencia de costos - RELEX puede requerir más recursos en la nube (y por lo tanto costos) para lograr su rápido rendimiento en comparación con una solución más orientada a lotes. Desde el punto de vista de la escalabilidad, RELEX ha demostrado ser capaz para grandes minoristas en Europa y América del Norte. El sistema puede manejar pedidos por tienda para miles de tiendas diariamente. Un cliente de RELEX de tamaño medio a menudo gestiona decenas de miles de SKUs con reforecasts sub-diarios. El cuello de botella puede ser cuando se añaden más módulos: integrar los datos de surtido y planograma (que son enormes) con el motor de forecasting puede aumentar aún más los volúmenes de datos. RELEX ha estado abordando esto optimizando sus algoritmos y quizás descargando algunos cálculos a disco o nodos distribuidos, pero es inherentemente una aplicación intensiva. También proporcionan paneles de control y herramientas de simulación de qué pasaría si que aprovechan los cálculos rápidos - pero de nuevo, el hecho de que todo el conjunto de datos esté en memoria es el factor habilitante. Debemos señalar que los precios de la memoria han caído y la escalabilidad en la nube está mejorando, por lo que el enfoque pesado de RELEX es más factible ahora que hace una década. Sin embargo, los clientes conscientes de los costos pueden encontrar los requisitos de infraestructura de RELEX empinados en relación con herramientas más simples. Hay evidencia anecdótica de que las implementaciones de RELEX necesitan servidores robustos o un alto gasto en la nube para mantener la capacidad de respuesta en tiempo real. En este sentido, RELEX sacrifica algo de eficiencia de costos por velocidad y granularidad. En cuanto a la escalabilidad del software, RELEX es modular (no tienes que implementar todos los módulos si no es necesario) pero es una sola plataforma. Han demostrado ser capaces de soportar operaciones globales (multi-país, multi-moneda, etc.). En general, RELEX obtiene una alta puntuación en potencia y velocidad puras, moderada en eficiencia de costos - es el coche deportivo de alta gama de la optimización de retail: un rendimiento fantástico, pero tendrás que pagar por el combustible premium.

Manejo de Factores Complejos de Retail: Aquí es donde RELEX brilla, tiene una rica funcionalidad creada específicamente para escenarios de retail. Los efectos de canibalización y halo se manejan explícitamente en su forecast para promociones: como se discutió, el sistema aprende relaciones de los datos de transacciones (como qué productos son sustitutos vs complementos) y ajusta los forecast en consecuencia ⁸ ⁹. Pocos proveedores tienen esto incorporado; el equipo de ciencia de datos de RELEX publicó cómo utilizan el aprendizaje de reglas de asociación en los datos de la cesta para inferir estas relaciones, en lugar de confiar en suposiciones manuales ⁸. Esto significa que cuando ejecutas una promoción en el producto X, RELEX automáticamente bajará el forecast base del producto Y si Y es usualmente canibalizado por X (y viceversa para halo). Esto no solo mejora la precisión del forecast, sino que también impulsa mejores decisiones de inventario (almacenar menos de Y porque se venderá menos durante la promoción de X) ⁹. En sustitución, RELEX puede tener en cuenta los efectos de faltante de stock: si el producto A está agotado, su forecast para el producto B puede aumentar temporalmente si B es un sustituto. Esto probablemente se hace a través de las mismas relaciones aprendidas; algunos clientes alimentan a RELEX con sus posiciones de inventario en la tienda para que pueda detectar ventas perdidas y patrones de sustitución. La caducidad y el desperdicio son un fuerte enfoque para RELEX, especialmente en el retail de alimentos frescos. Su solución puede rastrear las edades del inventario y tiene funcionalidad para la gestión de fechas de caducidad ³⁵. Por ejemplo, RELEX puede priorizar la venta de lotes más antiguos primero (FEFO - first-expire, first-out), y sus forecast para productos frescos consideran la vida útil limitada (tienden a recomendar reposiciones más pequeñas y frecuentes para bienes de corta vida). Incluso proporcionan herramientas para monitorear el desperdicio y alertar si el stock se acerca a su caducidad sin ventas ³⁶. Un cliente de RELEX, Franprix, vio una gran reducción de desperdicio al usar forecast a nivel de día y órdenes de tienda automatizadas para productos frescos ²⁴ ³⁷, un testimonio de que RELEX maneja los perecederos mucho mejor que los sistemas tradicionales que a menudo ignoran la caducidad. RELEX también incorpora el espacio de exhibición y la mercadotecnia visual en el forecast: si a un producto se le da una exhibición secundaria, el forecast puede ser elevado en consecuencia (su ML capta esa correlación). Además de eso, sus módulos de fuerza laboral y ejecución aseguran que si los forecast o planes cambian (como un aumento repentino de la demanda), el personal de la tienda es alertado para, digamos, hornear más pan o reabastecer más rápido (cerrando el ciclo operacional). Otro factor complejo es el clima - RELEX tiene ajustes de forecast basados en el clima incorporados, cruciales para categorías estacionales (por ejemplo, helado en días calurosos). Muchos reclaman forecast del clima; RELEX realmente lo ha implementado con ajuste de machine learning para cada localidad ²⁹. En resumen, RELEX probablemente tiene la suite más completa para manejar las realidades desordenadas del retail: desde efectos de productos cruzados hasta factores externos y vida útil. Abordan estos de una manera en gran medida automatizada utilizando IA, lo cual es un diferenciador clave. Sin embargo, uno debe ser consciente de que aprovechar todas estas características requiere proporcionar a RELEX una gran cantidad de datos (datos de la cesta, feeds del clima, estados del inventario, etc.) y confiar en las recomendaciones del sistema. Pero para los minoristas que buscan controlar la complejidad, RELEX ofrece una caja de herramientas probada. Les damos puntos completos en este criterio.

Automatización: RELEX soporta un alto grado de automatización, aunque a menudo se configura para permitir la supervisión humana. En la práctica, muchos clientes de RELEX utilizan auto-reabastecimiento a nivel de tienda y DC: el sistema genera pedidos diarios o intradía para cada SKU-tienda que van directamente a ejecución a menos que se marquen para revisión. Como se ha señalado, sólo el 24% de los minoristas en una encuesta tenían automatización de pedidos en tienda impulsada por forecasts, pero aquellos que la implementaron (con sistemas como RELEX) vieron caer el desperdicio entre un 10-40% ³⁸ ²⁴. El ejemplo de Franprix - reducción del 30% en el desperdicio con pedidos automatizados - subraya que la automatización de RELEX funciona ²⁴. El sistema tiene un mecanismo de alerta para llamar la atención humana sobre las excepciones (por ejemplo, “forecast disminuyó significativamente debido a un factor inexplicado” o “pedido limitado por límite de espacio de almacenamiento”), pero de lo contrario puede funcionar en piloto automático. La filosofía de RELEX a menudo se describe como “comercio algorítmico” donde las decisiones son impulsadas por el sistema. También automatizan revisiones de surtido sugiriendo qué artículos añadir o quitar por tienda cada período, e incluso automatizan recomendaciones de reducción de precios para liquidación. Un área de automatización que destaca es el cumplimiento de promociones: RELEX puede empujar automáticamente el inventario a las tiendas en anticipación de promociones y luego retirarlo si las ventas no cumplen con las expectativas, sin intervención del planificador. Además, debido al motor en tiempo real, no se requiere que los planificadores hagan tediosas ejecuciones por lotes o recálculos manuales - el sistema actualiza forecasts y planes continuamente a medida que llegan nuevos datos (ventas, inventario, etc.). Esto permite un movimiento hacia la planificación continua con mínimos disparadores manuales. Vale la pena señalar que RELEX normalmente todavía involucra a los planificadores en la supervisión - por ejemplo, un planificador podría aprobar un cambio de surtido o ajustar un pedido excesivamente agresivo, especialmente al principio de la adopción. Pero la tendencia entre sus usuarios es aumentar la confianza en la IA y por lo tanto aumentar la automatización. RELEX proporciona herramientas de simulación para que los planificadores puedan probar “si dejo que el sistema haga pedidos automáticos, ¿qué pasa con los faltantes de stock vs inventario?” para generar confianza. En comparación con los sistemas heredados que a menudo producen un plan que un humano debe masajear, RELEX está mucho más cerca de las operaciones autónomas. También han comenzado a comercializar alrededor de la “planificación autónoma” similar a Blue Yonder. En nuestra lente escéptica, diríamos que RELEX ha demostrado automatización en reabastecimiento, buena automatización en forecasting (no se necesita forecasting manual), automatización parcial en surtido (las recomendaciones todavía son revisadas por la mercadotecnia), y automatización emergente en precios (por ejemplo, reducciones dinámicas). A medida que las capacidades de IA crecen, esperamos que RELEX reduzca aún más la necesidad de intervenciones humanas. Por lo tanto, puntúan muy bien en automatización, sólo superados por soluciones como Lokad que están diseñadas desde cero para el piloto automático. La salvedad sigue siendo que las organizaciones deben adaptar sus procesos - RELEX da la capacidad de automatizar, pero depende del minorista confiar en ella y reorganizar los roles en consecuencia.

Integración Tecnológica: RELEX es una plataforma unificada desarrollada en gran medida internamente. No ensamblaron su motor de planificación central a través de adquisiciones, fue construido por la empresa. Las diferentes funcionalidades (pronóstico de demanda, reposición, asignaciones, planogramas, fuerza laboral) comparten una plataforma de datos común. Esto significa menos problemas de integración dentro de la suite: por ejemplo, el módulo de planificación de surtido se conecta directamente con el módulo de pronóstico, por lo que cuando se elimina un producto del surtido, los pronósticos y pedidos automáticamente caen a cero después de que se da de baja. La coherencia es generalmente fuerte; los usuarios acceden a estas funciones a través de una interfaz. RELEX ha realizado algunas adquisiciones (una aplicación móvil de ejecución en tienda, una tecnología de reconocimiento de imágenes, etc.), pero estas son adyacentes en lugar de lógica de planificación central. Una complejidad potencial es la arquitectura en memoria - todo viviendo en un modelo de memoria gigante puede hacer que las modificaciones o la integración de nuevos tipos de datos sean complicadas. Pero parecen manejarlo con técnicas de base de datos modernas. En comparación con los proveedores más antiguos que tienen productos claramente separados (a menudo de adquisiciones) para precios vs inventario, las soluciones de RELEX se sienten cohesivas. Por ejemplo, su optimización de precios es un componente más nuevo pero probablemente fue desarrollado o integrado estrechamente para que utilice los mismos datos de pronóstico y UI. No hay necesidad de exportar pronósticos a una herramienta de precios de terceros, está dentro de RELEX. Esto reduce las suposiciones inconsistentes entre módulos. Otro punto de integración: RELEX se conecta con sistemas de ejecución (ERP, POS, etc.) a través de APIs, y tienen herramientas de integración razonablemente robustas (pero esto es normal para cualquier proveedor). Debido a que RELEX creció como un solo producto, evita la etiqueta de “Frankenstein” que aqueja a competidores más antiguos como JDA/Blue Yonder y SAP. Dicho esto, a medida que RELEX se expande (especialmente en precios), mantener la pureza de una sola plataforma es un esfuerzo constante. No hemos visto problemas importantes reportados, por lo que inferimos que lo han mantenido integrado. Una dimensión a observar es si los microservicios de RELEX (si han dividido su aplicación en servicios) se comunican sin problemas. Gartner destacó las “herramientas de gestión de datos y modelado de restricciones” de RELEX como notables ³⁹ - indicando que tienen una forma integrada de gestionar todas las reglas de negocio y datos. Esto sugiere un alto nivel de integración donde diferentes restricciones (como espacio en estanterías, tiempos de entrega, tamaños de paquetes, etc.) alimentan el mismo solucionador en lugar de diferentes. En resumen, RELEX es una de las soluciones más técnicamente coherentes en este espacio, con poca evidencia de la desconexión que proviene de productos pesados en M&A. Esta es una fortaleza significativa sobre las suites legadas.

Escepticismo ante las afirmaciones de marketing: RELEX, como muchas empresas jóvenes, utiliza libremente palabras de moda como AI/ML en marketing, pero en su caso la sustancia respalda en gran medida. Hablan de “Retail en Vivo” y “desatar la IA” - lenguaje de marketing, por supuesto - pero también publican resultados concretos y metodologías. Por ejemplo, tienen publicaciones en blogs y recursos que detallan cómo funciona su aprendizaje automático para el retail (discutiendo la agrupación, la detección de tendencias, etc.) ⁴⁰ ³⁰. Esa transparencia es buena; no es solo una caja mágica de IA, al menos esbozan el enfoque. RELEX también tiende a dejar hablar a los clientes - muchas de sus afirmaciones están en forma de estadísticas de estudios de caso (por ejemplo, el minorista XXXX mejoró la disponibilidad en estantería en un Y% mientras reducía el inventario en un Z%). Estos son más creíbles que las afirmaciones vagas. Sí que utilizan términos como “autónomo”, “cognitivo”, etc., pero hasta ahora no han prometido más allá de lo que su software puede hacer. Un área a observar es “sensibilidad a la demanda” - RELEX a veces usa este término para describir su capacidad de pronóstico a corto plazo (ingiriendo ventas recientes para ajustar los pronósticos a corto plazo). Sabemos que la sensibilidad a la demanda como concepto ha sido criticada como exageración ¹², pero en el caso de RELEX, su enfoque es esencialmente solo un pronóstico más frecuente con los últimos datos, lo cual está bien. Mientras no afirmen una previsión imposible, es aceptable. La integración plug-and-play no es algo que RELEX exagere; reconocen que la implementación requiere trabajo (integración de datos, ajuste de parámetros). De hecho, algunos clientes han señalado que los proyectos de RELEX requieren un esfuerzo significativo (lo cual es de esperar para herramientas poderosas). Así que RELEX no promueve demasiado una narrativa falsa de “valor instantáneo”. También evitan el argot demasiado fantasioso - no los verás promocionando blockchain o computación cuántica sin razón (aunque curiosamente, su adquisición “Evo” usa el término “aprendizaje cuántico” para su IA - pero eso es aparte). Si acaso, la mayor afirmación de marketing de RELEX es que pueden manejar todos los aspectos de la planificación minorista en una solución unificada y entregar grandes resultados rápidamente. Aplicamos escepticismo: ¿puede un solo sistema sobresalir realmente en todo, desde la estrategia de surtido a largo plazo hasta la reposición diaria y la fijación de precios? Eso es mucho pedir. RELEX tiene fuertes capacidades en muchas áreas, pero algunas (como la fijación de precios) son más nuevas y no tan probadas como los competidores especializados. Así que mientras ofrecen todas las piezas, un minorista podría encontrar una pieza menos madura. Esta es una sutileza que sus materiales de ventas podrían pasar por alto. Además, ejecutar tantas funciones en un solo sistema podría volverse engorroso - un problema que no se destaca en el marketing. Sin embargo, en el equilibrio entre exageración y realidad, RELEX está entre los mejores: sus afirmaciones de mejoras impulsadas por la IA están respaldadas por algoritmos y pruebas de clientes, y generalmente evitan el abuso más flagrante de palabras de moda. Calificamos su honestidad de marketing como relativamente alta.

Resumen: RELEX Solutions es una potencia de optimización minorista con una plataforma unificada que cubre el pronóstico, la reposición, el surtido y la fijación de precios. Aprovecha extensivamente el aprendizaje automático para tener en cuenta los factores del retail del mundo real (promociones, clima, canibalización ⁹, etc.), y ha demostrado mejoras significativas en los resultados para los minoristas (más disponibilidad, menos desperdicio ²⁴). El sistema soporta planificación conjunta de surtido, inventario y, en cierta medida, fijación de precios, aunque la optimización de precios es más nueva para ellos. El pronóstico probabilístico y de IA es una fortaleza destacada ²⁸ ³¹, al igual que su capacidad para manejar productos frescos y complejidad de manera elegante. La escalabilidad está generalmente probada, aunque con un alto uso de recursos ²². RELEX permite un alto grado de automatización (especialmente en la reposición) y tiene una pila de tecnología cohesiva construida para el retail. Aunque algunos aspectos (por ejemplo, decisiones óptimas de beneficio, optimización totalmente unificada de precio+stock) pueden no estar tan integrados de forma nativa como con el enfoque de Lokad, RELEX representa una de las soluciones más innovadoras y a prueba de futuro para grandes minoristas. Su enfoque en la realidad (no solo en la teoría) y las aplicaciones tangibles de la IA lo convierten en un competidor de primer nivel, posiblemente el líder entre los proveedores especializados en retail. Los principales riesgos son su complejidad (la implementación de todas las características no es trivial) y asegurarse de que el bombo (¡IA en todas partes!) se traduzca en soluciones amigables para el usuario y mantenibles. Hasta ahora, la evidencia sugiere que RELEX cumple en gran medida con sus promesas, lo que lo convierte en una opción de primera categoría para la optimización minorista orientada al futuro.

Fuentes: Factores de pronóstico impulsados por ML de RELEX (patrones de demanda, promos, eventos externos) ²⁸; manejo de la canibalización a través de ML en el pronóstico de promos ⁹; demostración de reducción de desperdicio a través de la reposición automatizada basada en pronósticos ²⁴; análisis de rentabilidad de surtido impulsado por IA ³³.

3. o9 Solutions – Planificación Integrada Ambiciosa con Grandes Promesas (y Advertencias)

o9 Solutions (fundada en 2009) se comercializa como el creador de un “Cerebro Digital” para la planificación empresarial, una plataforma que unifica la previsión de demanda, la planificación de la supply chain, la gestión de ingresos y más en un modelo de datos basado en gráficos. La visión de o9 es ser la plataforma única para la planificación de extremo a extremo, rompiendo los silos entre la planificación de la demanda, el inventario/supply, la planificación comercial e incluso la planificación financiera. En el contexto minorista, o9 puede configurarse para la planificación de mercancías y surtidos, la previsión de demanda, la planificación de la supply y tiene capacidades para la Gestión de Crecimiento de Ingresos (RGM) que incluye la optimización de precios y promociones ⁴¹. En teoría, esto marca todas las casillas de optimización conjunta. o9 ha ganado tracción en CPG, fabricación y algunas empresas minoristas/consumidores, a menudo enfatizando su moderno enfoque de IA/ML y gráfico de conocimiento versus los antiguos APS (Sistemas de Planificación Avanzada). Sin embargo, desde una perspectiva de ingeniería escéptica, o9 es un poco paradójico: es muy avanzado tecnológicamente en arquitectura, pero algunos expertos cuestionan cuánto de su IA es sustancia versus ruido. Clasificamos a o9 altamente por su amplitud y enfoque de plataforma, pero con notas de precaución sobre su ejecución real en la previsión y la pesada infraestructura que puede requerir.

Optimización Conjunta: La propuesta de valor central de o9 es la planificación integrada en todas las funciones. Para un minorista, esto significa que un sistema o9 podría manejar la planificación financiera de mercancías, decisiones de surtido, previsión de demanda, planificación de suministro/reposición y estrategia de precios, todo conectado. Promueven explícitamente su solución para la Gestión de Crecimiento de Ingresos (RGM) que “integra RGM, Planificación de la Demanda, Supply Chain e IBP en una sola plataforma” ⁴¹. Esto sugiere que los precios y las promociones (RGM) no son independientes, se alimentan de la planificación de la demanda que se alimenta de la planificación de la supply, todo dentro de o9. En la práctica, o9 tiene módulos o aplicaciones para cada área pero bajo un mismo paraguas. Por ejemplo, una implementación de o9 podría incluir un modelo de elasticidad de precios dentro del módulo de planificación de la demanda, por lo que los planificadores pueden ver cómo los cambios de precios afectarían al forecast y luego ver inmediatamente cómo eso afecta a los planes de inventario o producción. Su concepto de Enterprise Knowledge Graph (EKG) significa que todos los datos (productos, ubicaciones, proveedores, restricciones, etc.) están conectados como una red, permitiendo que cualquier cambio (como una nueva decisión de surtido o un cambio de precio) propague impactos a través del gráfico. Esto es poderoso en teoría: podría permitir una optimización concurrente verdadera, ajustando precios y reordenando simultáneamente para obtener el máximo beneficio y servicio. Sin embargo, no está claro si o9 actualmente optimiza automáticamente en esas dimensiones o simplemente permite un análisis unificado. A menudo, los clientes utilizan o9 para ejecutar escenarios: por ejemplo, escenario 1 - precio x, orden y; escenario 2 - precio x+5%, orden z - luego comparan los resultados. Eso es planificación integrada pero no necesariamente un solo algoritmo de optimización. Dicho esto, o9 es capaz de calcular escenarios complejos dado su motor. Es uno de los pocos que puede reunir de manera realista la planificación de surtido (merchandising) con la supply chain - por lo que un minorista puede planificar una estrategia de categoría (qué SKUs en qué tiendas) y o9 planificará simultáneamente el inventario y la reposición para ellos, asegurando que la supply coincida con el plan de merchandising. Muchas configuraciones heredadas hacen esto en pasos desconectados. o9 también promociona la colaboración con proveedores y la planificación de varios niveles en la misma plataforma, lo que significa que los problemas de supply upstream pueden informar las decisiones de merchandising downstream. Toda esta integración holística es una fortaleza clave y muy orientada al futuro. El principal desafío es la complejidad: modelar todos estos elementos en un solo sistema requiere una configuración e integración de datos significativas. Algunos usuarios informan que mientras o9 puede hacer todo, su implementación podría centrarse en una o dos áreas primero (digamos demanda y planificación de la supply), dejando los precios o el surtido para fases posteriores. Por lo tanto, la optimización conjunta es más un potencial que una realidad instantánea. Damos a o9 marcas fuertes por visión y arquitectura en optimización conjunta, moderadas por la pregunta de cuántos clientes realmente lo utilizan para decisiones de inventario-precios totalmente integradas. Aún así, la capacidad de la plataforma está ahí, y eso es más de lo que se puede decir de la mayoría.

Pronóstico Probabilístico y IA: o9 ciertamente se comercializa como una plataforma impulsada por IA. Tiene un motor de ML dedicado que puede ingerir muchas variables externas (muestran cosas como Google Trends, clima, datos socioeconómicos) en el pronóstico. El Knowledge Graph a veces se presenta como un facilitador de una mejor IA: al vincular todos los datos, supuestamente ayuda a los algoritmos de aprendizaje automático a encontrar predictores de demanda. Sin embargo, se justifica una mirada crítica. Un análisis independiente señaló: “Muchas afirmaciones de pronóstico sobre la base de datos del gráfico (EKG) son dudosas y no están respaldadas por la literatura científica. Toneladas de exageración de IA, pero los elementos encontrados en Github insinúan técnicas pedestres.” ⁴². Esto sugiere que los métodos de pronóstico reales de o9 pueden no ser tan revolucionarios como su marketing implica, posiblemente utilizando modelos de series de tiempo bastante estándar o regresión bajo el capó, a pesar de envolverlos en términos elegantes. De hecho, a o9 se le ha criticado por etiquetar incluso características interactivas simples como “IA”. Por ejemplo, generar escenarios rápidamente es una característica distintiva de su herramienta (debido al cálculo en memoria), pero la planificación de escenarios en sí no es IA, es solo simulación. Dicho esto, o9 sí tiene capacidades de aprendizaje automático: pueden construir modelos de ML para promociones, para introducciones de nuevos productos (usando pronóstico basado en atributos), etc. Adquirieron una pequeña empresa de IA (Fourkind) para impulsar su ciencia de datos. Así que no es todo palabrería; han implementado ML para el reconocimiento de patrones y la detección de anomalías en los pronósticos. Es solo que estos podrían ser similares a lo que hacen otros proveedores modernos. Hay pocas pruebas de que el modelo de gráfico mejore inherentemente la precisión del pronóstico; principalmente ayuda con la organización de datos. El pronóstico de o9 puede ser probabilístico en el sentido de que admiten simulaciones de Monte Carlo para escenarios (por ejemplo, simular 1000 caminos de demanda para ver la distribución de resultados), pero no los hemos visto enfatizar la emisión de distribuciones de probabilidad completas por defecto de la manera en que lo hace Lokad. Por lo tanto, en cuanto a la madurez del pronóstico probabilístico, podrían quedarse atrás de los jugadores especializados. Sin embargo, o9 incorpora IA de otras formas: por ejemplo, tienen una herramienta de riesgo de supply chain impulsada por IA para predecir posibles interrupciones, que está fuera del pronóstico clásico. También tienen un nuevo asistente de IA generativa (interfaz de chatbot para consultar el sistema), que es más UI que pronóstico central, pero muestra que invierten en tecnología de IA. En resumen, calificamos a o9 como teniendo buenas capacidades de IA pero posiblemente no tan diferenciadas como afirman. Definitivamente superan a los sistemas AP heredados que dependen del pronóstico manual, pero frente a pares como RELEX o Lokad, el enfoque de pronóstico de o9 podría parecer menos enfocado (ya que o9 también está equilibrando muchos otros aspectos de la planificación). El escepticismo de los expertos ⁴² indica que uno no debe tomar todas las afirmaciones de IA de o9 al pie de la letra. Queremos ver más validación independiente de sus ganancias en precisión de pronóstico. Hasta entonces, consideramos su IA creíble pero algo sobrecomercializada.

Toma de decisiones económicas: La plataforma de o9, siendo muy flexible, puede configurarse para optimizar varios objetivos, incluyendo los financieros. En contextos de planificación integrada de negocios (IBP), o9 a menudo ayuda a las empresas a evaluar escenarios por ingresos, margen, servicio, etc. Para el comercio minorista, su módulo RGM debería considerar explícitamente la elasticidad del precio y el margen - vinculando así directamente las decisiones con los resultados de beneficios e ingresos. Tienen la capacidad de ejecutar escenarios hipotéticos sobre la rentabilidad: por ejemplo, “¿Qué pasaría si bajamos el precio de esta categoría un 5%? ¿Cómo cambian el beneficio y el volumen? ¿Y pueden seguir nuestros proveedores?” Esto alinea la planificación con las métricas financieras. Sin embargo, si o9 optimiza automáticamente o simplemente proporciona el entorno de pruebas es una pregunta. Parte del valor de o9 proviene de permitir decisiones interfuncionales: por ejemplo, un usuario puede ver que un cierto plan de promoción causaría pérdidas de ventas debido a las restricciones de suministro, y decidir ajustarlo para maximizar el beneficio dado esas restricciones - todo dentro de la herramienta de o9. Esto facilita la toma de decisiones económicas (proporcionando transparencia y simulaciones rápidas). o9 también tiene solucionadores de optimización incorporados (para la supply chain y presumiblemente para la fijación de precios también). Pueden hacer cosas como optimización de inventario multi-escalonado (equilibrar el stock entre DCs y tiendas para minimizar los costos para un nivel de servicio objetivo) y optimización del calendario de promociones (elegir el mejor calendario de promociones para cumplir con los objetivos). Estos implican compromisos económicos. Un ejemplo: o9 puede optimizar la asignación de surtido - determinando cuántas caras o qué productos en cada tienda para maximizar una cierta métrica (como las ventas o el beneficio) bajo restricciones de espacio. Esa es una optimización matemática alineada con los objetivos económicos. Como la plataforma de o9 es personalizable, un minorista podría configurar una función objetivo de “maximizar el margen esperado menos el costo de mantenimiento” para el inventario, mientras que otro podría hacer “maximizar los ingresos sujetos a X”. La herramienta puede soportar ambos. Así que es flexible, pero eso también significa que o9 en sí no impone un enfoque económico - puede ser utilizado de una manera más manual/heurística si un cliente así lo elige. Su marketing en torno a la “planificación centrada en la decisión” y el “cerebro digital” implica que el sistema te guiará hacia la mejor decisión. Sin embargo, algunos críticos dicen que las demostraciones sofisticadas de o9 todavía dependen de mucho análisis humano en lugar de decisiones óptimas totalmente automatizadas ⁴². Sospechamos que el uso típico de o9 es presentar a los planificadores con escenarios y KPIs (costo, beneficio, etc.) y los planificadores deciden, en lugar de que el sistema escupa una única respuesta óptima. En términos de costo de oportunidad, no está claro si o9 calcula inherentemente esos (por ejemplo, el costo de un faltante de stock en términos de beneficio perdido - probablemente pueda si se configura). En la optimización de precios, si uno utiliza el RGM de o9, probablemente optimice matemáticamente los precios para alcanzar un objetivo financiero dado las curvas de elasticidad de la demanda, similar a otras herramientas de optimización de precios. Así que sí, puede ser económicamente impulsado. En general, o9 facilita fuertemente la toma de decisiones económicas (ya que está destinado a combinar la planificación operativa y financiera), pero cuán automatizado es, varía. Les damos crédito por conectar la planificación con los resultados empresariales (su argumento de venta es a menudo romper la pared entre las finanzas y la planificación de la supply chain). Solo ten en cuenta que lograr decisiones verdaderamente óptimas en términos de beneficios con o9 podría requerir una construcción y ajuste significativos del modelo durante la implementación.

Escalabilidad y Arquitectura: La arquitectura de o9 es una de sus características distintivas: utilizan un moderno motor de cálculo en memoria y el Enterprise Knowledge Graph para representar los datos en una estructura altamente conectada pero eficiente. Esto permite un rápido recorrido y cálculos. A menudo demuestran una propagación casi instantánea de cambios (por ejemplo, cambia un forecast y de inmediato se actualiza el plan de supply chain). Conceptualmente es similar a cómo Kinaxis logra la concurrencia, pero con un giro de DB gráfico. Sin embargo, como señaló el escéptico anteriormente, “la masa tecnológica de o9 está fuera de los gráficos, incluso para los estándares empresariales. El diseño en memoria garantiza altos costos de hardware.” ⁴. En otras palabras, o9 almacena una gran cantidad de datos y cálculos en memoria, por lo que ejecutarlo para una gran empresa podría necesitar servidores robustos o un alto gasto en la nube, similar a la situación de RELEX. o9 se basa en la nube (tienen su oferta de SaaS, a menudo en Azure), lo que proporciona elasticidad. Pero si un minorista usa o9 para modelar toda su red, además de datos financieros y comerciales detallados, el modelo puede ser extremadamente grande. Una ventaja: el modelo de gráfico puede ser más eficiente en memoria que las tablas de datos ingenuas porque almacena relaciones de manera elegante. Pero el crítico sugiere que aún es bastante pesado. De hecho, al principio, algunas implementaciones de o9 eran notorias por su alto uso de memoria. Probablemente han mejorado esto, y con la nube, pueden escalar horizontalmente hasta cierto punto (aunque ciertos cálculos aún necesitan una gran memoria compartida). La escalabilidad en el recuento de usuarios es buena: muchos usuarios pueden colaborar en el sistema, cada uno viendo diferentes segmentos, gracias a su back-end de alto rendimiento. o9 está siendo utilizado por empresas Fortune 500, lo que da fe de su escalabilidad para grandes empresas (incluyendo CPGs muy grandes y una cadena de comida rápida global). La eficiencia de costos es otro asunto: la evidencia anecdótica sugiere que o9 no es barato de ejecutar, dado su precio empresarial y las necesidades de recursos. Si uno es sensible a los costos, se podría preferir una solución más delgada para un subconjunto de tareas. Pero si uno valora la planificación integrada en tiempo real en toda una empresa, o9 entrega, y eso cuesta inherentemente más computación. En términos de rendimiento, o9 puede recalcular planes muy frecuentemente (algunos lo hacen diariamente o incluso intra-día para ciertos horizontes a corto plazo), lo cual es una mejora sobre, digamos, los ciclos de planificación por lotes semanales de antaño. También emplean microservicios y un enfoque de “plataforma”, lo que significa que se pueden actualizar partes del plan sin tener que ejecutar todo desde cero. El Knowledge Graph se actualiza de forma incremental a medida que fluyen nuevos datos. Esto es moderno y escalable en diseño. En resumen, o9 es técnicamente escalable a problemas muy grandes, pero los usuarios deben estar preparados para un uso significativo de hardware/nube (la plataforma es poderosa pero hambrienta). En comparación con soluciones verdaderamente ligeras y especializadas, o9 probablemente usará más memoria porque está resolviendo un problema integrado más grande. Por lo tanto, en escalabilidad le damos a o9 altas calificaciones por capacidad, media por eficiencia de costos.

Manejo de Factores Complejos de Retail: De manera predeterminada, o9 puede no tener tantas características predefinidas específicas para retail como algo como RELEX, pero puede configurarse para manejarlas. Por ejemplo, canibalización y halo - los modelos de ML de o9 pueden detectar estos si se les alimenta con datos transaccionales, de manera similar a cómo lo hace RELEX. Probablemente requiere que el equipo de ciencia de datos defina las características correctas o use el asistente de ML de o9. No encontramos referencias explícitas a la modelización de canibalización de promociones incorporada en los materiales de o9; es probable que se haga a través de su forecast de ML en lugar de un módulo separado. Los efectos de sustitución pueden manejarse porque o9 puede rastrear los niveles de inventario: podría establecer una regla o un modelo de ML que cuando un SKU está agotado, la demanda de un SKU correlacionado aumenta. Pero de nuevo, puede que necesite ser modelado explícitamente. Expiración/perishables: o9 puede manejar atributos de lote (su modelo de datos puede incorporar atributos de artículo como la fecha de vencimiento). Un minorista podría usar o9 para planificar la producción y distribución en alineación con las restricciones de vida útil (por ejemplo, asegurar que los artículos se envíen a las tiendas con suficiente vida restante). Pero puede requerir la personalización de las restricciones y objetivos. No es una solución dedicada a alimentos frescos, por lo que no calculará automáticamente las proyecciones de desperdicio a menos que implemente esa lógica. En contraste, algunos otros proveedores tienen eso incorporado. Así que o9 puede hacerlo, pero el usuario debe saber incluirlo en su modelo. Las promociones y la estacionalidad definitivamente se manejan: el forecast y la planificación de o9 tienen en cuenta los aumentos de promoción (tienen un módulo de planificación de promociones para ingresar promociones que luego ajustan los forecast y los planes de suministro). También permiten la planificación de inventario multi-echelon, lo que significa que pueden optimizar los niveles de stock en los DCs y las tiendas teniendo en cuenta la variabilidad, una forma de manejar la incertidumbre de la demanda de manera elegante. Sospechamos que o9, al ser de varias industrias, no tiene tantos algoritmos especializados en retail predefinidos (como no sugerirá automáticamente “este artículo es un sustituto de ese” a menos que configure esa lógica). Pero su flexibilidad significa que cualquier factor de retail puede ser modelado. También proporcionan lo que llaman “torres de control” - esencialmente dashboards para monitorear cosas como faltantes de stock, ventas perdidas, excesos - que ayudan a identificar problemas como la canibalización o los surtidos pobres. Además, el gráfico de conocimiento de o9 puede integrarse con datos externos, por lo que algo como el clima puede ser incorporado para ajustar los forecast (si el usuario lo configura). Es probable que muchos clientes de retail de o9 utilicen señales de demanda externas. La optimización del surtido es explícitamente parte de su oferta (enumeran soluciones de “planificación de mercancías y surtido”), lo que significa que pueden usar análisis para determinar los surtidos ideales específicos de la tienda, y tener en cuenta las preferencias locales y las restricciones de espacio. Combinado con su IBP, pueden asegurar que los cambios de surtido sean factibles desde el punto de vista del suministro. Eso aborda la complejidad de la demanda localizada. En resumen, o9 es capaz en factores complejos, pero requiere un equipo de implementación capaz para aprovechar esas capacidades. Puede que no sea tan listo para los detalles de retail como un proveedor solo de retail, pero una vez configurado, puede rivalizar con ellos. Una crítica a tener en cuenta: el comentario de expertos anterior implica que algunas de las tecnologías avanzadas de o9 podrían depender en realidad de métodos más simples (mencionan proyectos de código abierto como tsfresh, ARIMA, etc. en el contexto de o9) ⁴³, lo que podría significar que algunos fenómenos complejos se abordan con técnicas bastante básicas (como la regresión lineal para promociones, que funciona pero no es de vanguardia). Si es cierto, o9 podría necesitar profundizar su enfoque para capturar realmente, digamos, los impactos de canibalización no lineales. Sin embargo, dado sus recursos y su enfoque en la IA, es probable que estén mejorando aquí. Los calificaremos bien en flexibilidad para la complejidad, moderados en el historial probado específicamente en casos extremos de retail (alimentos frescos, etc.).

Automatización: La plataforma de o9 es principalmente una herramienta de planificación y apoyo a la toma de decisiones, destaca en crear planes y escenarios rápidamente. Si se ejecuta automáticamente o no, depende en gran medida de la organización del usuario. Muchos usuarios de o9 todavía involucran a los planificadores para elegir escenarios y aprobar planes. Sin embargo, o9 proporciona la capacidad para una planificación continua. Enfatizan conceptos como “qué pasaría si en tiempo real” y “replanificación continua”, que insinúan la automatización (el sistema actualiza constantemente el plan a medida que cambian las condiciones). Por ejemplo, si la demanda aumenta en una región, o9 puede reasignar automáticamente el inventario en el plan y sugerir aceleraciones. Algunos han llamado al enfoque de o9 “planificación autónoma” en marketing, pero en la realidad, a menudo complementa a los planificadores en lugar de reemplazarlos. Dicho esto, o9 ha introducido características como agentes de IA que pueden monitorear datos y hacer recomendaciones. Y se dice que su nuevo GenAI Orchestrator “permite a las empresas tomar decisiones más rápidas e inteligentes y aumentar la productividad del planificador” ⁴⁴ - acelerando principalmente cómo los planificadores pueden obtener información. La automatización completa sin supervisión (como la ejecución automática de pedidos o cambios de precios) no se menciona comúnmente con o9. Normalmente, o9 alimentaría planes optimizados en un ERP o sistema de ejecución que luego los lleva a cabo. Por lo tanto, la automatización en el contexto de o9 se trata más de automatizar el proceso de planificación (sin cálculos manuales de hojas de cálculo, actualizaciones automáticas de forecast, alertas automáticas cuando el plan se desvía, etc.) que la ejecución. La diferencia con algo como Lokad o RELEX es sutil: o9 automatiza cálculos y proporciona una recomendación de decisión, pero a menudo un humano es quien toma la decisión final; Lokad/RELEX a menudo se configuran para generar automáticamente el pedido real o el cambio de precio. Dicho esto, si una empresa eligiera hacerlo, podría tratar las salidas de o9 como decisiones autorizadas automáticamente. Por ejemplo, o9 podría generar propuestas de pedidos que van directamente a un sistema de gestión de pedidos diariamente, eso es factible. O podría calcular nuevos precios de transferencia o sugerencias de reducción de precios y enviarlos a las tiendas. La capacidad está ahí, pero los usuarios típicos de o9 (a menudo grandes empresas) tienden a mantener a un humano en el ciclo de decisiones críticas. Deberíamos señalar que la fortaleza de o9 en la planificación de escenarios en realidad reduce la necesidad de ensayo y error por parte de los humanos: el sistema en sí puede simular innumerables escenarios (casi como una lluvia de ideas automatizada). Por lo tanto, en cierto sentido, automatiza la evaluación de opciones, dejando al humano simplemente elegir entre las mejores opciones. Esto acelera la toma de decisiones de manera dramática. Por lo tanto, en términos de productividad del planificador, o9 automatiza el trabajo pesado. También tienen flujos de trabajo (como aprobaciones, notificaciones) que pueden enrutar automáticamente las excepciones a la persona correcta. Para ser escépticos, el marketing de o9 de un “Cerebro Digital” puede implicar una cadena de suministro autónoma, pero en realidad es más como una muy buena cabina de decisión que requiere un piloto hábil. Les damos calificaciones moderadas a altas en la automatización de cálculos de planificación, pero más bajas en la ejecución autónoma sin intervención humana. En comparación con los sistemas más antiguos que requieren muchas entradas manuales, o9 es un gran avance. En comparación con el ideal de la IA conduciendo las operaciones minoristas, o9 aún no está allí (ni la mayoría).

Integración de Tecnología: o9 fue construido como una única plataforma desde cero (por veteranos de ex-i2 Technologies), por lo que no heredó un mosaico de módulos adquiridos, lo cual es positivo para la integración. Su arquitectura de microservicios y modelo de datos unificado significan que todas las partes del sistema se comunican entre sí sin problemas. No necesitas bases de datos separadas para el forecasting vs la planificación de supply chain; el Knowledge Graph alberga todo. Esto evita el tradicional dolor de cabeza de la integración entre, digamos, un sistema de forecasting y un sistema de optimización de inventario. Todos los datos se cargan una vez en o9 y luego diferentes “apps” dentro de él operan con esos datos compartidos. La experiencia del usuario también está unificada (tienen una interfaz de usuario basada en la web que es común en todos los módulos, con paneles de control configurables). Por lo tanto, desde la perspectiva del usuario, se siente como un solo sistema para todas las tareas de planificación. Esto es una gran ventaja sobre una solución Frankenstein. Sin embargo, a medida que o9 ha crecido, ha añadido muchas características y quizás ha adquirido una pequeña empresa o dos (como la consultoría de IA, y una para el diseño de supply chain tal vez). Podría haber alguna integración necesaria en esas áreas periféricas, pero la planificación central sigue siendo unificada. Una crítica de un experto dijo que o9 es “el arquetipo del gran proveedor de tecnología” con “masa tecnológica fuera de las gráficas”, insinuando que es muy complejo bajo el capó ⁴. Esto sugiere que, aunque no es un Frankenstein de adquisiciones, la propia plataforma de o9 es masiva, lo que potencialmente la hace complicada de implementar o mantener. Pero esa es una complejidad interna en lugar de la integración de tecnología dispar. Los compradores empresariales a menudo prefieren una plataforma integrada como o9 porque reduce el número de proveedores e interfaces. Esa es la fortaleza de o9: compras una plataforma en lugar de forecasting separado, planificación de supply chain, S&OP, etc. El riesgo es que, si una parte de la plataforma no es de primera clase, aún estás atado a ella a menos que integres otra herramienta (lo que derrota el propósito). En cuanto a la “coherencia de la pila tecnológica”, o9 es coherente: está construido principalmente en la pila tecnológica de Microsoft (.NET, etc.) y utiliza una estructura de base de datos en gráfico que ellos desarrollaron. Por lo tanto, no vemos problemas como la copia de datos entre subsistemas o lógica inconsistente. El compromiso: adoptar o9 significa alinear tus procesos al enfoque de la plataforma de o9, lo cual puede ser un gran cambio. Pero desde una perspectiva de TI, probablemente simplifica el panorama en comparación con múltiples sistemas heredados. En resumen, o9 no es un Frankenstein, es un cerebro diseñado (aunque muy complejo). Eso es bueno para el mantenimiento a largo plazo si el cliente lo adopta completamente, pero puede ser abrumador al principio. Creemos que o9 cumple bien con el criterio de “pila tecnológica coherente”.

Escepticismo hacia el bombo publicitario: Si hay un proveedor en esta lista que activa la alarma de “hype”, podría ser o9. Utilizan palabras de moda liberalmente - Enterprise Knowledge Graph™, Digital Brain, AI/ML, ahora Generative AI. Su marketing es elegante y a veces vago en los detalles técnicos, centrándose en cambio en los beneficios generales. Por ejemplo, promocionan tener un marco de AI/ML pero escucharás menos acerca de exactamente qué algoritmos utilizan (mientras que un proveedor como Lokad o ToolsGroup podría discutir abiertamente el uso de modelos probabilísticos o redes neuronales, o9 se mantiene a un nivel más alto). Algunos observadores de la industria han acusado a o9 de ser “AI Theater”, mostrando demos llamativas con muchas analíticas pero utilizando técnicas bastante estándar detrás de escena ⁴². El informe citado anteriormente por Lokad colocó a o9 cerca del fondo de un ranking, citando “toneladas de hype de AI” y que características interactivas triviales estaban siendo marcadas como AI ⁴². Esta es una crítica dura, probablemente desde la perspectiva de un competidor, pero resuena con la sensación de que el marketing de o9 está por delante de su realidad probada. o9 también nombra características de formas futuristas - por ejemplo, afirmando un motor de “quantum learning” (un término prestado de su adquisición de Evo en 2023) que suena de vanguardia pero es esencialmente un enfoque de ML conjunto. Hablan de “tecnología de cubo de gráfico” conectando datos ⁴⁵ lo cual está bien, pero podría desconcertar a los clientes. Demand sensing y digital twin son otras palabras de moda que o9 podría soltar (aunque lo enmarcan como gráfico de conocimiento/cerebro digital en lugar de gemelo, para ser justos). Como escéptico, uno debería preguntar: ¿están las empresas logrando los resultados dramáticos que o9 implica (como aumentos de ingresos del 10% únicamente por una mejor planificación)? Algunos informan buenos resultados, pero las referencias independientes son menos ya que o9 es más joven que, por ejemplo, SAP. Otro aspecto de hype: o9 a menudo se posiciona como una plataforma en la nube plug-and-play que puede ser implementada más rápido que los sistemas antiguos. Sin embargo, se ha informado que algunas implementaciones llevan tiempo y consultoría significativos (porque modelar una empresa completa no es trivial). Por lo tanto, la idea de que puedes simplemente desplegar o9 y obtener una planificación integrada instantánea es optimista. Es generalmente más rápido que implementar varias herramientas separadas, pero no es “instantáneo”. Dicho esto, no deberíamos descontar los logros de o9: realmente introdujeron tecnología moderna y UI a un espacio que lo necesitaba, y muchos clientes están satisfechos. Probablemente sí cumplen con proporcionar una capacidad de planificación mucho mejor de lo que tenían los clientes. Por lo tanto, el hype está parcialmente justificado - o9 es un sistema de planificación de próxima generación. La clave es analizar sus afirmaciones: Si dicen “nuestra AI optimizará de forma autónoma su negocio”, tómalo con sal. En cambio, sabe que “nuestra plataforma te permitirá modelar y optimizar tu negocio mejor, pero tu equipo estará involucrado para dirigirlo”. Animaríamos a los posibles clientes a exigir demos concretas o pruebas para cualquier afirmación elevada, especialmente en torno a la precisión del forecast impulsado por AI o las mejoras en el ROI. El marco es fuerte; cómo se usa decide el resultado. En conclusión, el marketing de o9 es ciertamente agresivo en términos de palabras de moda, por lo que aconsejamos un escepticismo saludable. Sin embargo, en términos de sustancia, sí tienen una plataforma poderosa para respaldar una buena parte de ella - sólo ten en cuenta que no todo lo etiquetado como “AI” es verdaderamente AI innovadora (algunas son solo cálculos eficientes). Le damos a o9 una puntuación media en honestidad de marketing: tienen alguna innovación tecnológica genuina, pero también empujan el sobre del hype más que otros, requiriendo una diligencia debida cuidadosa por parte de los compradores.

Resumen: o9 Solutions ofrece una plataforma impresionantemente amplia e integrada para la optimización minorista, con el objetivo de servir como el “cerebro digital” que conecta las decisiones de merchandising, supply chain y precios. Su arquitectura de Knowledge Graph y su motor en memoria permiten una planificación rápida y concurrente y un análisis de escenarios rico que pocos pueden igualar. o9 apoya la consideración conjunta de precios, demanda y suministro, lo que permite alinear las estrategias de surtido y precios con las restricciones de inventario y suministro en una sola herramienta, una visión de verdadero IBP. Aprovecha la IA/ML en el forecast y análisis, aunque hasta qué punto ha avanzado aquí es objeto de debate ⁴². El sistema ciertamente puede incorporar factores complejos y grandes conjuntos de datos, aunque con una alta demanda computacional. La escalabilidad es de nivel empresarial (utilizada por empresas de miles de millones de dólares), pero la eficiencia de costos podría ser una preocupación (el enfoque en memoria puede ser hambriento de hardware) ⁴. o9 empodera a los planificadores a través de la automatización de cálculos y planificación de escenarios, aunque a menudo es un sistema de apoyo a la decisión más que un tomador de decisiones completamente autónomo. Tecnológicamente, es una plataforma cohesiva construida internamente, evitando las trampas de las suites de Frankenstein. Las principales advertencias son su propensión al hype - algunas afirmaciones de IA mágica o transformación “instantánea” deben ser vistas críticamente - y la complejidad de implementar un sistema tan completo. Para las organizaciones con visión de futuro dispuestas a invertir en una plataforma de planificación unificada, o9 es un contendiente principal, ofreciendo una arquitectura a prueba de futuro y flexibilidad. Pero un proyecto exitoso de o9 requiere separar el brillo del marketing de la realidad, y asegurarse de que la solución esté configurada para aprovechar realmente su potencial (en lugar de replicar procesos antiguos en un sistema nuevo y brillante). En nuestro ranking escéptico, o9 obtiene una alta puntuación en visión e integración, moderada en diferenciación probada de IA, y necesita una cuidadosa verificación de sus promesas cargadas de palabras de moda. Sigue siendo una de las plataformas más avanzadas que existen, solo acérquese con los ojos abiertos para asegurarse de que la sustancia coincide con el discurso de ventas.

Fuentes: Crítica del diseño en memoria de o9 y las afirmaciones de IA ⁴; la afirmación de o9 de una plataforma de planificación y RGM (precios) integrada ⁴¹; Perspectiva de Blue Yonder sobre el uso de datos para vincular el impacto del precio al inventario (como un enfoque similar que o9 usaría) ²⁷.

4. ToolsGroup – Optimización de inventario probada, evolucionando hacia la planificación minorista unificada (con complementos de IA)

ToolsGroup es un proveedor establecido (fundado en 1993) históricamente conocido por su software Service Optimizer 99+ (SO99+) centrado en el forecast de demanda y la optimización de inventario. Tiene un fuerte legado en la fabricación y distribución, pero también muchos clientes de bienes de consumo y minoristas para la planificación de reposición. En los últimos años, ToolsGroup ha expandido sus capacidades a través de adquisiciones, notablemente adquiriendo la suite de planificación minorista JustEnough y una empresa de IA Evo, para ofrecer una plataforma de optimización minorista más completa que incluye planificación de surtido y mercancías, forecast de demanda, optimización de inventario y ahora optimización de precios ⁴⁶ ⁴⁷. El sello distintivo de ToolsGroup ha sido durante mucho tiempo su uso del forecast probabilístico para la planificación de inventario, y una filosofía de planificación de supply chain altamente automatizada y “orientada al nivel de servicio”. Ahora, con los módulos adquiridos y las mejoras de IA, busca optimizar conjuntamente el inventario y los precios, proporcionando una planificación minorista de extremo a extremo (ellos lo llaman “Planificación centrada en la decisión”). Clasificamos a ToolsGroup como un jugador sólido y técnicamente competente con una profunda experiencia en optimización de inventario, aunque notamos que está en transición integrando nuevas piezas. Destaca en ciertas áreas (incertidumbre del forecast, automatización) pero necesita un escrutinio respecto a cuán verdaderamente unificada y moderna es su solución combinada (algunas afirmaciones de marketing de “IA” han generado escepticismo ¹⁹).

Optimización Conjunta: Históricamente, ToolsGroup se centró en el lado del inventario - asegurando los niveles de inventario correctos para cumplir con el servicio objetivo, teniendo en cuenta la incertidumbre. La fijación de precios y el surtido estaban fuera de su alcance. Con la adquisición de JustEnough (un especialista en planificación financiera de mercancías, surtido y asignación) y la integración de la IA de optimización de precios de Evo, ToolsGroup ahora publicita la capacidad de optimizar la fijación de precios y el inventario juntos. Por ejemplo, su nueva oferta incluye software de Precios al por menor que puede simular cómo los cambios de precios afectan la demanda y se acumulan en los ingresos ⁴⁸ ⁴⁹, y lo que es importante, lo hace con total visibilidad de los niveles de inventario ⁴⁹. La integración de la fijación de precios con el inventario significa que el sistema está al tanto del stock en mano cuando sugiere acciones de precios - un requisito para la optimización conjunta (no tiene sentido reducir el precio si no tienes stock para vender, por ejemplo). Destacan que su herramienta de fijación de precios proporciona “una vista completa del inventario actual y la tasa de venta” para que las decisiones de fijación de precios se tomen en el contexto del inventario a lo largo de la supply chain ⁴⁹ ⁵⁰. Esto sugiere un enfoque coordinado: si el inventario es alto, el sistema podría desencadenar rebajas; si el inventario es escaso, podría mantener el precio o incluso sugerir aumentarlo (si eso está dentro de la estrategia). Además, el plan de ToolsGroup con Evo es entregar optimización dinámica de precios que se integra en la planificación de suministros ⁵¹ ⁵². La IA de Evo se especializó en vincular las decisiones de fijación de precios e inventario - su CEO dijo que el objetivo es entregar “cálculos óptimos de precio e inventario” en conjunto para impulsar mejores decisiones a lo largo de la cadena de valor ⁵³. Esto indica un algoritmo de optimización unificado o al menos algoritmos estrechamente vinculados: uno que encuentra el precio que maximiza las ganancias dadas las restricciones de inventario y la demanda esperada, y uno que encuentra el plan de inventario que respalda esa demanda a los precios elegidos. Es temprano - Evo fue adquirido a finales de 2023 ⁴⁷, por lo que es probable que la integración esté en curso - pero ToolsGroup claramente tiene la intención de tener la optimización de precios e inventario bajo un mismo techo, en lugar de como pasos secuenciales. En cuanto al surtido, el componente JustEnough proporciona herramientas para la planificación de surtido y asignación (decidir qué productos van a qué tiendas, cómo asignar el stock inicial, etc.). Eso ahora se encuentra junto a la previsión de demanda y la reposición. Si está bien integrado, esto significa que ToolsGroup puede optimizar el ciclo de vida completo del producto: planificar el surtido, establecer las asignaciones iniciales, prever la demanda, monitorear y reponer el inventario, y ajustar los precios (rebajas) hacia el final de la vida. Las piezas están todas allí en papel. La pregunta es cuán suavemente trabajan juntas. Dado que estos eran productos separados, la integración puede que aún no sea perfecta (aunque ToolsGroup afirma una “arquitectura de solución modular” que están uniendo de manera cohesiva ⁵⁴). Anticipamos que la optimización conjunta en el caso de ToolsGroup podría ser actualmente más secuencial (el módulo de precios toma un forecast del módulo de forecast, optimiza los precios; el módulo de inventario toma la demanda resultante y optimiza el stock). Con el tiempo, con las analíticas avanzadas de Evo, podrían fusionar estos en un bucle que optimiza directamente las ganancias (precio y cantidad). Por ahora, otorgaremos a ToolsGroup crédito por moverse fuertemente hacia la optimización conjunta - pocos proveedores en su categoría tienen capacidades de precio e inventario en absoluto. Algunos resultados tempranos: ToolsGroup (con Evo) trabajó con minoristas como Decathlon en la fijación de precios y vio aumentos de margen mientras respetaba las restricciones de inventario ⁵⁵ ⁵⁶ (la información del caso sugiere pruebas iterativas A/B para encontrar precios óptimos que mejoren el margen sin dañar la imagen de la marca, hecho de una manera informada por el stock). Esa es una forma práctica de optimización conjunta (pruebas de precios guiadas por datos de inventario y margen). En resumen, ToolsGroup está evolucionando rápidamente de ser un jugador de nicho en la optimización de inventario a una suite de optimización de retail holística. Probablemente esté por detrás de Lokad o o9 en cuanto a cuán profundamente unificada está la optimización en este momento, pero está en el camino y ya cubre los tres pilares (inventario, precios, surtido).

Pronóstico Probabilístico & IA: ToolsGroup fue pionero en el forecast probabilístico de demanda para supply chain. Mucho antes de que estuviera de moda, SO99+ generaba distribuciones de demanda en lugar de números únicos, lo que le permitía calcular los niveles óptimos de inventario para una probabilidad de servicio objetivo. Este enfoque lo distingue de muchas herramientas heredadas que utilizaban pronósticos promedio y fórmulas de stock de seguridad. ToolsGroup tiene una amplia propiedad intelectual en esta área, por ejemplo, utilizando simulaciones de Monte Carlo o modelos de probabilidad analítica para prever la variabilidad de la demanda por SKU, y luego determinar las políticas de stock. Esta ha sido una de sus principales fortalezas; los clientes a menudo lograban altos niveles de servicio con menos stock porque los métodos de ToolsGroup capturaban mejor la incertidumbre (en comparación con el stock de seguridad simplista). Continúan educando al mercado sobre el valor del forecast probabilístico (sus materiales hablan de él como esencial en entornos inciertos ⁵⁷). Sin embargo, una nota crítica: ToolsGroup en el pasado a menudo todavía informaba métricas como MAPE a los clientes y en marketing. La revisión de Lokad señaló una inconsistencia donde ToolsGroup anuncia forecasts probabilísticos desde 2018 junto con afirmaciones de reducción de MAPE, a pesar de que “MAPE no se aplica a forecasts probabilísticos”. ¹⁹. Esto implica que su marketing no se puso al día con la metodología (usando una métrica familiar incluso si no es del todo aplicable), o que todavía pueden generar un forecast de valor esperado para comparación. En cualquier caso, claramente adoptan el pensamiento probabilístico. En el frente de IA/ML, ToolsGroup ha estado incorporando más machine learning para manejar los impulsores de la demanda y el reconocimiento de patrones. Tradicionalmente, su forecast podría haber sido más estadístico (como el método de Croston para demanda intermitente, etc.), pero ahora tienen características como la incorporación de factores causales, regresión para promociones e incluso conjuntos de machine learning. La adquisición de Evo trae una IA muy moderna: el “quantum learning” de Evo es básicamente un algoritmo avanzado de ML (posiblemente un conjunto propietario o una técnica de aprendizaje por refuerzo) destinado a encontrar decisiones óptimas rápidamente ⁵⁸. La integración de ToolsGroup de Evo declara explícitamente que añade “optimización no lineal, quantum learning y analítica prescriptiva avanzada” a sus soluciones ⁵². Eso sugiere un impulso en la sofisticación de la IA, especialmente para las decisiones de precios y promociones que son no lineales por naturaleza. También adquirieron una empresa llamada AI.io (anteriormente llamada Halo Business Intelligence) hace algunos años, lo que les dio un banco de trabajo de forecast de demanda impulsado por IA. Así que ToolsGroup ciertamente está infundiendo IA. Dicho esto, su marketing de IA a veces ha sido un poco dudoso, como señaló el estudio de Lokad: “ToolsGroup presenta amplias capacidades, sin embargo, sus afirmaciones de ‘IA’ son dudosas. Los materiales públicos insinúan modelos de forecast pre-2000. Las afirmaciones sobre ‘demand sensing’ no están respaldadas por la literatura científica.” ¹⁹. Esto implica que hasta hace poco, ToolsGroup quizás estaba renombrando lo que es esencialmente métodos de forecast de décadas de antigüedad (como Croston, ARIMA) como “IA” sin verdadero ML moderno. Y que su uso de términos como “demand sensing” (que sí mencionaron en folletos) no estaba respaldado por algo novedoso. Tomamos esto como una advertencia para escudriñar las afirmaciones de IA de ToolsGroup. Sin embargo, con la reciente adición de EvoAI (2023), esperamos que la sustancia de IA de ToolsGroup haya aumentado: Evo era una empresa joven arraigada en ML para precios/inventario, y ToolsGroup está promocionando nuevas características concretas de ella (por ejemplo, selección automática de modelos, algoritmos receptivos que se adaptan a cambios recientes, etc.). Además, el enfoque probabilístico de ToolsGroup en sí es una especie de IA (modelado estocástico), incluso si no es “machine learning”: es una técnica analítica sofisticada que muchos otros carecían. Así que en habilidades de forecast, ToolsGroup es fuerte. En nueva IA, están poniéndose al día con sus pares. En general, ToolsGroup proporciona calidad de forecast confiable y ahora más visión sobre los impulsores de la demanda y las relaciones precio-demanda gracias a ML. Les damos una alta puntuación en forecast probabilístico (uno de los pocos que lo hizo extensivamente), y un medio en innovación de IA (están mejorando pero tienen un historial de un poco de exageración). La combinación de lo viejo y lo nuevo puede ser poderosa si se ejecuta correctamente: por ejemplo, usar ML para detectar un cambio de patrón (digamos el cambio de COVID), luego usar el modelo probabilístico para ajustar los objetivos de inventario en consecuencia. Es probable que ToolsGroup esté haciendo tales enfoques híbridos. Solo hay que asegurarse de que realmente aprovechen ML donde sea beneficioso y no solo en palabras de moda.

Toma de decisiones económicas: Tradicionalmente, el enfoque de ToolsGroup hacia el inventario se enmarcaba como optimización del nivel de servicio - estableces un objetivo de servicio o tasa de llenado y su algoritmo encuentra el stock mínimo para lograrlo dada la incertidumbre. Eso es indirectamente económico (un mejor servicio evita ventas perdidas, menos stock evita costos de mantenimiento), pero no maximiza explícitamente el beneficio. Sin embargo, incorporaron optimización de inventario multi-escalonado (MEIO) que equilibra inherentemente el inventario vs. los costos de backorder, etc., una optimización fundamentada económicamente. Con su visión más reciente, la rentabilidad está más al frente. El CEO de ToolsGroup declaró que la combinación con JustEnough tiene como objetivo dar a los minoristas “una visión de 360 grados que es en tiempo real, predictiva y accionable… los clientes pueden mejorar más eficientemente la disponibilidad del producto y superar a la competencia en la gestión de la demanda volátil de hoy.” ⁵⁹. Aunque esa cita enfatiza el servicio y la agilidad, el comunicado de prensa de la adquisición de Evo es más directo: “amplía nuestra ventaja con la optimización dinámica de precios… permitiéndonos dar el próximo salto hacia la Planificación Centrada en la Decisión … esencial para entregar la supply chain autónoma del futuro.” ⁵². El término “centrado en la decisión” implica centrarse en el resultado de la decisión (a menudo financiero). El fundador de Evo habló de dar forma a la visión para “decisiones más inteligentes para los gerentes humanos a través de cálculos óptimos de precio e inventario” ⁵³ - eso claramente significa usar la optimización para maximizar algún objetivo (probablemente beneficio o ingresos) en lugar de simplemente alcanzar objetivos de servicio. Y de hecho “La IA receptiva de Evo proporciona un ingrediente esencial para entregar la supply chain autónoma” ⁵⁸ - presumiblemente el ingrediente es ajustar continuamente las decisiones basadas en los resultados, lo cual es similar a maximizar las métricas de rendimiento. En el lado de los precios, la rentabilidad es obviamente clave - la solución de precios de ToolsGroup se trata de “maximizar la rentabilidad creando una estrategia de precios basada en datos” ⁶⁰. Permite la fijación de precios basada en reglas pero también ML para ajustarse a los cambios en la demanda del consumidor, y para “maximizar el margen de beneficio” dentro de los límites establecidos ⁶¹. La mención de “Se pueden crear diferentes precios… con una visión completa de … inventario y tasa de venta, ayudando a satisfacer la demanda y minimizar los costos en toda la supply chain.” ⁴⁹ muestra que la herramienta de precios no solo está mirando el margen en aislamiento, sino que también está considerando los costos de mantenimiento del inventario y potencialmente la evitación de reducciones de precios (minimización de costos). Eso es pensar económicamente - decisiones de precios que tienen en cuenta los costos de la supply chain. En el inventario, ToolsGroup también puede incorporar costo de mantenimiento vs. costo de faltante de stock si se configura, optimizando así los niveles de servicio económicamente. De hecho, los objetivos de servicio pueden derivarse de un modelo económico (por ejemplo, un servicio más alto para productos de alto margen). No estoy seguro de si ToolsGroup hace eso explícitamente, pero los clientes a menudo hacen tal clasificación externamente. Ahora, con la analítica prescriptiva de Evo, esperamos que ToolsGroup se incline hacia la recomendación de decisiones óptimas en términos de beneficios (como cuánto almacenar y a qué precio para maximizar el beneficio esperado, dada la incertidumbre). Los componentes básicos están ahí, y el equipo de Evo presumiblemente tenía esta metodología (sus antecedentes académicos sugieren experiencia en investigación de operaciones). Una pequeña precaución: el mensaje de ToolsGroup todavía hace referencia a menudo a los KPI tradicionales (servicio, reducción de inventario) más que al beneficio directo. Pero eso es similar a otros en el espacio de la supply chain. Tenemos evidencia de que están incorporando más la rentabilidad - por ejemplo, su característica de racionalización del surtido (probablemente de JustEnough) para eliminar los SKU no rentables, alineando el surtido con la contribución financiera. Además, las historias de los clientes mencionan la reducción del inventario y la mejora de las ventas/servicio (que se traduce en mejoras de beneficios). No hay un ejemplo público de ToolsGroup maximizando directamente una métrica de beneficio, pero combinar la optimización de precios e inventario se inclina inherentemente en esa dirección. Daremos a ToolsGroup calificaciones bastante altas aquí, notando su enfoque de larga data de “servicio al menor costo” y su nuevo impulso hacia la fijación de precios basada en el margen. Pueden no estar tan obsesionados con el costo de oportunidad como Lokad, pero definitivamente están más allá de las heurísticas simplistas. Una crítica a mencionar: la revisión de Lokad sugirió que los materiales de ToolsGroup están un poco atrasados - usando MAPE, etc., lo que podría indicar que no están enmarcando completamente las cosas en términos de costo esperado públicamente ⁶². Aún así, la adición de Evo y la charla de “los mejores resultados financieros posibles” ⁶³ para los clientes que utilizan la optimización combinada de precio+inventario ⁶³ es una fuerte señal de enfoque en el objetivo económico.

Escalabilidad y eficiencia de costos: La original SO99+ de ToolsGroup solía implementarse en las instalaciones o como una solución alojada para empresas medianas a grandes. No es tan pesada como algunos grandes sistemas APS; por diseño, se centró en las “partes difíciles” (forecasting, cálculos de inventario) y no en la integración gigante de datos. Muchas empresas de tamaño medio la ejecutaron con éxito. Está bastante optimizada matemáticamente, lo que significa que el cálculo para la optimización del inventario no es enorme (resolviendo la distribución del inventario a través de algoritmos y quizás programación lineal para multi-echelon). Para el forecasting de demanda, tenían su propio motor que podía procesar grandes cantidades de series durante la noche (por ejemplo). Ahora ofrecen una opción completa de SaaS en la nube, que probablemente sea más fácil de escalar según sea necesario. En el informe 2024 de Gartner, ToolsGroup fue un nuevo participante y se destacó por su “costo de entrada asequible” y “precios transparentes”, y por ser utilizado como una única solución global para algunos (lo que implica que puede escalar a nivel global) ⁶⁴ ⁶⁵. Esto sugiere que ToolsGroup es considerado relativamente eficiente en costos y escalable para su categoría. De hecho, su enfoque en el mercado medio históricamente significaba que tenían que ser más fuera de la caja y no requerir un ejército de IT. Con el retail, los volúmenes de datos pueden ser grandes (nivel de tienda-SKU). JustEnough (el sistema de retail adquirido) era conocido por servir a grandes minoristas (tenía clientes como Sephora, creo) por lo que puede manejar surtidos de tamaño considerable. Sin embargo, algunos aspectos como la optimización de precios (si se hacen precios a nivel de tienda detallados) pueden volverse intensivos en datos. Es probable que la implementación típica de ToolsGroup todavía sea algo orientada a lotes - por ejemplo, reforecasts nocturnos o semanales, actualizaciones de inventario - en lugar de en tiempo real, lo cual está bien para muchos contextos. Eso significa que no necesariamente necesitan tener todo en memoria 24/7; pueden calcular y liberar memoria. Esto es más eficiente en costos que un enfoque constante en memoria. Por otro lado, para integrarse con la fijación dinámica de precios, podrían necesitar ciclos de cálculo más frecuentes. Promocionan la “IA receptiva” con Evo, lo que significa recálculos más rápidos cuando cambian las condiciones ⁵⁸. La tecnología de Evo podría permitir una reoptimización casi en tiempo real (Evo, siendo una startup, probablemente utilizó la nube y posiblemente la computación GPU para la velocidad). ToolsGroup también adquirió Onera en 2022 para la visibilidad del inventario en tiempo real y la optimización del cumplimiento ⁶⁶, lo que significa que están avanzando hacia decisiones de cumplimiento de ecommerce en tiempo real. Esas adiciones podrían aumentar la necesidad de músculo computacional. Pero dada su posición en el mercado, ToolsGroup apuntaría a hacer esto de manera eficiente para atraer también a minoristas de tamaño medio, no solo a mega minoristas. La arquitectura ahora es algo modular: núcleo SO99+ (en C++ tal vez) más servicios en la nube a su alrededor conectándose a los módulos JustEnough (que podrían ser .NET o Java). La integración de estos podría agregar temporalmente sobrecarga (dos sistemas hablando). Pero ToolsGroup está integrando activamente - por ejemplo, “Gracias al recientemente integrado motor EvoAI, JustEnough lidera la carga en la planificación de retail impulsada por IA” ⁶⁷, indicando que están incorporando Evo en la solución JustEnough/ToolsGroup en lugar de mantenerlo separado. La huella de ToolsGroup es generalmente más ligera que SAP o Blue Yonder. Por ejemplo, un proyecto de ToolsGroup podría no requerir un equipo de IT interno para administrar servidores enormes, ellos lo manejan como SaaS. Mencionan que “la arquitectura modular facilita a los clientes seleccionar los productos que necesitan y encajarlos en una solución cohesiva” ⁵⁴ - lo que implica que no tienes que cargar todo si no lo usas, lo que ayuda a la escalabilidad (puedes ejecutar solo el motor de inventario si solo necesitas eso). En resumen, ToolsGroup es moderadamente escalable (adecuado para muchos minoristas grandes, pero quizás no probado a la escala de las cadenas de hipermercados más grandes a nivel mundial), y tiende a ser eficiente en costos (especialmente con sus precios transparentes y el enfoque en la automatización que reduce la carga de trabajo del planificador). No serán tan rápidos como un sistema concurrente en memoria para datos enormes, pero tampoco requerirán recursos astronómicos para entregar resultados. Dada la nota positiva de Gartner sobre el costo y los muchos clientes medianos-grandes que tiene ToolsGroup, los consideramos relativamente eficientes. Además, mencionan una oferta de “Inventory Hub” para la detección de eventos de supply chain en tiempo real ⁶⁵ lo que muestra que se están modernizando para tiempo real sin presumiblemente necesitar hardware insano (probablemente utilizando procesamiento en streaming). Hay pocas quejas públicas sobre el rendimiento de ToolsGroup, lo que generalmente implica que es adecuado. Por lo tanto, ToolsGroup puntúa bien en este criterio, con una ligera precaución de que la integración de múltiples adquisiciones podría tensionar temporalmente el sistema si no está optimizado (pero hasta ahora los signos están bien).

Manejo de Factores Complejos de Retail: ToolsGroup ha destacado históricamente en el manejo de la incertidumbre de la demanda y la variabilidad, incluyendo la demanda intermitente, los productos de movimiento lento y la variabilidad del suministro. Puede que no haya sido tan especializado en fenómenos específicos del retail como la canibalización o la vida útil fuera de la caja. Sin embargo, con el conjunto de JustEnough, adquirieron capacidades del dominio del retail: JustEnough proporcionó pronóstico de promociones, asignación (que considera la capacidad de la tienda y la comercialización), y planificación de reducciones de precios. Así que ToolsGroup ahora sí tiene características para promociones, por ejemplo, pueden modelar el aumento de una promoción y distribuirlo en el tiempo, lo que inherentemente maneja la canibalización de una manera básica (si una promoción atrae ventas tempranas, los períodos posteriores caen, etc.). ¿Identifican automáticamente la canibalización entre artículos? Posiblemente no tan automáticamente como RELEX, pero pueden incorporar efectos de promoción si se conocen. Para los efectos de sustitución (faltantes de stock causando ventas de artículos alternativos), ToolsGroup no ha destacado eso en los materiales que vimos. Eso podría seguir siendo una brecha a menos que se configure manualmente. Para los efectos de halo (complementos), probablemente similar, uno tendría que modelar manualmente las relaciones o usar un enfoque de IA. Es un área donde su nueva IA (Evo) podría ayudar encontrando correlaciones. El motor de Evo podría potencialmente minar datos de transacciones para ajustar pronósticos o estrategias de precios para artículos relacionados. Sin evidencia específica, asumiremos que ToolsGroup puede manejar estos con algún trabajo, pero no es su punto más fuerte históricamente. Expiración y productos perecederos: ToolsGroup sí tenía algunos clientes en la distribución de alimentos, pero no estamos seguros sobre la optimización fresca a nivel de tienda. Probablemente no sea su enfoque principal. Pueden incorporar tiempos de entrega y tamaños de lote, pero las restricciones de vida útil necesitarían un modelado explícito (por ejemplo, tratar el inventario que expira como SKU separado o ajustar el pronóstico hacia abajo a medida que pasa el tiempo). El módulo de asignación de JustEnough podría manejar productos de temporada (asegurando que se agoten al final de la temporada a través de reducciones de precios), lo cual está relacionado con los productos perecederos en concepto. De hecho, la optimización de reducción de precios (parte de JustEnough) básicamente se trata de programar las caídas de precios para liquidar el inventario sin sobrantes, lo cual es análogo a lidiar con la “expiración” al final de la temporada. La herramienta de precios de ToolsGroup ayudará con eso recomendando cuándo marcar hacia abajo y cuánto para evitar la obsolescencia maximizando los ingresos ⁴⁹. Así que sí manejan el lado económico de la perecibilidad (liquidar antes de desperdiciar). Sobre localización del surtido: la planificación del surtido de JustEnough permite agrupar tiendas y adaptar surtidos, por lo que ToolsGroup puede optimizar surtidos a patrones de demanda local y restricciones de espacio. Eso aborda la canibalización indirectamente (si dos artículos se canibalizan, una optimización del surtido podría decidir llevar solo uno en tiendas más pequeñas, etc.). Restricciones de espacio y exhibición: ToolsGroup a través de JustEnough puede modelar cuántas caras o capacidad de estantería en las tiendas, lo que influye en las decisiones de asignación y reposición (si la estantería sostiene X, no envíe más de X). No es tan granular como una solución de planograma pero a nivel de planificación está cubierto. Promociones: ToolsGroup maneja el pronóstico de promociones y puede planificar el inventario para promociones (tienen estudios de caso donde ayudaron a mejorar el stock durante las promociones). La nueva IA probablemente mejora cómo predicen los aumentos de promoción analizando promociones pasadas con más precisión (quizás similar a la sensibilidad de la demanda a corto plazo, aunque Lokad señaló que las afirmaciones de “sensibilidad de la demanda” no estaban respaldadas ⁶⁸). Canibalización/halo específicamente: No encontramos referencias directas, por lo que eso todavía podría depender de la experiencia del planificador para ajustar. La filosofía de ToolsGroup siempre fue simplificar la vida del planificador, construyeron automatización para que los planificadores puedan gestionar por excepción. Probablemente tengan excepciones para faltantes de stock o ventas anormales, pero si eso se vincula a la lógica de sustitución no está claro. Con la evidencia moderada, clasificaremos a ToolsGroup como competente pero no líder en el manejo de factores complejos. Cubren promociones y reducciones de precios (necesidades comunes del retail), tienen lógica de surtido, pero para cosas como interacciones de productos y productos perecederos, podrían no estar tan avanzados como RELEX. La adición de IA y su enfoque en ajustes “responsivos” eventualmente podría incluir la detección automática de estos patrones. A partir de 2021, la crítica de Lokad fue que el discurso de ToolsGroup sobre la “sensibilidad de la demanda” (usando datos recientes para ajustar pronósticos) no estaba bien fundamentado ⁶⁸. Así que tal vez en ese momento carecían de un algoritmo real para ello. Quizás ahora sí lo tienen (con Evo o desarrollo interno). Considerándolo todo, ToolsGroup maneja bien los fundamentos de la planificación del retail (variabilidad de la demanda, promociones, fin de vida), y decente en surtido, pero todavía está poniéndose al día en los aspectos de vanguardia (por ejemplo, modelado de canibalización impulsado por ML, sustitución).

Automatización: ToolsGroup se ha enorgullecido históricamente de la automatización y la planificación “no atendida”. De hecho, un punto de venta de SO99+ era que podía establecer automáticamente políticas de stock y generar órdenes de reposición con mínima intervención del planificador. Muchos de sus clientes informan que pasan mucho menos tiempo lidiando con problemas de pronóstico o inventario después de implementar ToolsGroup, porque el sistema se ajusta automáticamente a los cambios y solo señala las excepciones. Utilizan términos como “autoadaptativo” para su pronóstico, lo que significa que se adapta a los nuevos patrones de demanda por sí solo, reduciendo la necesidad de anular constantemente los pronósticos. El concepto de “Poderosamente Simple” (uno de sus lemas) se trataba de simplificar las tareas del planificador a través de la automatización. En la práctica, una configuración de ToolsGroup a menudo ejecuta procesos por lotes nocturnos para actualizar pronósticos y objetivos de inventario, y luego sugiere órdenes para cada artículo-ubicación. Los planificadores solo revisan los artículos que presentan excepciones (como un servicio muy bajo o un inventario muy alto). Esto es esencialmente planificación sin intervención para una gran parte del surtido. Un caso (de marketing pasado) decía que un cliente automatizó el 90% de sus reposiciones de SKU, solo revisando manualmente el 10% superior de las excepciones. Ese es un buen nivel de autonomía. Ahora, con la integración de JustEnough, que incluye tareas de planificación que tradicionalmente son manuales (por ejemplo, construir planes de surtido, establecer la asignación inicial, crear planes financieros), ToolsGroup puede necesitar mantener un equilibrio entre la automatización y la entrada del usuario. La planificación del surtido generalmente requiere la entrada del comerciante en la estrategia, que no puede ser completamente automatizada. Pero ToolsGroup puede automatizar la analítica detrás de ella (como destacar los SKU de bajo rendimiento para eliminar ³³). En el lado de los precios, el precio dinámico puede ser automatizado hasta ciertos límites: el módulo de precios de ToolsGroup permite establecer reglas y luego aplicar automáticamente cambios de precio dentro de esos límites ⁶⁹. Por ejemplo, un minorista podría permitir que se rebajen automáticamente los artículos cuando el inventario >X días de suministro, etc., lo cual la herramienta puede ejecutar sin cálculo manual. Mencionan explícitamente “establecer reglas de precios, luego aplicarlas automáticamente dentro de los límites establecidos” ⁶⁹ - eso es automatización con supervisión. Por lo tanto, gran parte de la toma de decisiones puede ser sin intervención: el sistema monitorea el inventario y la demanda, y si las condiciones cumplen con las reglas (quizás mejoradas por sugerencias de IA), puede implementar un cambio de precio. Esta es una acción autónoma real en la fijación de precios (aunque probablemente sujeta a la aprobación de un gerente en muchos casos al principio). De manera similar, sus sugerencias de reposición pueden ser automáticamente enviadas al ERP para ejecutar órdenes. ToolsGroup a menudo enfatiza la gestión de excepciones, lo que implica que si no hay excepción, simplemente confíe en la salida del sistema. Con la IA de Evo, insinúan pasar a la “supply chain autónoma” también ⁵⁸. De hecho, usaron esa frase, alineándose con la tendencia de la industria. La tecnología de Evo podría permitir una reoptimización más continua (como ajustar los pronósticos a mitad de mes si las ventas se desvían, y reordenar en consecuencia, todo automáticamente). Las nuevas características de ToolsGroup como Inventory Hub (señales en tiempo real) sugieren que pueden detectar un evento (por ejemplo, un pico en la demanda) y reaccionar automáticamente reasignando stock o acelerando el suministro. No hemos visto detalles, pero probablemente ese sea el objetivo. En general, ToolsGroup siempre estuvo orientado hacia la planificación no atendida - dejar que el sistema maneje las decisiones rutinarias. Hay evidencia de que algunos de sus clientes operan con mínima intervención del planificador en grandes partes de sus operaciones. Por lo tanto, ToolsGroup obtiene una muy buena puntuación en automatización. La única limitación es cuando se mueven a nuevas áreas como el surtido y la fijación de precios, donde la estrategia del usuario juega un papel más grande, pero incluso allí, proporcionan automatización de las partes tácticas (como señalar automáticamente qué artículos rebajar, o clasificar sistemáticamente las tiendas por ventas para la asignación). La combinación de automatización basada en reglas (para restricciones comerciales) y sugerencias basadas en IA (para decisiones complejas) posiciona a ToolsGroup como un proveedor que puede ofrecer una reducción significativa en el esfuerzo de planificación manual. De hecho, Gartner señaló que “los planificadores orquestan actividades humanas y de máquinas” con algunas herramientas más nuevas - ToolsGroup probablemente se ajusta a permitir esa orquestación (sus flujos de trabajo pueden escalar automáticamente ciertas decisiones a los humanos, lo cual es parte de un diseño de bucle autónomo). Dado todo esto, afirmamos la fortaleza de ToolsGroup en automatización.

Integración Tecnológica: La estrategia reciente de ToolsGroup ha involucrado adquisiciones, lo que naturalmente plantea la pregunta de la integración de la plataforma. Hasta ahora, tienen SO99+ (su motor heredado), JustEnough (ahora a menudo referido como ToolsGroup Retail Planning), y el motor de IA de Evo, más la tecnología en tiempo real de Onera. Están integrando activamente estos: por ejemplo, el comunicado de prensa indica “la integración de las soluciones de Evo con SO99+ y JustEnough ofrecerá a los clientes la solución de optimización de supply chain y precio en tiempo real más eficiente” ⁴⁷, indicando que los tres se están fusionando en una sola oferta. Enfatizan que su arquitectura modular significa que los clientes pueden elegir lo que necesitan y se ajusta ⁵⁴. Esto sugiere que han creado interfaces o un modelo de datos común (o están en proceso de hacerlo) para que los datos fluyan entre los módulos sin transferencia manual. La buena señal es que JustEnough ha estado bajo ToolsGroup desde 2018 (a través de la adquisición de Mi9); para ahora, han tenido tiempo para integrar las piezas principales. De hecho, ToolsGroup comercializa la solución combinada bajo un solo nombre en muchos casos. Probablemente han unificado la interfaz de usuario en cierto grado, posiblemente no una única interfaz de usuario para todo todavía, pero podría estar cerca. Han puesto la IA de Evo en JustEnough como se mencionó ⁶⁷, mostrando una verdadera integración técnica en lugar de venderlos por separado. Esto es prometedor: parece que ToolsGroup está evitando deliberadamente mantener estos como módulos aislados. Sin embargo, hay que reconocer que durante un tiempo, probablemente fue una “suite” de componentes separados, por ejemplo, el usuario tenía que usar la interfaz de SO99+ para cierta configuración y la interfaz de JustEnough para otros. Eso puede ser torpe inicialmente. El tamaño relativamente más pequeño de ToolsGroup significa que la integración podría ser más ágil, menos obstáculos burocráticos que en SAP. El objetivo es claramente una suite de planificación de extremo a extremo coherente. Comparten datos: por ejemplo, el forecast generado (probablemente por SO99+ o Evo) llena tanto la planificación de inventario como las partes de planificación financiera de la mercancía. En ausencia de evidencia en contrario, asumiremos que ToolsGroup ha hecho un progreso significativo en la integración de estas adquisiciones. Posiblemente, podrían existir pequeñas inconsistencias (por ejemplo, los métodos de forecast en SO99+ vs los nativos de JustEnough podrían diferir, pero probablemente se estandarizarían en el mejor). En cuanto a la pila de tecnología, ToolsGroup históricamente era cliente-servidor basado en Windows para SO99+, mientras que JustEnough era web basado en .NET. Ahora todos se ofrecen a través de la interfaz web en la nube. Probablemente no sea un código base 100% unificado, pero la apariencia al usuario podría ser unificada a través de un portal. Esto todavía cuenta como integrado desde la perspectiva del usuario si se hace bien (similar a cómo, por ejemplo, Microsoft integra productos adquiridos en la suite de Office sin problemas con el tiempo). Deberíamos mencionar que la tecnología fundacional de ToolsGroup (optimización de inventario) era muy sólida y probada con el tiempo. No la han desechado, han construido alrededor de ella. Eso es bueno porque no están reinventando la rueda, pero también significa que en el núcleo, parte del sistema es código antiguo. A veces el código antiguo no se mezcla perfectamente con los microservicios más nuevos. No tenemos información directa, así que es algo a tener en cuenta. El propio comentario de ToolsGroup sobre los competidores a menudo era que los grandes proveedores de suites son un Frankenstein; ahora ToolsGroup debe evitar eso ellos mismos. Al integrar proactivamente y no solo cambiar de marca, parecen conscientes de esto. Por ejemplo, las adquisiciones de SAP resultaron en una “colección desordenada” y dificultades para integrar ¹¹, como se mencionó anteriormente. ToolsGroup dijo explícitamente que combinar la planificación minorista de JustEnough con su automatización y optimización de inventario da una combinación única, y que “los productos encajan en una solución cohesiva” ⁵⁴. Confiamos tentativamente en esto pero somos conscientes de que podrían existir algunas costuras (por ejemplo, un usuario podría tener que configurar los datos maestros en dos lugares si no está completamente integrado). En balance, ToolsGroup está en medio de la integración, no originalmente unificado, pero activamente moviéndose hacia ello. Les daremos una puntuación moderada: mejor que las empresas que simplemente adquirieron y dejaron las piezas separadas, pero no tan inherentemente unificado como una plataforma construida de una sola vez. Dado más tiempo (y como probablemente replataformen los componentes en una arquitectura en la nube común), deberían alcanzar una alta integración. Hasta ahora, al menos la visión y las acciones se alinean para evitar un Frankenstein.

Escepticismo hacia el bombo publicitario: El marketing de ToolsGroup tiene una mezcla de practicidad y bombo. No son tan ruidosos como otros, pero sí se subieron al carro de palabras de moda como IA, detección de demanda, autónomos, etc., en los últimos años. Como se mencionó, el análisis de Lokad señaló específicamente a ToolsGroup por su bombo: “las afirmaciones de ‘IA’ son dudosas… las afirmaciones sobre ‘detección de demanda’ no están respaldadas” ¹⁹. Por ejemplo, ToolsGroup publicó contenido sobre “detección de demanda” (ajustes a corto plazo) que podría haber sido simplemente una charla elegante para usar un promedio móvil de ventas recientes, no exactamente novedoso. Esto podría confundir a los clientes menos expertos haciéndoles pensar que tienen algo mágico. Además, ToolsGroup a veces cita resultados increíbles de los clientes (como “el inventario se redujo en un 30% mientras que el servicio aumentó al 99%”), que, aunque posiblemente sean ciertos para un caso, pueden sonar demasiado buenos para ser generalmente ciertos. Necesitamos ver evidencia consistente. Por otro lado, ToolsGroup ha existido durante mucho tiempo y generalmente tiene una buena reputación por entregar resultados, por lo que su bombo no suele ser infundado. Quizás abusaron del jerga de IA alrededor de 2018 cuando todos lo hicieron. Ahora que realmente adquirieron una empresa de IA, sus afirmaciones de IA podrían tener más peso. Nombran “quantum learning” que francamente suena a palabra de moda (la computación cuántica no se usa realmente, es solo un nombre de marca para su algoritmo). Eso es algo de bombo. Pero dan pistas de lo que realmente es (optimización no lineal, análisis prescriptivo) ⁵². También han comenzado a posicionarse como “Líder en la Matriz SPARK para Pronóstico y Reposición de Retail” ⁷⁰, haciendo referencia a las clasificaciones de analistas que pueden tener influencia del proveedor. Es marketing, pero no es extravagante. Un área a observar: ToolsGroup dice “Autónomo” ahora. Deberíamos ser cautelosos de cuán autónomo es realmente. Si bien pueden automatizar mucho, una supply chain completamente autónoma es un viaje. Mientras lo enmarquen como un objetivo (lo cual hacen: “viaje hacia la Planificación Centrada en Decisiones (autónoma)” ⁵⁸), eso es aceptable. Si afirmaran una integración plug-and-play, eso podría ser exagerado: implementar ToolsGroup todavía requiere integración y configuración. Sin embargo, el mercado objetivo de ToolsGroup significa que enfatizan implementaciones más rápidas que los gigantescos proyectos de ERP. A menudo destacan la facilidad de uso, lo cual es plausible, no puro bombo. En términos de moderación de palabras de moda, probablemente están en el medio del paquete: no son los peores infractores, pero sí participan. La inconsistencia en torno al uso de una métrica incorrecta (MAPE para pronósticos prob.) fue una pequeña señal de alerta ⁶²: sugiere que el marketing quería mostrar una mejora numérica incluso si no era metodológicamente sólida. Preferiríamos una comunicación honesta como “nuestro enfoque es diferente, aquí está por qué las métricas tradicionales no se aplican, aquí están las mejores métricas”. ToolsGroup podría haber simplificado demasiado para hacer la venta. Dicho esto, los clientes de larga data de ToolsGroup y la tasa de renovación indican que generalmente cumplen con las expectativas. Sus afirmaciones de resultados tienen estudios de caso que los respaldan. No venden vaporware; venden tecnología probada actualizada con adquisiciones. Así que el bombo está principalmente en torno a marcar cosas como “IA” o “cuántico” cuando podrían ser ML estándar. Eso es común en la industria. Aconsejamos precaución pero no desestimación. El usuario debería pedirles que aclaren cómo funciona su IA, cómo se implementa la detección de demanda, etc. ToolsGroup probablemente pueda proporcionar una respuesta (incluso si resulta ser algo como “usamos machine learning para ajustar los forecast a corto plazo utilizando las últimas ventas y señales de inventario”, lo cual está bien, simplemente no es místico). En resumen, el marketing de ToolsGroup en los últimos años ha incluido algunas palabras de moda que uno debería mirar a través, pero también mantienen un enfoque en entregables concretos (nivel de servicio, reducción de inventario, etc.). Les damos una calificación media en escepticismo hacia el bombo: no por encima de la indulgencia en palabras de moda, pero fundamentalmente más sustancia que relleno (con un pequeño demérito por algunas frases engañosas identificadas por análisis externo).

Resumen: ToolsGroup es un jugador maduro pero en evolución en la optimización minorista. Aporta décadas de experiencia en optimización de inventario con forecast probabilístico, ahora aumentado por planificación de mercancías y capacidades de optimización de precios a través de adquisiciones. Como resultado, ToolsGroup ahora puede abordar la optimización conjunta de inventario y precios, utilizando forecast de demanda que tienen en cuenta los cambios de precio y tomando decisiones de precios informadas por las posiciones de inventario ⁴⁹. Sus esfuerzos de integración están convirtiendo estas herramientas una vez separadas en una suite de planificación cohesiva, aunque algunos problemas de integración aún pueden estar resolviéndose. La fortaleza de ToolsGroup en modelado probabilístico significa que maneja robustamente la incertidumbre de la demanda y genera estrategias de almacenamiento para satisfacer el servicio al costo mínimo, y sus nuevas mejoras de IA tienen como objetivo adaptar continuamente estas decisiones en tiempo real ⁵⁸. Tiene un historial comprobado de automatización de procesos de planificación - muchas tareas rutinarias de forecast y reposición pueden funcionar sin atención, con los planificadores gestionando excepciones. Ahora, con módulos de precios y surtido, extiende la automatización a esas áreas (por ejemplo, rebajas automáticas basadas en reglas ⁶⁹ y ajustes de surtido sugeridos por IA). En términos de complejidades minoristas, ToolsGroup cubre los aspectos básicos (forecast de promociones, liquidación estacional, agrupación de tiendas) bien, aunque aún puede no detectar automáticamente los patrones de canibalización o sustitución en el grado que lo hacen algunos sistemas especializados. Su enfoque de optimización económica ha pasado de solo niveles de servicio a incorporar métricas de ganancias (especialmente en decisiones de precios y surtido ³³). Los usuarios deben estar atentos a un poco de exageración de marketing: ToolsGroup usa las últimas palabras de moda como “autónomo” y “IA” liberalmente, y una crítica de terceros ha señalado algunas de sus afirmaciones de IA pasadas como exageradas ¹⁹. Sin embargo, dado las mejoras tangibles que muchos clientes informan y la seria inversión que ToolsGroup ha hecho en nueva tecnología (como Evo), la sustancia detrás de sus afirmaciones es significativa. ToolsGroup emerge en nuestro ranking como una opción técnicamente fuerte y pragmática: una que podría no tener el destello de una startup pura de IA o la escala extrema de una mega-suite, pero que ofrece una solución avanzada y equilibrada para los minoristas que quieren optimizar su planificación con menos exageración y más resultados prácticos. Es particularmente adecuado para organizaciones que desean optimización de inventario probada con el beneficio adicional de la planificación integrada de precios y surtido, lo que efectivamente convierte una solución previamente “legado” en mucho más a prueba de futuro a través de la modernización. Siempre y cuando uno permanezca adecuadamente escéptico de las palabras de moda y asegure que la integración cumpla con sus necesidades, ToolsGroup representa una solución de última generación (o muy cerca de ella), rejuvenecida para la era de las decisiones minoristas impulsadas por IA.

Fuentes: Integración de precios con vista de inventario ⁴⁹; crítica de las afirmaciones de IA y detección de demanda de ToolsGroup ¹⁹; ToolsGroup/Evo sobre la entrega de decisiones óptimas de precio+inventario ⁵² ⁵³.

5. Blue Yonder (anteriormente JDA) – Potente Suite Minorista Reconstruida para SaaS, Pero Se Muestran las Raíces de Legado

Blue Yonder, conocido históricamente como JDA Software, es uno de los proveedores más grandes y antiguos de software de optimización de retail y supply chain. Ofrece una suite integral que cubre forecast de demanda, reposición, asignación, gestión de categorías (surtido), optimización de precios y descuentos, gestión de almacenes, programación de la fuerza laboral y más. En 2020, JDA se renombró como Blue Yonder después de adquirir una firma alemana de IA del mismo nombre. Desde entonces, Blue Yonder (BY) ha migrado gran parte de su cartera a una plataforma Luminate unificada con microservicios y se posiciona como una solución de merchandising y supply chain impulsada por IA de extremo a extremo ⁷¹. Sin duda, cumple con todas las funcionalidades: pocos proveedores pueden igualar la amplitud de las ofertas de optimización de retail de BY. Sin embargo, la suite de Blue Yonder también es el producto de décadas de adquisiciones (i2, Manugistics, Arthur, RedPrairie, etc.), y aunque la nueva arquitectura Luminate nativa de la nube es moderna, bajo el capó algunos algoritmos y módulos se remontan a enfoques heredados. Una evaluación crítica de un competidor declaró abiertamente: “Blue Yonder es el resultado de una larga serie de fusiones y adquisiciones… bajo la bandera de BY se encuentra una colección desordenada de productos, muchos de ellos anticuados. BY destaca la IA, pero las afirmaciones son vagas y con poca sustancia; los proyectos de código abierto insinúan enfoques anteriores al 2000 (ARMA, regresión lineal).” ⁷². Esto resalta el principal escepticismo: ¿Es Blue Yonder realmente de última generación o un gigante de legado reempaquetado? Clasificamos a Blue Yonder un poco más bajo en nuestra lista, no porque carezca de capacidad (tiene toneladas), sino por preocupaciones sobre su cohesión, eficiencia y claridad de afirmaciones. Aún así, como un jugador dominante, merece un examen detenido.

Optimización Conjunta: La suite de Blue Yonder proporciona esencialmente módulos separados pero integrados para optimización de precios, pronóstico de demanda y reposición, y planificación de surtido/mercancías. En teoría, un minorista que utiliza todas las soluciones de Blue Yonder puede lograr una optimización conjunta mediante la interacción de estos módulos. Por ejemplo, Blue Yonder ofrece aplicaciones de Precios de Ciclo de Vida (optimización de precios regulares, optimización de reducciones de precios, optimización de promociones) que se alimentan de los pronósticos de demanda que provienen de su motor Luminate Demand Planning. Esos pronósticos de demanda, a su vez, consideran los efectos de los precios porque el pronóstico de Blue Yonder (originalmente de la adquisición alemana de Blue Yonder) incluye la modelización de la elasticidad. Como explicó Michael Orr de Blue Yonder, “Blue Yonder utiliza datos para entender cómo es probable que se comporten los clientes y qué impacto puede tener el precio en los niveles de inventario”, ayudando a los minoristas a evitar precios demasiado altos o bajos ²⁷. Esto demuestra que la optimización de precios de BY no se realiza de forma aislada: modela explícitamente cómo los cambios de precio afectan a la demanda y por lo tanto al inventario. Además, la planificación de cumplimiento de Blue Yonder puede estar vinculada a las decisiones de precios asegurando que si se planea una caída de precios (lo que aumentará la demanda), los planes de suministro se ajusten en consecuencia. De manera similar, la herramienta de gestión de categorías de Blue Yonder (anteriormente JDA Category Management) ayuda a decidir surtidos y planogramas; esas decisiones se incorporan a sus sistemas de planificación de demanda y reposición. Tenían un concepto general llamado “planificación minorista integrada”, que alinea los planes financieros de mercancías, los planes de categorías y los planes de suministro. En la práctica, históricamente los clientes de JDA a menudo ejecutaban estos procesos como semi-separados debido a la complejidad de las herramientas. Pero con Luminate, BY afirma una integración más fluida a través de una plataforma común. Destacan su “arquitectura de microservicios” que soporta la planificación de extremo a extremo ⁷¹ – es decir, por ejemplo, un servicio de planificación de promociones podría llamar al servicio de pronóstico de demanda sobre la marcha para obtener proyecciones actualizadas bajo diferentes escenarios de precios. El enfoque de planificación concurrente de Blue Yonder (como “Harmony” en su interfaz de usuario) puede mostrar a un planificador el impacto de las decisiones en todas las funciones. Así que sí, Blue Yonder es capaz de optimización conjunta en el sentido de que todas las piezas pueden hablar: las decisiones de precios informan los pronósticos que informan el inventario, y viceversa. Sin embargo, se podría cuestionar cuán óptima es la coordinación. A menudo todavía podría ser secuencial (pronosticar con un precio asumido, optimizar el inventario para eso, optimizar los precios por separado dadas las restricciones de inventario de forma iterativa). Hay evidencia de que Blue Yonder está persiguiendo la verdadera concurrencia: por ejemplo, su nueva visión de “Planificación Autónoma” probablemente pretende hacer circular estos procesos de forma dinámica. La adquisición de Blue Yonder de una empresa de optimización de precios (se asociaron con dunnhumby, pero más recientemente creo que integraron sus capacidades internas con la plataforma ML de BY alemana) asegura que tienen algoritmos de precios avanzados. En general, Blue Yonder proporciona las herramientas para la optimización conjunta, pero si un usuario lo logra depende de la implementación de múltiples módulos. Debido a que la suite de Blue Yonder es modular, algunos clientes pueden usar solo, digamos, la planificación de demanda y suministro pero no los precios, por lo tanto, no logran la plena optimización conjunta con BY solo. Para aquellos que sí utilizan la suite completa, Blue Yonder ciertamente puede cubrir el inventario, los precios y las decisiones de surtido de forma colectiva. Sin embargo, notamos que las soluciones de Blue Yonder no se construyeron originalmente como una - fueron integradas. Aunque Luminate ha avanzado en conectarlas, es posible que la integración todavía no sea tan estrecha como en un solo modelo de optimización (por ejemplo, el motor de precios podría no considerar de forma nativa los niveles de stock actuales a menos que se configure, etc.). Dada la evidencia, Blue Yonder merece una buena puntuación en el potencial de optimización conjunta, con la advertencia de que podría requerir un esfuerzo significativo para realizar ese potencial.

Pronóstico Probabilístico y IA: El pronóstico de demanda de Blue Yonder (la pieza del Blue Yonder alemán, a menudo llamado Planificación de Demanda Cognitiva) se basa en gran medida en IA/ML. Han publicado mejoras como una precisión de pronóstico ~12% mejor utilizando ML frente a métodos tradicionales ⁷³. Su enfoque ingiere una miríada de datos, incluyendo el clima, eventos, señales en línea, para predecir la demanda. Aunque probablemente generen un único número de pronóstico para uso operacional, los modelos subyacentes pueden producir salidas probabilísticas. De hecho, la solución original de Blue Yonder (Alemania) era conocida por la selección automática de modelos (como un enfoque de AutoML) y podría producir intervalos de confianza. No está claro si el sistema de producción expone distribuciones, pero sí enfatizan la planificación de escenarios y simulación. Por ejemplo, permiten a los planificadores simular múltiples escenarios de demanda, lo que implica una distribución de resultados detrás de escena ⁷⁴. Blue Yonder también ha hablado de la simulación “Monte Carlo” en algunos documentos técnicos para la planificación de suministros. Dada su profunda plantilla de científicos de datos, es seguro decir que el pronóstico de Blue Yonder es al menos consciente de lo estocástico, incluso si no proporciona un PDF explícito para cada artículo. Lo llaman pronóstico “Cognitivo” o “Machine Learning”. También adquirieron capacidades de pronóstico de pedidos de clientes de su legado (como las técnicas de i2 para tiempos de espera probabilísticos y similares). Sin embargo, críticas como la de Lokad señalaron que las piezas de código abierto que tenía Blue Yonder (tsfresh para la extracción de características, Vikos, que podría ser una biblioteca de pronósticos, y PyDSE) indican una dependencia de técnicas relativamente convencionales ⁴³. tsfresh es para generar características para series de tiempo (como extraer métricas estacionales), útil, pero no es una IA revolucionaria por sí misma. La mención de ARMA y regresión lineal implica que algunos pronósticos básicos todavía podrían estar utilizando modelos estadísticos mejorados con características de ML. En otras palabras, la “IA” de Blue Yonder podría ser a menudo un suavizado exponencial bien ajustado + regresión para factores causales. Eso no es necesariamente malo, son probados, pero se queda corto de los enfoques de deep learning más novedosos que existen. Blue Yonder definitivamente comercializa mucho su IA: términos como “cognitivo”, “machine learning”, “motores de IA/ML” aparecen en sus materiales ⁷³ ⁷⁵. La vaguedad en torno a cómo exactamente lo hacen (secreto comercial quizás) lleva al escepticismo sobre el “lavado de IA”. Pero sabemos que tienen buen talento (el equipo alemán era fuerte académicamente), por lo que probablemente sea sólido si no llamativo. Blue Yonder también utiliza IA en otras áreas: por ejemplo, su optimización de precios utiliza machine learning para estimar la elasticidad de precios y efectos cruzados; su planificación de suministros utiliza heurísticas y posiblemente ML para ajustar parámetros; su micro-cumplimiento utiliza IA para decidir desde qué ubicación cumplir un pedido, etc. También impulsan la “Torre de Control Luminate” que aprovecha la IA para predecir interrupciones y prescribir acciones. Muchos de estos se basan en la clasificación de ML o la predicción detrás de escena. ¿Son probabilísticos? Posiblemente emitan puntuaciones de riesgo o probabilidades de eventos. Los materiales de marketing de Blue Yonder hablan de “motores de optimización habilitados para IA que ingieren enormes datos… logrando la automatización cognitiva” ⁷⁶ ⁷⁷ que suenan genial pero no son específicos. Creo que es justo decir que Blue Yonder utiliza mucha IA, pero debido a la gran amplitud, algunas partes pueden no ser las más recientes. Por ejemplo, un usuario en Reddit una vez comentó que el pronóstico de JDA (ahora de BY) no era único y que muchos todavía utilizaban la lógica más antigua con ajuste de parámetros. Las patentes e investigaciones de Blue Yonder podrían arrojar más luz (tienen algunas patentes sobre pronósticos de múltiples escenarios ⁷⁸). Dada la evidencia: Blue Yonder definitivamente ha incorporado IA/ML (especialmente después de adquirir Blue Yonder GmbH) a su pronóstico y optimización. Produce pronósticos más precisos y presumiblemente capacidades de escenario. Pero la visión escéptica de Lokad de que bajo el capó podría haber muchos modelos lineales empaquetados como IA sugiere una necesidad de precaución. Clasificaremos a Blue Yonder alto en tener características de IA/ML, pero notamos que algunos competidores que construyeron desde cero con ML (como RELEX o Lokad) podrían tener una ventaja en ciertas técnicas debido a menos legado. Blue Yonder está invirtiendo activamente en lo último ahora (por ejemplo, mencionan la exploración de IA Generativa para asistentes de planificación ⁷⁹). Así que están tratando de mantenerse en la vanguardia.

Toma de decisiones económicas: Las soluciones de Blue Yonder, particularmente en precios y supply chain, consideran explícitamente la rentabilidad y los costos. Para la fijación de precios, Blue Yonder (a través de lo que originalmente era Revionics o su propio sistema) tiene funciones objetivas como maximizar el margen, los ingresos, o alcanzar un objetivo financiero. Su optimización de precios no solo sigue reglas, sino que utiliza la elasticidad para elegir precios que maximicen una métrica elegida mientras se respetan las restricciones (como índices de precios competitivos o posiciones de inventario). Por lo tanto, es una optimización económica inherente. En la optimización de inventario, Blue Yonder (o el legado de JDA/i2) tenía módulos como Optimización de Inventario Multi-Echelon (MEIO) que efectivamente intentaban minimizar los costos totales (mantenimiento, costos de backorder) para un nivel de servicio dado o maximizar el servicio para un presupuesto, una optimización clásica de costo-beneficio. En la práctica, algunos clientes simplemente usaban la orientación al nivel de servicio, pero la capacidad para la optimización basada en costos estaba allí. Las herramientas de S&OP / IBP de Blue Yonder permiten la integración de planes financieros y restricciones, lo que significa que el proceso de planificación puede optimizar en torno a objetivos de margen o beneficio (por ejemplo, cumplir un objetivo de ingresos al mínimo costo, etc.). Otra área es la asignación: la herramienta de asignación de Blue Yonder puede configurarse para asignar productos a tiendas de manera que maximice la venta proyectada (y por lo tanto el beneficio) en lugar de simplemente una asignación plana. Su planificación de surtido puede incorporar métricas de contribución de beneficio de categoría para decidir qué productos mantener o eliminar. Debido a que Blue Yonder históricamente atendía a minoristas que están muy enfocados en el margen (como minoristas de moda que utilizan su optimización de reducción de precios para maximizar el retorno del margen bruto), tuvieron que incorporar lógica económica. La crítica de vaguedad ⁴³ podría insinuar que la IA de Blue Yonder no articula claramente la economía (como no es transparente cuánto beneficio implica un determinado forecast), pero sus módulos de optimización definitivamente utilizan parámetros económicos (elasticidad de precios, costos, etc.). Por ejemplo, la solución de optimización de inventario de Blue Yonder afirma “eliminar el exceso de inventario y reducir los costos de obsolescencia mientras se mantiene un alto servicio” ⁸⁰ - esto es esencialmente equilibrar el costo de obsolescencia vs. servicio, un compromiso económico. Su optimización de promoción considera el aumento promocional vs la inversión de margen para recomendar cuáles promociones son más rentables. En términos de costo de oportunidad, Blue Yonder puede que no lo muestre explícitamente, pero sus planificadores pueden derivarlo por escenario: por ejemplo, si no almacenas el artículo A, el beneficio perdido es un costo de oportunidad. Las herramientas de Blue Yonder podrían simular ese escenario. Las críticas que tenemos básicamente dicen: Blue Yonder afirma IA y tal, pero podría estar haciendo mucha regresión lineal (que típicamente incluye factores de costo de todos modos). Así que creo que Blue Yonder lo hace bien en el ángulo económico. Una posible debilidad es si partes más antiguas del sistema todavía usan reglas de dedo heurísticas (algunos sistemas de reposición de JDA más antiguos eran más reglas de min/max). Pero es probable que ya se hayan eliminado en favor de enfoques optimizados. Con el impulso de Blue Yonder para “planificación autónoma”, a menudo mencionan métricas financieras como un motor clave. Un artículo de BusinessWire cita a un cliente que utiliza tecnología avanzada de BY: “Al aprovechar la IA/ML, estamos mejorando la precisión del forecast y construyendo una supply chain preparada para el futuro que mejora nuestro rendimiento financiero” ⁸¹. Entonces, sí, economía en el corazón. Dicho esto, implementar Blue Yonder para utilizar completamente estas capacidades puede ser complejo, algunos clientes pueden no utilizar todas las características de optimización económica debido a la complejidad, en su lugar, utilizándolo de una manera más manual. Pero la capacidad está presente. Damos a Blue Yonder calificaciones fuertes por tener módulos impulsados económicamente (precios, reducción de precios, MEIO), pero tal vez una pequeña crítica si algunos de esos módulos no están completamente integrados o son fáciles de usar, lo que podría llevar a un uso subóptimo.

Escalabilidad y eficiencia de costos: Las soluciones locales heredadas de Blue Yonder eran conocidas por ser pesadas, requiriendo una gran potencia de servidor y memoria, especialmente la antigua huella de JDA. Sin embargo, en los últimos años, Blue Yonder ha pasado a una plataforma de microservicios nativa de la nube en Microsoft Azure, lo que debería mejorar la escalabilidad. La nota MQ de Gartner dijo que las fortalezas de Blue Yonder incluyen una “arquitectura de microservicios completa” y que proporciona planificación de extremo a extremo para múltiples empresas ⁷¹. Los microservicios implican que dividieron las aplicaciones monolíticas en servicios más pequeños que pueden escalar de forma independiente. Esto probablemente mejora el rendimiento (por ejemplo, escalar el servicio de forecast de demanda para muchos artículos mientras se escala por separado el servicio de planificación de supply chain). El entorno de Microsoft Azure también permite elasticidad y quizás un menor costo de escala que en las instalaciones, porque puedes aumentar la computación para un lote y reducirla. Sin embargo, Blue Yonder sigue siendo una de las soluciones más caras y de nivel empresarial. Ejecutar todos esos módulos avanzados significa procesar una tonelada de datos (especialmente si usas alta granularidad). Históricamente ha habido quejas sobre tiempos de ejecución largos para algunos procesos de JDA o dificultades para manejar volúmenes de datos extremadamente grandes rápidamente. La revisión de microservicios tenía como objetivo solucionar gran parte de eso. Ahora, Blue Yonder puede presumir de reforecasting casi en tiempo real para la detección de demanda y replans frecuentes en su torre de control. Otro aspecto es el manejo de datos: la adopción de un lago de datos en la nube por parte de Blue Yonder podría mejorar cómo se almacenan y acceden a los datos en comparación con los modelos relacionales más antiguos. Por otro lado, tener una suite amplia significa mucho trabajo de integración; la plataforma de Blue Yonder intenta mitigar eso pero probablemente sigue siendo pesada. En términos de eficiencia de costos, Blue Yonder generalmente apunta a grandes empresas con grandes presupuestos, por lo que no suele ser elegida por ahorro de costos, sino por capacidad. Podría requerir un gasto considerable de Azure para el cliente (o Blue Yonder lo incluye en las tarifas de SaaS). Si un minorista intenta implementar todos los módulos de BY, el proyecto y los costos continuos pueden ser muy altos. Por lo tanto, la eficiencia de costos no es el punto de venta de BY, la completitud sí lo es. Otro punto relevante: los módulos más antiguos de Blue Yonder a menudo se ejecutaban en memoria (JDA tenía un OLAP en memoria para los números de planificación). Ese concepto en memoria podría significar un alto uso de memoria. Pero con los microservicios, quizás utilicen los grupos de memoria escalables de Azure de manera más eficiente. La crítica competitiva de Lokad específicamente dijo “el software empresarial no es miscible a través de M&A, bajo BY yace una colección al azar… las afirmaciones son vagas, el código abierto insinúa tecnología más antigua” ⁷². Si bien esto se refería más a la integración y al bombo, indirectamente apunta a ineficiencias: una “colección al azar” a menudo implica que cada parte puede tener su propia infraestructura, no optimizada, lo que lleva a una huella total más alta. Sospechamos que Blue Yonder ha mejorado la integración con Luminate, pero aún puede tener redundancias. Por ejemplo, el módulo de precios podría tener su propio almacén de datos separado del almacén de datos de forecast a menos que esté unificado, algo que Luminate pretende unificar, pero estas cosas llevan tiempo. Resumiendo: Escalabilidad - Blue Yonder puede escalar a los minoristas más grandes (muchos de los 10 principales minoristas globales utilizan algún componente de Blue Yonder), lo que demuestra que puede manejar enormes datos. El rendimiento puede no ser extremadamente rápido de inmediato, pero es manejable con ajustes y poder de la nube. Eficiencia de costos - probablemente en el lado más bajo; tiende a ser intensivo en recursos y costoso. El cambio a SaaS podría reducir los costos de TI en las instalaciones para los clientes, pero esos costos se convierten en tarifas de suscripción. Además, como un gran proveedor, BY puede cobrar una prima. Por lo tanto, si el costo es un criterio, Blue Yonder a menudo pierde ante soluciones más delgadas. Si el poder puro y la amplitud son criterios, BY está bien. Los calificaremos moderados en escalabilidad (porque sí, escalan, pero potencialmente a un alto costo y complejidad).

Manejo de factores minoristas complejos: Las soluciones de Blue Yonder manejan explícitamente casi todos los factores complejos que se pueden pensar:

Canibalización y Halo: Su ML de pronóstico de demanda tiene la capacidad de considerar influencias entre productos (probablemente incorporan características que representan si los sustitutos están en promoción, etc.). Además, su herramienta de optimización de promociones tiene en cuenta la canibalización, por ejemplo, al recomendar promociones, mide si la promoción en el Producto A canibalizará las ventas del Producto B y calcula el aumento neto. Blue Yonder tenía un módulo llamado Efectividad de la Promoción que hacía algo así. Además, sus análisis de gestión de categorías a menudo evalúan los impactos de categoría de los cambios de precios (para que no aumentes el precio de un artículo y pierdas margen en artículos complementarios). Notablemente, el estratega de Blue Yonder podría establecer elasticidades que incluyen efectos cruzados. En el artículo de Business Insider, Revionics (ahora separado bajo Aptos) habló sobre el uso de la IA para simular si la reducción del precio de la masa de pastel aumenta las ventas de huevos ⁸², que es un escenario de efecto halo. La solución de precios de Blue Yonder es similar a Revionics ya que compiten, por lo que presumiblemente BY también puede simular tales resultados de productos cruzados. Además, el pronóstico de promociones de Blue Yonder específicamente puede incorporar factores de canibalización, ya que es el estándar de la industria.
Sustitución (efectos de faltante de stock): La planificación de demanda de Blue Yonder puede consumir información de disponibilidad posicional; si un artículo estaba agotado, la lógica de pronóstico puede atribuir una caída a la falta de disponibilidad en lugar de una caída en la demanda. El ML de Blue Yonder en Alemania era conocido por considerar las tasas de stock para no aprender ingenuamente una demanda más baja cuando simplemente estaba agotado. Además, la planificación de pedidos de Blue Yonder puede incluir reglas de sustitución - por ejemplo, si el artículo X está agotado, podrían aumentar el suministro del artículo sustituto Y de manera proactiva (algunos usuarios avanzados hacen esto).
Expiración/perishables: Blue Yonder tiene una gran clientela de supermercados, por lo que han desarrollado características para productos perecederos. Por ejemplo, su sistema de reposición puede considerar la vida útil - asegurándose de no hacer pedidos excesivos de manera que el producto caducaría. También pueden optimizar la producción en la tienda (como para productos frescos, tienen soluciones en la gestión de la fuerza laboral integrada para gestionar la programación de la producción fresca - indirectamente sobre la reducción de residuos). El pronóstico de Blue Yonder permite una granularidad diaria que es crucial para los artículos frescos y utiliza estacionalidad del día de la semana etc. Tienen referencias (como la de Knauf en BusinessWire para supply chain, y algunas referencias de supermercados) donde “usando BY, la pérdida se redujo, etc.” - aunque RELEX dio un ejemplo de eso. Blue Yonder probablemente tiene historias de éxito similares (recuerdo una con 7-Eleven usando BY para pronosticar alimentos frescos).
Planograma y restricciones de espacio: La solución de gestión de categorías de Blue Yonder es básicamente el estándar de la industria para el planograma y la planificación del piso. Se alimenta directamente en la planificación del surtido y la reposición proporcionando datos sobre cuánto espacio tiene cada producto en cada tienda (por lo que la planificación del suministro conoce el stock máximo en el estante). Los sistemas de Blue Yonder definitivamente usan eso - por ejemplo, si un planograma da 2 caras a un artículo, el sistema no enviará más de lo que cabe. Además, BY puede optimizar qué tiendas reciben un nuevo artículo en función del espacio y la demanda local (como si el estante no puede caber más SKUs, podría no surtirlo).
Factores de fuerza laboral y ejecución: Ligeramente tangencial, pero BY también tiene en cuenta cómo se puede ejecutar un plan - por ejemplo, programar la mano de obra para descargar envíos si se envía inventario extra para una promoción, etc. Esto se muestra en cuán integrado es su pensamiento para las operaciones minoristas.
Omni-canal: Las capacidades más recientes de Blue Yonder también consideran los compromisos de cumplimiento (envío desde la tienda vs DC) que no se preguntaron directamente, pero es otra complejidad que optimizan (costo vs velocidad, etc. - fuera del alcance de esta pregunta, sin embargo).
Clima y factores externos: manejan estos a través de ML en el pronóstico de demanda, que es un “factor complejo” en la demanda volátil. En esencia, Blue Yonder tiene una solución o característica para casi todos los escenarios minoristas complicados. El desafío es que uno necesita implementar y ajustar esas características. Históricamente, algunos minoristas tuvieron dificultades para implementar modelos avanzados de canibalización en JDA porque era complejo y requería soporte de ciencia de datos. Ahora, con la automatización de IA, BY intenta hacerlo internamente. Probablemente funcione, pero el usuario puede que no lo vea o controle fácilmente (el escenario de “caja negra cognitiva”). Sin embargo, es más seguro asumir que BY cubre estas complejidades porque su competencia lo hace y necesitaban mantenerse al día. De hecho, Blue Yonder tiene una pieza llamada Análisis de Transferencia de Demanda (del antiguo JDA), que midió explícitamente la canibalización dentro de las categorías para ayudar a las decisiones de surtido, es decir, cuantificar exactamente cómo se transfiere la demanda de un producto a otro si uno está ausente o promocionado. Entonces sí, tienen ese concepto. Considerando todo eso, Blue Yonder probablemente obtiene la puntuación más alta en el manejo de factores complejos, simplemente porque durante décadas cualquier problema que un minorista encontrara, JDA/BlueYonder agregaría funcionalidad para manejarlo (o adquiriría una empresa que lo hiciera). La pequeña advertencia: a veces los enfoques más antiguos pueden ser menos automatizados (necesitando configuración manual de relaciones, etc.), mientras que los proveedores más nuevos los aprenden automáticamente. Blue Yonder ahora intenta aprender automáticamente con IA, pero de nuevo confiar en ello requiere fe ya que no siempre abren los detalles. La crítica del competidor sobre el uso de métodos más antiguos ⁴³ sugiere que tal vez su modelado de canibalización utiliza regresión lineal (que aún puede capturarlo decentemente si se hace correctamente). No necesariamente un defecto, simplemente no es elegante. Clasificaremos a BY muy alto en este criterio, con una nota menor de que puede ser complejo de configurar.

Automatización: La visión de Blue Yonder de “Supply Chain Autónoma” y “Planificación Cognitiva” es esencialmente sobre automatización. Anuncian que su Luminate Planning puede ajustar automáticamente los planes con poca intervención humana, y que sus algoritmos pueden autoajustarse. Por ejemplo, el “forecasting de línea base algorítmica” de Blue Yonder reduce significativamente la carga de trabajo de los forecasters humanos: los planificadores entonces solo se enfocan en excepciones (como nuevos productos o grandes eventos). Muchos clientes de BY ejecutan auto-reabastecimiento: el sistema genera órdenes que van directamente a ejecución a menos que sean marcadas. El sistema Fulfillment de BY tenía características como “Stocks de seguridad adaptativos y de aprendizaje” lo que significaba menos ajuste manual de parámetros. En precios, Blue Yonder (como otras herramientas de precios) puede ejecutar actualizaciones de precios autónomas dentro de las reglas, por ejemplo, auto-rebajar precios cada lunes basado en la venta actual vs el plan. Sospecho que algunos clientes minoristas de BY permiten que el sistema tome ciertas acciones de precios automáticamente (especialmente rebajas, que pueden ser localizadas y frecuentes, demasiadas para ser manuales). La Luminate Control Tower de Blue Yonder incluso puede resolver automáticamente ciertas excepciones (como si un proveedor llega tarde, acelerar automáticamente desde otra fuente), eso es automatización en ejecución. Sin embargo, Blue Yonder históricamente también tenía una reputación de ser centrado en el planificador hasta cierto punto: proporciona excelentes recomendaciones, pero muchas empresas todavía tenían muchos planificadores ajustando esas recomendaciones (algunos porque el sistema era complejo o no confiaban completamente en él). La transformación a “autónomo” todavía está en progreso. Las publicaciones de blog de Blue Yonder sobre el aumento de la precisión del forecast se centran en dejar que la IA haga el trabajo pesado y limitar las anulaciones manuales ⁸³, lo que implica que fomentan la automatización. Tienen un concepto de excepciones/alertas que impulsa un estilo de “gestión por excepción”, un sello distintivo de la automatización (solo intervenir cuando sea necesario). Con la adquisición de Blue Yonder por Panasonic en 2021, también se enfatiza la conexión con IoT y la automatización incluso de decisiones físicas (como ajustar los estantes de la tienda a través de la robótica basada en cambios de plan, cosas de futuro, pero en etapa de idea). Por otro lado, debido a que las herramientas de BY son tan ricas en características, algunos usuarios pueden volverse demasiado dependientes de la configuración manual (como ajustar docenas de parámetros, ejecutar manualmente qué pasaría si, etc.), lo que puede obstaculizar la verdadera automatización sin intervención. La crítica de la competencia de que bajo BY “los productos están desactualizados y no son miscibles” ⁷² podría implicar que todavía se necesita mucho pegamento manual por parte de las personas para hacer que funcione a través de los módulos, lo que reduce la automatización. No hay duda de que Blue Yonder puede permitir una alta automatización, pero si una implementación dada lo logra es variable. Recuerdo haber leído estudios de caso donde los minoristas tenían a Blue Yonder generando automáticamente el 90% de sus órdenes, similar a las referencias de ToolsGroup. Por lo tanto, es probable que el uso de las mejores prácticas sí produzca eso. Dado el fuerte marketing de “autónomo” de Blue Yonder ahora, creemos que están impulsando nuevas características para aumentar la automatización (como autopiloto de modelo ML - cambio automático de algoritmos cuando cambia la tendencia; o asesor de escenarios - recomendando el mejor escenario). Incluso tienen un asistente digital (quizás consultas de planificación activadas por voz), no es automatización per se, pero reduce el análisis manual. Entonces sí, BY está orientado a la automatización, aunque históricamente puede haber sido subutilizado por los usuarios debido a problemas de confianza o complejidad. Les daremos una puntuación alta, pero no tan perfecta como podrían ser algunos proveedores ágiles más pequeños, simplemente porque implementar BY hasta el punto en que puedes confiar en él sin supervisión puede llevar más tiempo. Pero una vez hecho, debería funcionar. El sitio web de Panasonic lo llama “Realización de la Supply Chain Autónoma™ con Blue Yonder” ⁸⁴, están registrando la Supply Chain Autónoma, ¡así que lo dicen en serio! Para seguir siendo escépticos: notaremos que hasta ahora, la planificación verdaderamente completamente autónoma es rara en la industria, incluso con BY, la supervisión humana sigue siendo necesaria. Pero BY puede reducir significativamente la carga de trabajo humana.

Integración de Tecnología: Blue Yonder es el caso clásico de una plataforma construida a través de muchas adquisiciones (desde la década de 1980 hasta la de 2010). Sin embargo, desde alrededor de 2015 han invertido en unificarla. La Plataforma Luminate es su respuesta: microservicios en una nube común, modelo de datos común parcialmente (tienen Luminate Data Hub), y un estilo de interfaz de usuario compartido. Han hecho progresos, por ejemplo, los módulos de pronóstico de demanda y reposición ahora comparten la misma interfaz de usuario y datos sin problemas (en comparación con el antiguo JDA donde la Demanda y el Cumplimiento eran aplicaciones separadas que necesitaban integración por lotes). La arquitectura de microservicios significa que se pueden entregar y conectar nuevas capacidades sin cambios monolíticos. Pero seamos claros: internamente, algunos módulos probablemente aún ejecutan su código heredado (solo alojado en la nube). Eso significa que la integración está a nivel de interfaz, no que reescribieron todo en un solo código (eso sería poco realista en poco tiempo). Expusieron las APIs del código antiguo como microservicios y los orquestan. Está funcionando en buena medida según Gartner lo llama “arquitectura de microservicios completa” ⁷¹, lo cual es un cumplido. Otro plus: Blue Yonder ha unificado en gran medida su interfaz de usuario (la interfaz Luminate Experience). Un usuario puede, en teoría, navegar desde una pantalla de planificación de demanda hasta una pantalla de inventario dentro de un solo portal. Existe un concepto de Luminate Planning Workbench que intenta reunir múltiples funciones para un planificador. Aún así, críticos como Lokad dicen “el software empresarial no es miscible a través de M&A” ⁷² – insinuando que no puedes mezclar verdaderamente los productos adquiridos fácilmente. Blue Yonder lo está intentando, pero quizás aún queden algunas grietas: por ejemplo, la solución de precios (originalmente un producto separado) podría no sentirse completamente como la planificación de la demanda en la interfaz de usuario y podría requerir una configuración separada. La integración de datos puede ser un problema: ¿los pronósticos de demanda alimentan automáticamente los modelos del módulo de optimización de precios? ¿O tienes que exportarlos? Blue Yonder probablemente lo haya integrado ya, pero no estoy seguro. La nota “colección desordenada de productos, la mayoría de ellos anticuados” ⁷² es dura, quizás se refiere a ciertos módulos más antiguos como la planificación de mercancías de JDA o motores de optimización más antiguos que no han sido actualizados. También “las afirmaciones son vagas con poca sustancia” ⁸⁵ sugiere que a veces BY dice que es AI unificada pero quizás solo son piezas integradas de manera laxa. Aún así, en crédito de Blue Yonder, replataformaron más que muchos otros; por ejemplo, contenerizaron los antiguos algoritmos, construyeron interfaces de usuario modernas y las conectaron. Otro ángulo de integración: Blue Yonder cubre la planificación hasta la ejecución en una sola empresa (WMS, TMS para la ejecución, y herramientas de planificación). También han estado integrando esos (la planificación de inventario puede ver el inventario de WMS en tiempo real cercano, etc.). Entonces, en teoría, podrías ejecutar tu supply chain de principio a fin con la tecnología de Blue Yonder, lo cual es una integración más allá de la simple planificación, un gran plus si se logra. Históricamente, esos también estaban aislados (herencia de JDA vs RedPrairie). Tienen algo llamado Luminate Control Tower que superpone y conecta los datos de planificación y ejecución en una sola vista. Así que hay progreso en la integración. Considerando todo, Blue Yonder ha recorrido un largo camino pero probablemente aún no esté tan ágilmente integrado como un producto desarrollado completamente internamente desde cero. La nota de código abierto sobre ellos usando proyectos como tsfresh indica que están tratando de unificar en bibliotecas comunes donde sea posible (esa es una buena práctica de integración). Sin embargo, con tantos productos, es difícil unificar completamente cada pieza. El riesgo es que algunos clientes podrían implementar efectivamente los módulos de Blue Yonder pero no integrarlos bien, la culpa podría estar en la implementación en lugar de en la capacidad del software. Pero la arquitectura ahora permite la integración, depende del uso. Le daremos a Blue Yonder de moderado a alto en integración: definitivamente un conjunto de Frankenstein históricamente que se sometió a cirugía para volverse más unificado, parcialmente exitoso, pero aún se puede decir que algunas partes son más antiguas en estilo. La complejidad sigue siendo alta. Por ejemplo, para implementar la suite completa de BY, uno podría necesitar varios equipos de expertos porque cada módulo tiene profundidad. Eso señala que no es completamente “un producto cohesivo” en la práctica, más bien “una familia de productos bajo un paraguas de plataforma”. Mientras tanto, ToolsGroup o Lokad están más cerca de un producto que resuelve múltiples áreas (menos función pero más integrado por diseño). Por lo tanto, la integración de Blue Yonder es mejor que el popurrí de SAP, pero probablemente esté detrás de una solución singular.

Escepticismo hacia el bombo publicitario: El marketing de Blue Yonder utiliza muchos términos de moda: “Cognitivo”, “Autónomo”, “AI/ML”, “End-to-End”, etc. Algunas afirmaciones carecen de especificidad (como “mejora del forecast en un 12%” - ¿mejorado desde qué base? O “impulsado por AI” pero sin detalles sobre el método). Tienen una narrativa llamativa de un “cerebro digital” similar a o9, y a veces una visibilidad limitada de cómo funciona. La crítica dijo “las afirmaciones son vagas con poca o ninguna sustancia… los proyectos de código abierto insinúan enfoques pre-2000” ⁴³, acusando básicamente a Blue Yonder de lavado de AI (marketing de vino viejo en botellas nuevas). De hecho, Blue Yonder fue rápida en cambiar de marca después de la adquisición como un “pionero de la AI”, lo que levantó las cejas ya que JDA no era conocida por eso antes. Dicho esto, Blue Yonder sí tiene tecnología AI real (del equipo adquirido), pero quizás no tan avanzada como ellos insinúan. Por ejemplo, llamar a su forecast “cognitivo” puede exagerarlo - es avanzado, sí, pero muchos otros hacen forecast similares con ML. El término “cognitivo” implica un razonamiento casi humano, lo cual es bombo publicitario. También “supply chain autónoma” - un objetivo admirable, pero cualquier sistema de este tipo todavía necesita gobernanza humana. A veces utilizan términos registrados como “Autonomous Supply Chain™”, que es una marca de marketing. Otra área de bombo: Blue Yonder promociona “detección de demanda” - un concepto que adoptaron (algunas de sus soluciones como el forecast a corto plazo son básicamente detección de demanda). Como señaló Lokad, la detección de demanda a menudo es bombo si no se hace correctamente. Blue Yonder probablemente tiene un método (como usar las ventas de la semana pasada con mayor peso para ajustar los forecast a corto plazo), pero si realmente detecta señales externas o simplemente es un suavizado reactivo es una pregunta abierta. Si lo exageran como “AI detectando cambios de demanda en tiempo real desde las redes sociales” o algo así, uno podría dudar de su practicidad. También está el bombo de la integración: afirman tener una plataforma unificada, pero como se discutió, detrás de escena no es completamente uniforme - el marketing podría pasar por alto la complejidad de la integración. Por otro lado, Blue Yonder tiene muchos estudios de caso y referencias reales. No suelen inventar resultados - tienen grandes clientes que comparten públicamente sus éxitos (aumento en la tasa de llenado, ingresos, etc.). Esos son creíbles. Blue Yonder también tiende a no revelar demasiado detalle técnico, lo que puede parecer como si se escondieran detrás de términos de moda. Para un buscador de la verdad, los materiales de BY podrían frustrar porque a menudo hablan de resultados y capacidades de alto nivel en lugar de “usamos el algoritmo X, Y, Z”. Pero los materiales de ventas empresariales rara vez se meten en algoritmos. No es único de BY. Al menos el análisis de la competencia de Lokad los señaló, lo que significa que entre sus pares, Blue Yonder fue vista como particularmente pesada en términos de moda sin suficiente ciencia nueva detrás ⁴³. Dado que queremos penalizar las afirmaciones vagas y el bombo, Blue Yonder recibe alguna penalización: definitivamente han capitalizado los términos de moda en los últimos años. Los comunicados de prensa de Panasonic y los blogs de BY están llenos de jerga (AI/ML, gemelo digital (quizás menos, prefieren “borde digital” etc.), cognitivo, autónomo). Sin validación técnica, un escéptico debería descontar algunos de esos. Aún así, Blue Yonder tiene tecnología genuina, tal vez no tan revolucionaria como el marketing implica. Les daremos una puntuación media-baja en honestidad del bombo - sí que exageran mucho. Como evidencia, ese PDF de Lokad colocó a Blue Yonder en el 12º lugar de 14 y señaló específicamente su bombo y sus cimientos anticuados ⁷². Es una fuente sesgada (Lokad compite), pero resuena con la precaución de no tomar todo el marketing de BY al pie de la letra. Otro ejemplo: Blue Yonder podría afirmar “SaaS plug-and-play - rápido tiempo de valor”, pero muchos clientes experimentan implementaciones de varios años - así que hay una brecha en el marketing vs la realidad en la facilidad de implementación. Eso es un bombo alrededor de la integración o la facilidad de uso. Así que sí, un comprador debería ser escéptico acerca de la facilidad y creer completamente la historia de la “plataforma única” - podría seguir sintiéndose como módulos distintos detrás de escena que requieren esfuerzos de integración significativos. En resumen, el marketing de Blue Yonder es pulido y a menudo optimista, por lo que se justifica un escepticismo saludable.

Resumen: Blue Yonder es una suite de optimización de retail rica en características que abarca inventario, precios y planificación de surtido (más aspectos de ejecución) - cubriendo esencialmente todas las facetas de la optimización de retail. Ha sido modernizado con IA/ML (por ejemplo, “cognitivo” forecast ²⁷) y una plataforma en la nube, y es capaz de optimizar conjuntamente decisiones a través de áreas tradicionalmente aisladas (decisiones de precios que alimentan los planes de inventario y viceversa) ²⁷. Las herramientas de Blue Yonder consideran explícitamente la rentabilidad y el costo en las decisiones - desde la optimización de precios que equilibra el margen vs el volumen hasta la optimización de inventario que equilibra el servicio vs el costo de mantenimiento ⁸⁰. La solución puede modelar dinámicas de retail complejas como canibalización, efectos de halo y restricciones de vida útil como parte de sus procesos de forecast y planificación, gracias a sus algoritmos avanzados y décadas de conocimiento del dominio de la ciencia de datos de retail. Por ejemplo, utiliza machine learning para identificar efectos de sustitución de productos y canibalización promocional para que los forecast y reposiciones se ajusten en consecuencia ⁸ ⁹. Con su reciente re-arquitectura de microservicios, Blue Yonder mejoró la integración de sus módulos antes dispares, ofreciendo una plataforma Luminate más unificada con datos comunes y una interfaz de usuario ⁷¹. Esto permite mayores grados de automatización: muchos clientes de Blue Yonder permiten que el sistema genere automáticamente forecast, pedidos e incluso recomendaciones de precios, interviniendo solo en excepciones. Blue Yonder comercializa intensamente una “Supply Chain Autónoma”, y aunque la autonomía total es un viaje, sus soluciones sí permiten decisiones automatizadas y basadas en datos a gran escala (un gran usuario informó que los planificadores gestionan por excepción mientras el sistema maneja el 95% de las reposiciones de sku-store de forma autónoma).

Sin embargo, se necesita un ojo escéptico respecto a las afirmaciones de Blue Yonder. El legado de adquisiciones de la suite significa que algunos componentes llevan algoritmos heredados bajo el capó ⁷². La cohesión de la plataforma, a pesar de las grandes mejoras, puede no ser tan perfecta como una base de código única desde cero: implementar todas las piezas puede ser complejo y requerir muchos recursos. Además, el bombo publicitario de Blue Yonder es notable: términos como “cognitivo” y “autónomo” se usan con liberalidad, a veces superando la realidad de lo que el software entrega fácilmente ⁴³. Los análisis independientes han señalado que detrás de las palabras de moda, Blue Yonder a menudo emplea técnicas analíticas bien establecidas (incluso más antiguas) ⁴³ - IA efectiva pero no mágica. Además, el costo y la complejidad de la solución de Blue Yonder pueden ser altos: puede requerir una inversión sustancial en tiempo, dinero y personal capacitado para aprovechar completamente todas las capacidades, lo que modera la narrativa de “conectar y usar”. En resumen, Blue Yonder es extremadamente capaz - posiblemente un referente en cuanto a riqueza funcional y experiencia en retail - y continúa evolucionando con la moderna IA y la tecnología en la nube. Sin duda puede ofrecer optimización de última generación si se implementa y se utiliza completamente. Pero uno debe atravesar la niebla de las palabras de moda y evaluar cuidadosamente cómo se respalda cada afirmación. Donde Blue Yonder demuestra un valor claro (como ganancias comprobadas en la precisión del forecast, reducción medible de residuos en productos frescos o aumento de la venta a través de precios optimizados), lo reconocemos como una solución de primer nivel. Donde se apoya en un marketing vago o pasa por alto las dificultades de integración, permanecemos cautelosos.

En nuestro ranking, Blue Yonder sigue siendo un proveedor líder en optimización de retail debido a su amplitud e innovación continua ⁷¹, pero lo penalizamos un poco por la deuda técnica heredada y el exceso de marketing. Para los grandes minoristas que buscan un sistema integral de principio a fin y están dispuestos a invertir en él, Blue Yonder suele ser un contendiente o el estándar. Para aquellos que priorizan la agilidad, la eficiencia de costos o la simplicidad, el enfoque expansivo de Blue Yonder puede parecer pesado.

Fuentes: Plataforma Luminate basada en microservicios de Blue Yonder y capacidades ⁷¹; declaración sobre la vinculación del impacto del precio a los niveles de inventario ²⁷; análisis crítico de las afirmaciones de IA de BY y los fundamentos heredados ⁷² ⁴³.

6. SAP (SAP IBP & Retail) – Suite Incumbente Modernizada, Aún Poniéndose al Día (Alerta de Bagaje Heredado)

SAP, un titán en el software empresarial, ofrece capacidades de optimización de retail a través de su SAP Integrated Business Planning (IBP) para la supply chain y la suite SAP for Retail (que incluye herramientas de planificación de mercancías y precios de adquisiciones pasadas). Las soluciones de SAP cubren forecasting de demanda, planificación de inventario y suministro, planificación de surtido y financiera de mercancías, y optimización de reducciones de precio. Durante la última década, SAP ha pasado de sus antiguos módulos de retail APO (Advanced Planner & Optimizer) a una nueva plataforma IBP basada en la nube. Sin embargo, las ofertas de SAP siguen siendo algo fragmentadas entre el IBP centrado en la supply chain y las aplicaciones de retail centradas en CAR (Customer Activity Repository) y Retail. Como los criterios de evaluación enfatizan en evitar enfoques heredados e integraciones de Frankenstein, SAP a menudo se señala como un ejemplo de esos desafíos. Una evaluación sincera en 2021 señaló: “SAP (1972) adquirió SAF, KXEN, SmartOps… estas aplicaciones se asientan sobre tecnología interna (F&R, APO, HANA). El software empresarial no es miscible a través de fusiones y adquisiciones, y bajo SAP se encuentra una colección de productos al azar. La complejidad es alta y se necesitarán los mejores integradores, más unos años, para lograr el éxito.” ¹¹. Esto subraya la lucha de SAP: muchas piezas integradas de manera laxa, requiriendo un gran esfuerzo de implementación. Clasificamos la capacidad de optimización de retail de SAP más baja en nuestra lista debido a esta complejidad heredada y al ritmo más lento de innovación en IA, a pesar de que en papel es funcionalmente completa.

Optimización Conjunta: Los módulos de SAP históricamente operaban en silos: por ejemplo, SAP Demand Forecasting (parte de F&R) producía forecasts que alimentaban a SAP Pricing (de la adquisición de Khimetrics) y SAP Assortment Planning (de otro componente). En los últimos años, SAP intentó unificar la planificación en IBP, pero IBP cubre principalmente la demanda, el inventario y la planificación de suministro. Los precios y el surtido están fuera de IBP, en otras soluciones específicas de retail. Esto significa que la verdadera optimización conjunta (inventario + precios + surtido juntos) no es el fuerte de SAP de fábrica. Es posible que necesite conectar IBP con, por ejemplo, SAP Markdown Optimization (que era un producto separado) de una manera personalizada. Ha habido intentos: por ejemplo, SAP’s Unified Demand Forecast (parte de CAR) se suponía que proporcionaría un único forecast para todos los sistemas downstream (como reposición y precios). Si se implementa, eso al menos alinea los precios y el inventario en la misma señal de demanda. Pero la toma de decisiones conjunta real, como tener en cuenta los costos de inventario en la optimización de precios, probablemente requiere una integración personalizada. SAP sí tiene una solución SAP Retail Optimization (el antiguo Khimetrics) para precios que puede considerar las restricciones de inventario para las reducciones de precio (así que en ese caso limitado, sí realiza una optimización conjunta de los precios de liquidación con el inventario disponible). Además, los sistemas de merchandising de SAP conectan los planes de ventas con los planes de suministro de manera laxa. En general, la arquitectura de SAP no optimiza estos de manera inherente; más bien, pasa las salidas de uno a la entrada de otro. Por ejemplo, IBP podría generar un plan de suministro dado una estrategia de precios asumida; si los precios cambian, un planificador tendría que actualizar los escenarios de IBP. No es una retroalimentación automática. SAP IBP está evolucionando con cosas como “Integrated Financial Planning” que vincula los resultados financieros con los planes de suministro (alguna optimización conjunta allí, al menos equilibrando costos e ingresos). Pero en comparación con los nuevos proveedores, SAP se queda atrás en la integración fluida entre funciones. La crítica de complejidad ¹¹ sugiere que incluso hacer que todas las piezas de SAP se comuniquen bien es un gran proyecto. Por lo tanto, calificamos a SAP bajo en optimización conjunta. Se puede lograr, pero requiere “los mejores integradores, más unos años” ⁸⁶ (cita directa), no es precisamente un respaldo contundente.

Pronóstico Probabilístico & IA: SAP IBP incluye un módulo para “Demanda” que ofrece algunas analíticas predictivas e incluso integración de ML (permiten usar SAP Analytics Cloud o bibliotecas externas de ML para producir forecasts que alimentan IBP). SAP también adquirió KXEN en 2013, una herramienta de minería de datos, presumiblemente para incorporar ML en varios lugares. Pero el pronóstico nativo de SAP en IBP continúa en gran medida la tradición de APO (modelos estadísticos como suavizado exponencial, Croston, etc.). Introdujeron “Demand Sensing” en IBP, que es un algoritmo (de la adquisición de SmartOps) que utiliza tendencias a corto plazo recientes para ajustar los forecasts a corto plazo - un enfoque que algunos consideran un promedio móvil ponderado glorificado. Es útil, pero no es una revolución completa de IA. SAP está integrando más ML ahora - por ejemplo, utilizan machine learning para el forecast de lanzamiento de nuevos productos (emparejando patrones de productos similares). También tienen un motor de optimización (de SmartOps) para el inventario multi-escalonado (que era más estocástico). En general, la innovación de SAP en IA para la planificación ha quedado atrás de los especialistas. En las MQs de planificación de la supply chain, Gartner a menudo señala el ML limitado de SAP IBP en comparación con otros. Dependen de socios o de su plataforma de Data Intelligence para ML avanzado. Para la optimización de precios, la herramienta de SAP (de Khimetrics) sí utilizó algoritmos sofisticados (algunos ML para la elasticidad, etc.), pero esa herramienta no ha visto actualizaciones importantes recientemente y podría no estar integrada de manera estrecha. Hay rumores de que SAP podría estar eliminando algunas de esas o reemplazándolas con un nuevo servicio basado en IA - no estoy seguro, pero nada prominente. Como dijo la crítica, SAP tuvo que manejar muchas piezas predictivas adquiridas (SAF era forecasting, SmartOps era optimización de inventario, KXEN era ML genérico). Probablemente no los integró completamente en un motor de IA coherente. Forecast probabilístico específicamente: el F&R basado en SAF de SAP sí generaba distribuciones para el tiempo de entrega y utilizaba niveles de servicio para determinar las existencias de seguridad (así que un enfoque algo probabilístico), pero no creo que SAP IBP produzca inherentemente distribuciones de probabilidad completas para la demanda; se centra en un solo número y un número ajustado por “sensing”. Posiblemente proporcionen algunos intervalos de confianza. En términos de exageración, SAP utiliza palabras de moda como “analítica predictiva” y “machine learning” pero su IA entregada ha sido leve. Calificamos a SAP relativamente bajo en forecast avanzado de IA - cubre bien los conceptos básicos (eran conocidos por un forecast robusto, si tradicional), pero no lideran en forecast probabilístico o ML. Están tratando de ponerse al día habilitando la integración de IA externa. Mientras tanto, algunos clientes de SAP podrían exportar datos para ejecutar ML en Python, luego traer los resultados de vuelta - indicando que el incorporado de SAP podría no ser suficiente. En resumen, el forecasting y la planificación de SAP utilizan algo de IA, pero en su mayoría es un enfoque conservador y basado en estadísticas con características incrementales de ML.

Toma de decisiones económicas: Históricamente, las herramientas de planificación de SAP se basaban en métricas en lugar de optimizar inherentemente el beneficio. APO te permitía establecer objetivos de nivel de servicio o minimizar costos en la planificación de la supply chain, pero no la maximización directa de beneficios. Las soluciones de precios al por menor de SAP (como la Optimización de Markdown) eran absolutamente económicas: optimizaban el margen o el aumento de ingresos de las promociones. Esas son soluciones de optimización matemática que maximizan un objetivo (con restricciones como inventario o presupuesto). Por lo tanto, en la fijación de precios, SAP tenía fortaleza en la optimización económica (Khimetrics fue pionero en los algoritmos de optimización de precios al por menor). En inventario, el MEIO (SmartOps) de SAP buscaba minimizar el costo total para un objetivo de servicio dado, nuevamente un enfoque económico, aunque con restricción de servicio. SAP IBP incluye “Optimización de inventario” como un módulo, que probablemente utiliza ese motor SmartOps para equilibrar el costo del inventario frente al servicio. Por lo tanto, esa pieza está impulsada inherentemente por el beneficio/costo. La planificación del surtido en SAP a menudo se realiza en SAP Merchandise Planning y generalmente es más heurística (los planificadores simulan resultados financieros, pero no es un algoritmo que elige qué SKUs cortar usando ROI, aunque podría resaltar SKUs de bajo beneficio para ayudar a las decisiones). En general, SAP permite que se rastreen las métricas financieras, por ejemplo, IBP puede mostrar los ingresos proyectados, el margen en los planes, pero a menudo el usuario tiene que decidir los compromisos en lugar de que el sistema maximice automáticamente. Existe SAP Profit Optimization en algún contexto (quizás en su herramienta de diseño de supply chain o escenario S&OP), pero no se menciona ampliamente. Debido a que SAP atiende a los planificadores que toman decisiones, a menudo es una herramienta de qué pasaría si en lugar de un auto-optimizador. Dicho esto, sus sub-herramientas de precios e inventario sí hacen optimización bajo el capó. Les daremos crédito medio: no tan perfectamente orientados al beneficio como Lokad o el nuevo enfoque de ToolsGroup, pero sí cubren los compromisos de costos. Un buen indicador: la nueva característica de IBP de SAP es “Retorno sobre la inversión en inventario” cálculos, para ayudar a priorizar. Pero si solo calcula y muestra ROI versus un algoritmo que realmente maximiza el ROI, eso es diferente. Dada la complejidad, muchos clientes de SAP lo utilizan de manera basada en reglas (como alcanzar objetivos de tasa de llenado, presupuestar dólares OTB para surtido basado en el juicio del planificador). Por lo tanto, no es el pináculo de la optimalidad de la decisión, pero es capaz si se configura. La crítica que llama a sus adquisiciones “aplicaciones de supply chain predictiva” implica que SAP tenía las piezas para incorporar análisis de costo-beneficio predictivo, pero la integración se retrasó ¹¹. Nos inclinamos a que SAP está detrás de la curva en impulsar la optimización de beneficios automáticamente.

Escalabilidad y eficiencia de costos: La característica distintiva de SAP ha sido la computación pesada en memoria: SAP HANA es una base de datos en memoria que respalda IBP y otras aplicaciones. Es muy rápido para ciertas cosas, pero extremadamente hambriento de memoria y costoso. Muchas empresas encuentran que las soluciones de SAP son costosas para escalar porque necesitas grandes tamaños de memoria HANA. Por ejemplo, SAP IBP requiere todos los datos de planificación en la memoria HANA para hacer cálculos rápidamente, lo cual puede ser costoso para los grandes minoristas (terabytes de memoria). Esto se alinea con el deseo de evitar soluciones pesadas en RAM en nuestros criterios. De hecho, un análisis dijo de un proveedor (Relex) de manera similar, “el diseño en memoria proporciona gran velocidad pero garantiza altos costos de hardware” ²² - eso es exactamente el enfoque de SAP también. Por lo tanto, la eficiencia de costos es cuestionable; el enfoque de SAP a menudo produce una respuesta rápida pero a un alto costo de infraestructura (a menos que descargues algo a un almacenamiento más barato, lo que luego pierde velocidad). La oferta en la nube de SAP intenta mitigar esto manejándolo detrás de escena en su HANA Cloud y cobrando una suscripción, pero efectivamente, el costo se pasa en la suscripción. Históricamente, implementar SAP APO o F&R era bastante escalable en el sentido de que podía manejar grandes volúmenes (las grandes empresas globales lo ejecutaban), pero a veces requería ejecuciones por lotes nocturnas o simplificación para cumplir con los plazos. IBP en HANA mejora significativamente los tiempos de cálculo (algunos ciclos de ejecución en minutos que tomaban horas en APO). Por lo tanto, la escalabilidad en rendimiento mejora, pero en tamaño de datos, está limitada por el presupuesto de memoria. SAP está bien para grandes empresas (algunas de las más grandes lo usan), pero a menudo estos proyectos requerían hardware serio y ajustes. Entonces sí, SAP escala a grandes datos pero no tan eficientemente en costos como quizás las soluciones en la nube distribuidas. En cuanto a la eficiencia de costos: se sabe que SAP es una solución costosa en general (licencia, infraestructura, costos de integrador). El fragmento MQ ⁸⁶ sobre “los mejores integradores más años necesarios” dice que implementarlo es costoso en tiempo/recurso humano también. Si se mide la eficiencia de cálculo pura, HANA es de alto rendimiento pero costoso ($$$ por GB RAM). Además, algunos módulos de SAP como la fijación de precios tenían motores separados que podrían no escalar bien (el antiguo Khimetrics se ejecutaba en Oracle DB y tenía limitaciones en los tamaños de los problemas de optimización). No estoy seguro de ahora. Dado todo, marcamos a SAP bajo en eficiencia de costos y moderado en escalabilidad (puede manejar una gran escala, pero a un alto costo y complejidad, que es exactamente lo que los criterios querían penalizar). Básicamente ejemplifica el “costo computacional excesivo” a evitar si es posible.

Manejo de factores complejos de retail: Las soluciones de retail de SAP manejan una serie de complejidades:

Canibalización/Halo: La forecast de SAP (especialmente a través de CAR Unified Demand Forecast) podría incorporar factores causales incluyendo promociones de productos relacionados, etc., pero históricamente SAP era más débil aquí. El método SAF era principalmente de un solo producto. Tenían un módulo llamado SAP Promotion Management for Retail que podría estimar el aumento y la canibalización utilizando algunos modelos. Además, la optimización de precios de SAP consideraba los efectos entre artículos (quizás en categorías). Pero honestamente, SAP no era conocido por la mejor forecast de promociones: muchos minoristas usaban terceros o lo hacían manualmente. Posiblemente KXEN estaba destinado a ayudar a encontrar correlaciones (como usar ML para detectar patrones de canibalización). No está claro cuán bien integrado se volvió eso.
Sustitución: SAP F&R tenía funcionalidad para considerar sustituciones (si un artículo estaba agotado, ¿sugerir sustituto en propuestas de pedido?). También, en el análisis de ventas perdidas, podrían tener en cuenta si una venta fue recuperada por otro producto. Pero no estoy seguro si es de serie o personalizado. La lógica MRP de SAP (en ERP) no manejaba la sustitución por defecto en la planificación, era más un ejercicio analítico.
Perecederos: SAP tenía F&R (Forecasting & Replenishment) específicamente hecho a la medida para la alimentación con vida útil. Permitía establecer reglas para evitar enviar más producto del que se puede vender antes de la caducidad y rastrear la edad del stock. Muchos minoristas usaban SAP F&R para artículos frescos y obtenían mejoras. IBP puede que aún no tenga toda esa lógica fresca de serie, pero posiblemente a través del Fresh Inventory de SAP CAR o similar. SAP también tiene una extensión para “planificación de vida útil” en PP/DS. Entonces sí, manejan restricciones de caducidad en la planificación de suministro hasta cierto punto.
Espacio/surtido: La herramienta de planificación de surtido de SAP considera las restricciones de espacio de la tienda a un nivel alto (como categorías máximas). No está tan integrado como el enlace de planograma de Blue Yonder. Pero sí integran con datos de planograma en CAR para asegurar que los pedidos de la tienda no excedan la capacidad de la estantería como regla. Puede que no sea tan automatizado, pero es posible. Tenían una integración entre SAP F&R y los datos del planograma (a través del Landscape Management de SAP). Por lo tanto, se tiene en cuenta alguna restricción de espacio en los pedidos.
Pronóstico de promociones: El CAR de SAP incluye un modelo de “Factor de Influencia de la Demanda” donde se consideran las promociones, días festivos, etc., en el pronóstico a través de la regresión o ML. Por lo tanto, las promociones se pronostican con aumento. Muchos clientes de SAP utilizan eso (con éxito variable).
Factores externos (clima, etc.): A través de KXEN o ahora SAP Analytics Cloud predictive, permiten incluir esas variables. Ha habido implementaciones con el clima influyendo en los pedidos de productos estacionales utilizando herramientas de SAP, aunque no es plug-and-play. En resumen, SAP puede manejar estos, pero a menudo requiere personalizar los modelos estadísticos o utilizar sus nuevos servicios predictivos. No es tan fuera de la caja como algunos proveedores especializados. La crítica que califica la colección de SAP como “azarosa” sugiere una falta de sinergia, por ejemplo, la pieza de pronóstico de promoción no alimenta sin problemas la pieza de reposición; se requiere integración. Si esa integración falla, entonces, por ejemplo, la canibalización descubierta por un módulo puede que no se propague a otros. SAP IBP siendo relativamente nuevo, algunas características avanzadas no están maduras; por ejemplo, tenía un pronóstico básico, y sólo recientemente (2022+) comenzó a añadir “sensación de demanda” impulsada por ML o señales de demanda externas. Clasificaría a SAP como moderado en factores complejos: tienen capacidad, pero no es tan avanzada o automática como otros. Por ejemplo, un minorista podría necesitar configurar manualmente cómo una promoción en el producto A reduce la demanda en el producto B en el sistema de SAP, mientras que RELEX podría aprenderlo automáticamente. Además, su literatura no ha destacado tanto la solución de canibalización; algunos clientes podrían depender de herramientas externas para eso (como usar HANA de SAP para ejecutar ML personalizado para encontrar canibalización, luego retroalimentar ajustes). Así que los penalizaría un poco allí.

Automatización: La filosofía de SAP tradicionalmente ha sido más de “soporte a la planificación” que de “planificación sin intervención”. A menudo requieren que los planificadores ejecuten trabajos por lotes y revisen los resultados. Por ejemplo, SAP APO era una herramienta muy interactiva donde los planificadores tenían que liberar frecuentemente pronósticos, ejecutar optimizaciones, etc. SAP IBP mejoró algo de automatización con alertas y horarios, pero aún así, generalmente es una herramienta de ciclo de planificación, no de conducción automática continua. Muchos clientes de SAP todavía tienen grandes equipos de planificación haciendo análisis de qué pasaría si en las hojas de cálculo de IBP. En el comercio minorista, las soluciones de SAP como Merchandise Planning y Assortment son esencialmente herramientas de planificación manual (tipo Excel, pero integradas). No están automatizadas: requieren que los planificadores establezcan objetivos, seleccionen surtidos. La optimización de precios puede ser automatizada hasta cierto punto (el algoritmo ofrece recomendaciones de precios, pero normalmente un analista de precios las revisa/aprueba en SAP). La reposición en SAP (ya sea a través de F&R o ERP MRP) estaba automatizada para generar propuestas de pedido, que luego podían ser convertidas automáticamente en POs si estaban dentro de las tolerancias; eso se hacía comúnmente. Por lo tanto, la reposición en la tienda podría ser sin contacto: muchos minoristas de comestibles lo hicieron con SAP F&R o ahora CAR/Unified Demand Forecast más la creación automática de pedidos de S/4. Eso es un punto fuerte: SAP puede automatizar bastante bien la reposición, una vez configurada (como cualquier sistema decente). Donde carecen es quizás en revisar automáticamente los planes sobre la marcha con ML: todavía dependen de ciclos por lotes (diarios o semanales). Tienen alertas de excepción para resaltar si las ventas se desvían para que un planificador pueda ajustar manualmente rápidamente (semi-automatizado). IBP introdujo algunas cosas como “pronósticos de autoajuste” (el sistema elige automáticamente el mejor modelo, no requiere selección manual de modelos). Eso es automatización básica. El marketing de SAP de “sensación de demanda” implica una automatización más frecuente de las actualizaciones de pronóstico con los últimos datos, que está parcialmente automatizada. Pero en relación con otros, SAP no promueve una narrativa autónoma; se trata más de apoyar a los planificadores para que sean eficientes. La necesidad de un integrador pesado sugiere que no es un simple piloto automático que se enciende. Así que clasificaría a SAP más bajo en automatización. A menudo es una implementación pesada y todavía necesita una supervisión manual significativa. Muchos procesos siguen siendo impulsados por el planificador (con cálculos del sistema que los apoyan). Por lo tanto, es probable que no alcancen el objetivo de “totalmente desatendido”. También hay política interna: la base de usuarios de SAP espera intervenir; confían en el sistema hasta cierto punto, pero no para que se ejecute completamente por sí mismo. Sin evidencia de ningún cliente de SAP que ejecute una planificación totalmente sin contacto, asumo que ninguno o pocos lo hacen. (En contraste, ToolsGroup o Blue Yonder tienen algunas referencias de este tipo). Por lo tanto, SAP obtiene una puntuación modesta aquí.

Integración Tecnológica: La historia de SAP es, de hecho, una de adquisiciones acumuladas en la tecnología central:

Tenían su APO interno (para la cadena de suministro) y un Pronóstico y Reposición (F&R) para el comercio minorista separado.
Luego adquirieron SAF (pronóstico de demanda), SmartOps (optimización de inventario), y los integraron en APO o IBP de alguna manera.
Adquirieron Khimetrics (optimización de precios) y Retek (sistemas de mercancías) integrados en la pila de SAP Retail.
KXEN (ML) integrado en sus ofertas de análisis.
Todo sobre HANA o ECC. Eso es exactamente “Frankenstein”. El enfoque de SAP para integrar estos: en IBP, reconstruyeron las funciones de APO en HANA y añadieron la lógica de SmartOps para el inventario y posiblemente algunas ideas de SAF para la demanda. Pero al principio, IBP carecía de funcionalidad (algunos dicen que el pronóstico inicial de IBP era más simple que el antiguo APO o SAF, han estado poniéndose al día). Lado minorista de SAP: algunas cosas se fusionaron en CAR (Customer Activity Repository) que intenta ser una plataforma unificada para los datos de demanda y algunos análisis (como el pronóstico de demanda unificado, la gestión de promociones). CAR estaba destinado a integrar las transacciones de la tienda con la planificación, un buen movimiento de integración. Sin embargo, CAR e IBP históricamente no hablaban sin problemas (ahora están cerrando esa brecha con APIs). El principal problema de SAP es tener dos plataformas paralelas (IBP para la cadena de suministro y CAR para la planificación minorista de tiendas). Hay superposición y potencial conflicto, aunque posicionaron IBP para la gente de la cadena de suministro y CAR para la gente de mercancías. La integración entre precios, surtido y planificación de suministro en SAP a menudo depende de la integración a través del ERP central (como pasar pronósticos al ERP, que luego alimenta otro módulo, no un solo motor). La línea de crítica ¹¹ lo explica: “estas aplicaciones salen encima de la tecnología interna… bajo el estandarte de SAP es una colección desordenada… la complejidad es alta, se necesitan los mejores integradores + años para lograr el éxito”. Eso resume los problemas de integración, son solucionables con la mejor consultoría, pero no están integrados elegantemente de fábrica. Muchos clientes minoristas de SAP se quejan de múltiples sistemas que duplican los datos (por ejemplo, la elasticidad de precios podría calcularse en su herramienta de precios y considerarse por separado en la herramienta de pronóstico sin ningún enlace). El remedio de SAP ha sido empujar todo a la base de datos HANA para que al menos los datos puedan compartirse fácilmente a nivel de DB. Y desarrollar escenarios de integración utilizando SAP Cloud Platform o CPI. Aún así, eso es trabajo. Debido a que SAP vende una suite completa (ERP, planificación, ejecución), teóricamente debería integrarse profundamente. En la práctica, diferentes módulos llegaron en diferentes momentos y se unieron. La integración de SAP no es tan agradable como los microservicios de Blue Yonder o incluso la suite modular de ToolsGroup. A menudo requiere proyectos personalizados para alinear los flujos de datos. Entonces sí, SAP claramente cae en la categoría de “Frankenstein” hasta cierto punto (al menos lo reconocieron e intentaron unificar a través de HANA y CAR, pero no se resolvió completamente según los expertos). Por lo tanto, en tecnología de integración, le damos a SAP una calificación baja. La misma cita de nuestra fuente es un resumen experto de sus dolores de integración ¹¹. Es revelador que incluso SAP tuvo que asociarse con integradores como Accenture o EY a menudo para implementar sus soluciones de planificación con éxito.

Escepticismo hacia el bombo publicitario: SAP no exagera tan ostentosamente como otros sobre la IA, pero sí utilizan palabras de moda en el marketing (hablan de “ML incorporado”, “detección de demanda”, “gemelo digital de la cadena de suministro”, etc.). Muchos en la industria son escépticos con las afirmaciones de SAP porque a veces las funcionalidades no son tan maduras como se anuncia inicialmente (por ejemplo, el IBP inicial carecía de algunas capacidades prometidas, entregadas más tarde). Además, SAP a menudo pinta una visión de “planificación integrada de extremo a extremo” que suena genial, pero muchos saben que la realidad son múltiples módulos que tienen que ser integrados a través de un esfuerzo significativo. Así que hay una brecha. El marketing de SAP en torno a IBP enfatiza la “implementación rápida” (ya que es en la nube) y los “paneles de control amigables para el usuario”, parcialmente cierto, pero implementar IBP todavía puede llevar un año o más en casos complejos. En IA, SAP tiende a no vender más allá de sus ofertas reales, admiten donde dependen de socios para análisis avanzados. Así que irónicamente, SAP podría ser más conservador en el bombo que los proveedores más pequeños. Su bombo está más en las afirmaciones de integración (como “Planificación de Negocios Integrada” haciendo que suene todo integrado, donde de hecho solo cubre la planificación de la cadena de suministro, no toda la planificación minorista). Otro ejemplo: “Reabastecimiento impulsado por la demanda” de SAP, una palabra de moda en torno a la metodología DDMRP que impulsan, que algunos consideran bombo/tendencia en lugar de probado en todos los casos. Se subieron a ese carro. También términos como “Cadena de Suministro Digital” son utilizados mucho por el marketing de SAP. Dado el tamaño de SAP, el bombo es quizás menos exagerado en tono, pero definitivamente presentan su solución como una parada futura, mientras que los críticos la ven como compleja y anticuada en partes. Por lo tanto, desde una perspectiva escéptica, advertiríamos que muchos de los beneficios prometidos por SAP solo vienen con una personalización extensa o podrían no ser tan automáticos como se implica. El estudio independiente dio a SAP un rango medio entre los proveedores y llamó explícitamente la atención sobre el mosaico de fusiones y adquisiciones y la complejidad ¹¹. Eso es básicamente decir “no creas que todo es perfecto; es bastante complicado por dentro”. Por lo tanto, penalizar por la alineación del bombo es justo. Diremos que SAP es bastante transparente con los grandes clientes de que requiere una fuerte implementación, por lo que quizás no sea tan brillante, pero su marketing pasa por alto cuánto esfuerzo se necesita para que funcione bien. Por lo tanto, escepticismo moderado hacia el bombo, no tan cargado de palabras de moda como o9 o Blue Yonder, pero aún hay muchas afirmaciones optimistas que necesitan un chequeo de realidad.

Resumen: Las ofertas de optimización minorista de SAP son completas en papel pero sufren de ser un mosaico heredado que no ha hecho la transición completa a la era moderna impulsada por la IA. La plataforma SAP IBP y los módulos minoristas relacionados pueden abordar ciertamente el inventario, los precios y el surtido, pero no de una manera verdaderamente unificada y de optimización conjunta. La Optimización Conjunta está limitada por las herramientas aisladas: por ejemplo, la planificación de la demanda y la reposición ocurren en IBP o F&R, mientras que la planificación de precios y surtido ocurre en módulos separados de SAP con solo transferencia de datos por lotes entre ellos. A SAP le falta un solo motor que optimice el inventario y el precio simultáneamente (esas decisiones son coordinadas por personas y procesos en lugar de un solo algoritmo).

SAP emplea IA/ML en bolsillos - por ejemplo, algoritmos de “sensing demand” para ajustar las previsiones a corto plazo, o machine learning para las previsiones de nuevos productos, pero gran parte de su previsión sigue basada en métodos tradicionales y reglas definidas por el usuario ¹¹. Es revelador que SAP tuviera que adquirir empresas especializadas (SAF, SmartOps) para aumentar APO, y aún hoy, el forecast probabilístico y el ML avanzado no están tan integrados de forma nativa como en algunos competidores. La planificación de SAP normalmente produce previsiones de un solo número y se basa en planificadores de escenarios para evaluar la incertidumbre, en lugar de producir distribuciones de probabilidad completas de la demanda (aunque la optimización del inventario considerará la variabilidad a través de cálculos de nivel de servicio o stock de seguridad). En términos de optimización económica, las herramientas de SAP pueden configurarse para optimizar ciertos resultados financieros (su optimización de reducción maximiza el margen, la optimización del inventario minimiza el costo para el servicio objetivo, etc.), pero estos tienden a ser optimizaciones específicas del módulo en lugar de una maximización de beneficios general de toda la operación minorista. Los planificadores que utilizan SAP todavía a menudo manejan múltiples objetivos manualmente (por ejemplo, equilibrando los objetivos de ingresos y stock a través de sus propios ajustes en lugar de que una IA lo haga automáticamente).

Un problema importante con el conjunto de soluciones de SAP es la escalabilidad vs. costo. SAP se apoya mucho en su base de datos HANA en memoria. Si bien esto produce cálculos rápidos en grandes conjuntos de datos (permitiendo, por ejemplo, una previsión de tienda-SKU muy detallada en tiempo casi real), *“garantiza altos costos de hardware” ²² y puede ser costoso de escalar. Se sabe que SAP IBP funciona mejor en HANA con una asignación de memoria significativa, lo cual puede ser excesivo (y caro) para algunas tareas. Esto contradice el criterio de eficiencia de costos; el enfoque de SAP puede manejar la escala empresarial, pero no sin una etiqueta de precio de infraestructura y licencia considerable.

Cuando se trata de factores minoristas complejos (canibalización, sustitución, desperdicio, etc.), SAP tiene capacidades, pero a menudo requieren una configuración sustancial y no son tan llave en mano como algunas soluciones más nuevas. Por ejemplo, SAP puede modelar promociones e incluso algunos efectos de canibalización utilizando su Customer Activity Repository (CAR) analytics o configurando las elasticidades cruzadas en su herramienta de precios, pero estas relaciones no se descubren automáticamente, normalmente dependen de los analistas para introducir suposiciones o de análisis separados fuera de la ejecución de la planificación principal. De manera similar, SAP F&R podría tener en cuenta la vida útil de los perecederos y limitar los pedidos en consecuencia, pero la implementación de la planificación de alimentos frescos en SAP ha sido históricamente desafiante y a veces menos sofisticada que las herramientas especializadas (algunos minoristas recurrieron a soluciones personalizadas para frescos).

La automatización en la planificación minorista de SAP es comparativamente baja. SAP proporciona motores de planificación, pero el proceso de planificación a menudo es impulsado por el usuario: los planificadores establecen parámetros, inician ejecuciones de forecast, revisan excepciones y liberan pedidos o precios. Hay cálculos automatizados (por ejemplo, el sistema generará propuestas de pedidos o precios optimizados), pero la operación continua sin supervisión rara vez se logra sin una supervisión humana significativa. Se debe invertir en la configuración de flujos de trabajo automatizados (y aún así, muchos usuarios de SAP mantienen a los humanos en el ciclo debido a problemas de confianza o complejidad del sistema). Esencialmente, las herramientas de SAP a menudo se describen como sistemas de soporte de decisiones en lugar de sistemas de toma de decisiones.

Finalmente, la integración tecnológica es un punto doloroso. La solución de optimización minorista de SAP es de hecho una “colección azarosa” derivada de múltiples adquisiciones en su núcleo ERP ¹¹. A pesar de los esfuerzos como SAP IBP (destinado a unificar la planificación de la cadena de suministro en una plataforma) y SAP CAR (destinado a unificar los datos transaccionales minoristas y las analíticas), la realidad es que las herramientas de inventario, precios y surtido de SAP no operan naturalmente como una. Lograr un flujo sin interrupciones requiere un trabajo de integración pesado (a menudo realizado por integradores SAP expertos en proyectos largos) ⁸⁶. Incluso entonces, los usuarios pueden lidiar con múltiples interfaces de usuario y duplicación de datos. Esta arquitectura disjunta es exactamente el escenario “Frankenstein” del que hay que cuidarse, donde una solución es técnicamente capaz de todo pero parece varios sistemas unidos, lo que lleva a una alta complejidad y mantenimiento.

El escepticismo está justificado al evaluar las afirmaciones de SAP. SAP a menudo posiciona IBP y su suite minorista como una “solución integral de extremo a extremo”, pero los expertos señalan que “el software empresarial no se fusiona fácilmente a través de M&A” ¹¹ - insinuando que la integración de SAP se queda corta de la visión. Además, palabras de moda como “tiempo real”, “predictivo” y “sensibilidad a la demanda” salpican el marketing de SAP, pero muchos usuarios descubren que extraer un valor real de estas características requiere un esfuerzo y personalización considerables. En resumen, las capacidades de optimización minorista de SAP son amplias pero no profundas en ciertas áreas modernas, y confiables pero no elegantes. Representan más un enfoque legado y empresarial: poderoso en alcance y capaz de escalar en grandes entornos, pero voluminoso, caro y complejo - a menudo requiere potencia humana y de TI para obtener resultados ⁸⁶.

Para los minoristas que ya han invertido mucho en el ecosistema de SAP, estas herramientas pueden funcionar y pueden beneficiarse de la integración ERP sin interrupciones. Sin embargo, pueden sentirse una generación por detrás del verdadero estado del arte en la optimización minorista holística impulsada por la IA. Clasificamos a SAP hacia el extremo inferior debido a estos factores: ejemplifica muchas de las trampas que este estudio pretende destacar (tecnología heredada, desafíos de integración, alto TCO y marketing que puede exagerar la facilidad de uso).

Fuentes: Crítica de la complejidad del producto acumulado de SAP y los desafíos de integración ¹¹; comparación de alto nivel de que los diseños en memoria (como los de SAP) intercambian rendimiento por costo de hardware ²².

(Los demás proveedores y análisis pueden seguir de manera similar, centrándose en competidores con visión de futuro y penalizando a aquellos que dependen en gran medida de las adquisiciones o las palabras de moda. Por brevedad, concluimos las evaluaciones detalladas aquí.)

Resumen de la clasificación de proveedores:

Lokad – Destaca en la optimización unificada y probabilística; altamente innovador, mínimo hype ²⁵ ³.
RELEX Solutions – Plataforma nativa minorista con fuerte ML y planificación integrada; modelado avanzado de promoción/canibalización ⁹.
o9 Solutions – Visionario “Cerebro Digital” de planificación integrada con amplio alcance, pero precaución en la IA reclamada vs. implementación real ⁴.
ToolsGroup – Optimizador de inventario probado que evoluciona hacia una suite minorista completa; buena automatización, aunque actualmente integra nuevas adquisiciones ¹⁹ ⁵².
Blue Yonder – Suite minorista completa reinventada con IA; extremadamente rica en características, pero aún algo legado bajo el capó ⁷².
SAP (IBP & Retail) – Incumbente poderoso con amplia cobertura; obstaculizado por la complejidad del legado y menos agilidad, requiriendo una fuerte integración ¹¹.

Cada proveedor aporta fortalezas y debilidades como se detalla arriba. En resumen, aquellos como Lokad y RELEX que enfatizan la verdadera optimización conjunta, los forecast probabilísticos y una pila de tecnología de cero ²⁵ ³ se destacan como a prueba de futuro y alineados con nuestros criterios. Otros, particularmente las grandes suites de legado, han tenido que adaptar técnicas modernas y pueden entregar resultados, pero no sin el peso de una arquitectura más antigua y a veces afirmaciones de marketing no fundamentadas ⁷². Los usuarios deben sopesar estos compromisos a través de una lente centrada en la ingeniería para elegir la solución que realmente satisfaga sus necesidades sin el barniz del hype.