Software de Optimización de Inventario Empresarial, Febrero 2025

Última modificación: 2 de febrero de 2025

Objetivo: Este estudio clasifica a los principales proveedores de software de optimización de inventario empresarial con un enfoque estricto y basado en evidencia. Penalizamos el marketing vago, las palabras de moda no respaldadas de ‘IA’ y la falta de verdaderas capacidades estocásticas. Los criterios clave incluyen: (1) soporte comprobado para ambos pronósticos de demanda probabilísticos y pronósticos de tiempo de espera probabilísticos (los proveedores que omiten la incertidumbre del tiempo de espera se consideran no serios); (2) credibilidad de las características avanzadas (canibalización, “detección de demanda”, IA/ML, etc. deben estar respaldadas por detalles de ingeniería reales o de lo contrario se etiquetan como falsas); (3) nivel de automatización (optimización realmente no atendida vs. que requiere ajustes manuales); y (4) capacidad para manejar restricciones complejas (fechas de vencimiento, seguimiento de serie/lote, devoluciones, tamaños de lote, descuentos por cantidad, canibalización de productos, patrones irregulares “casi estacionales”, costos de capacidad de almacenamiento, etc.).

Proveedores Clasificados

A continuación se muestra una clasificación objetiva de los principales proveedores de optimización de inventario, de más a menos creíble, basada en los criterios anteriores. Cada evaluación de proveedor destaca fortalezas, expone debilidades y cita evidencia de cualquier reclamo engañoso.

1. Lokad – Pionero Probabilístico con Total Transparencia

Visión general: Lokad se distingue por un enfoque verdaderamente probabilístico para la cadena de suministro. Modela explícitamente tanto la variabilidad de la demanda como la variabilidad del tiempo de espera, tratando los tiempos de espera como variables aleatorias predecibles (no entradas fijas) ¹. El sistema de Lokad proporciona un “álgebra de variables aleatorias” - básicamente soporte de primera clase para distribuciones de probabilidad - que permite cálculos estocásticos complejos que tienen en cuenta la incertidumbre en cada paso ^{2 3}. Esta rigurosidad matemática distingue a Lokad de competidores que a menudo solo simulan la incertidumbre de formas ad hoc (o ignoran por completo el riesgo del tiempo de espera).

Demanda y Tiempos de Espera Probabilísticos: Lokad cumple claramente con el criterio de doble pronóstico. Su documentación enfatiza que “los tiempos de espera pueden y deben pronosticarse al igual que la demanda” ¹. La plataforma puede producir modelos de tiempo de espera probabilísticos (por ejemplo, utilizando distribuciones log-logísticas) y componerlos con pronósticos de demanda ¹ - un pilar para cálculos precisos de reorden. Al abrazar ambos aspectos de la incertidumbre, Lokad evita la trampa común de otras herramientas que asumen que los tiempos de espera son estáticos o que solo los inventarios de seguridad son suficientes.

Funciones Avanzadas (Canibalización, etc.): Lokad proporciona detalles de ingeniería concretos sobre restricciones avanzadas. Introduce optimización estocástica que maximiza la rentabilidad esperada al honrar restricciones específicas del cliente, incluidos efectos cruzados entre productos como la canibalización y la sustitución ⁴. Por ejemplo, Lokad puede modelar cómo los productos canibalizan la demanda de los demás o actúan como sustitutos, e incorporar estas relaciones en la lógica de optimización. Esto no es solo una afirmación vaga, está respaldado por un enfoque “programático” (el scripting Envision de Lokad) donde los científicos de la cadena de suministro codifican explícitamente tales relaciones. De manera similar, fenómenos difíciles como devoluciones esporádicas o tasas de desecho pueden pronosticarse de manera probabilística e incluirse en las decisiones ³. Los materiales públicos de Lokad profundizan en estos detalles técnicos (por ejemplo, pronósticos de devoluciones para comercio electrónico o variabilidad de rendimiento en la producción ^{5 6}), mostrando evidencia de capacidad. No se basa en palabras vacías; en cambio, Lokad discute métodos (simulaciones de Monte Carlo, programación probabilística, etc.) e incluso publica conferencias sobre cómo se implementan ⁷. Las afirmaciones de IA/ML son mínimas: el enfoque está en mejoras medibles y basadas en modelos.

Automatización: La automatización completa es un objetivo de diseño central para Lokad. La plataforma está diseñada para funcionar sin supervisión: “automatiza agresivamente tareas repetitivas” en la optimización de la cadena de suministro ⁸. El enfoque de Lokad es que su motor genere decisiones óptimas (órdenes de compra, asignaciones de inventario, planes de producción) sin una micromanipulación humana constante. Muchos de sus clientes ejecutan el sistema en un modo en gran medida sin supervisión, interviniendo solo en excepciones. Lokad incluso proporciona un lenguaje de programación propietario (Envision) para personalizar la lógica de decisión, asegurando que todos los escenarios rutinarios sean manejados por el software. La empresa enfatiza abiertamente que recetas numéricas automatizadas a gran escala impulsan las decisiones diarias, reduciendo la necesidad de procedimientos operativos estándar manuales ⁸. Esta explicación clara de cómo se automatizan las decisiones (a través de un script optimizado y un pipeline de resolución) es mucho más convincente que las promesas genéricas de “automatización de IA” de los competidores.

Manejo de Restricciones: Lokad admite robustamente restricciones no triviales. Debido a que utiliza un lenguaje de modelado flexible, puede tener en cuenta fechas de vencimiento (por ejemplo, pronosticando distribuciones de vida útil y forzando la “venta antes de la caducidad”), seguimiento de series/lotes (a través de variables de inventario específicas de la edad o lote), devoluciones y refacciones (modelando probabilidades de devolución y tiempos de espera para devoluciones ⁶), tamaños de lote/cantidades mínimas de pedido (incorporados en su optimización mediante la evaluación de cantidades de lote discretas), descuentos de precios de proveedores o promociones (optimizando el momento/cantidad de pedidos para maximizar el beneficio del descuento versus el costo de mantenimiento ⁹), efectos de canibalización y sustitución (mencionados explícitamente como manejados en su motor estocástico ⁴), cuasi-estacionalidad (su pronóstico puede capturar patrones estacionales inusuales a través de modelos probabilísticos) y restricciones de almacenamiento o capacidad (incorporando costos/penalizaciones de capacidad en el objetivo de optimización). La documentación de Lokad incluso señala que “refleja todos los impulsores económicos” vinculados a decisiones ¹⁰ e incorpora “restricciones únicas” por cliente, un nivel de detalle ausente en las descripciones de la mayoría de los proveedores. En resumen, Lokad demuestra con claridad técnica que aborda escenarios del mundo real complejos, en lugar de hacer afirmaciones superficiales.

Veredicto: Lokad ocupa el primer lugar debido a su enfoque científico intransigente y transparencia. Es uno de los pocos proveedores que realmente implementa pronósticos probabilísticos (demanda y oferta) y optimización estocástica real ⁴. El marketing engañoso es prácticamente nulo: en lugar de exageraciones, Lokad proporciona evidencia (whitepapers, documentos técnicos) de cómo logra resultados. Esta ética de verdad en primer lugar, combinada con una fuerte automatización y manejo de restricciones, hace que Lokad destaque para las empresas que buscan una optimización de inventario seria y de próxima generación. La única advertencia es que el enfoque de Lokad requiere una mentalidad cuantitativa, ya que es intencionalmente complejo en su funcionamiento interno, pero la recompensa es una solución fundamentada en la realidad en lugar de en palabras de moda.

2. Slimstock – Tradicionalista Pragmático (Honesto pero Menos Avanzado)

Resumen: Slimstock (con su producto Slim4) representa un enfoque mainstream y clásico para la optimización de inventario. De manera única, Slimstock está refrescantemente libre de la exageración de la IA. La empresa se enfoca en métodos probados como cálculos de stock de seguridad, Cantidad Económica de Pedido (EOQ) y otras técnicas estándar de la cadena de suministro ¹¹. La filosofía de Slimstock es ofrecer “soluciones prácticas simples y directas en lugar de hacer afirmaciones vagas de ‘IA’” ¹². Esta honestidad y enfoque en lo básico le han valido a Slimstock una alta reputación en cuanto a usabilidad y confiabilidad entre los profesionales.

Capacidades Probabilísticas: Aquí es donde Slimstock se queda corto según los estándares modernos. Slim4 no anuncia explícitamente pronósticos probabilísticos para la demanda, ni ninguna forma de modelado estocástico de los tiempos de espera. Su funcionalidad gira en torno a pronósticos deterministas tradicionales (a menudo a través de métodos de series temporales) combinados con buffers (stocks de seguridad) para manejar la variabilidad. Si bien Slimstock ciertamente tiene en cuenta los tiempos de espera en sus cálculos (los tiempos de espera son un dato de entrada para calcular los puntos de reorden y los stocks de seguridad), los trata como parámetros dados, no como variables aleatorias a pronosticar. No hay evidencia de que Slim4 produzca distribuciones de probabilidad completas de la demanda o los tiempos de espera. Esto significa que Slimstock, aunque robusto en un sentido clásico, “ignora la incertidumbre” de la manera detallada en que los métodos probabilísticos capturan ³. Según nuestros criterios, no modelar explícitamente la incertidumbre en los tiempos de espera es una limitación seria, un punto en contra de la profundidad técnica de Slimstock. Sin embargo, Slimstock mitiga esto al menos siendo sincero sobre el uso de métodos simples; no pretende tener tecnología estocástica avanzada. Para muchas empresas, el enfoque conservador de Slim4 produce resultados aceptables, pero puede dejar dinero sobre la mesa en comparación con una optimización verdaderamente probabilística.

Reclamos de Funciones Avanzadas: En general, Slimstock no exagera las capacidades que no tiene. No escucharás a Slim4 presumir de “detección de demanda impulsada por IA” o “pronósticos de aprendizaje automático”. De hecho, este enfoque bajo en BS se destaca como positivo: “Es refrescante ver a un proveedor enfocarse en la practicidad… en lugar de hacer afirmaciones vagas de IA” ¹³. Dicho esto, el conjunto de funciones de Slimstock es relativamente limitado. Interacciones complejas como canibalización de productos o efectos de sustitución no son un enfoque central (tendrías que manejarlos a través de ajustes manuales o análisis auxiliares). De manera similar, el manejo de cosas como promociones, factores causales o técnicas de ML novedosas es mínimo. Slimstock sobresale en lo que hace (pronóstico estadístico, reordenamiento multi-escalonado con stock de seguridad) pero no se aventura en territorios de vanguardia, y para su crédito, no pretende hacerlo. Cualquier reclamo que haga (por ejemplo, “niveles de inventario optimizados” o “mayor servicio con menos stock”) está respaldado por funcionalidades directas, no por IA de poca profundidad. No encontramos palabras de moda alarmantes como “detección de demanda” en los materiales de Slimstock, lo que indica un enfoque loable en la sustancia sobre el estilo.

Automatización: Slim4 está diseñado para facilitar su uso por parte de los planificadores, lo que implica una combinación de automatización y control manual. La herramienta generará automáticamente pronósticos, puntos de reorden y objetivos de inventario para miles de SKU en todos los niveles. Los usuarios suelen establecer objetivos de nivel de servicio y permitir que Slim4 calcule los buffers de stock necesarios. En la práctica, Slimstock permite un proceso semi-automatizado: los cálculos de rutina son manejados por el sistema, pero los planificadores suelen revisar excepciones o ajustar parámetros. Slimstock no promociona la “cadena de suministro completamente autónoma” en su marketing, en cambio, se posiciona como una herramienta de apoyo a la toma de decisiones de los planificadores. La ausencia de una clara afirmación de “automatización de caja negra” significa que no podemos criticar a Slimstock por ocultar el esfuerzo manual; esperan que los usuarios se mantengan informados. Sin embargo, en comparación con los proveedores que buscan la optimización completamente desatendida, el enfoque de Slimstock puede requerir más intervención continua del usuario (por ejemplo, actualizar pronósticos para nuevas tendencias, gestionar manualmente los artículos que se acercan a su vencimiento, etc.). Es un nivel pragmático de automatización adecuado para muchas empresas de tamaño mediano, si no el ideal teórico de optimización “sin intervención”.

Manejo de restricciones: En línea con su enfoque clásico, Slimstock maneja restricciones comunes de la cadena de suministro pero no todas las complejas. Fechas de vencimiento: Slim4 puede gestionar un control básico de vida útil (alertas para artículos que se acercan al vencimiento, rotación de stock por vencimiento más próximo), pero probablemente no realiza una optimización sofisticada de productos perecederos. Tamaños de lote / Cantidad mínima de pedido (MOQ): Sí, Slim4 soporta estas restricciones estándar en los cálculos de reorden. Multi-nivel: El núcleo de Slimstock es la optimización de inventario multi-nivel, por lo que equilibra el stock entre ubicaciones, aunque utilizando métodos tradicionales de asignación de nivel de servicio en lugar de una optimización de red completamente estocástica. Canibalización y sustitución: en gran medida no soportado de manera automatizada: los usuarios deben ajustar manualmente los pronósticos para transiciones u superposiciones de productos, ya que los modelos de Slim4 no sabrán inherentemente que el Producto B roba la demanda del Producto A. Devoluciones, seguimiento de series: fuera del alcance del pronóstico de Slim4, estos serían manejados en el lado del ERP/almacén. La “cuasi-estacionalidad” (picos de demanda irregulares y eventuales) podrían no ser capturados a menos que el usuario los incorpore manualmente en los pronósticos (por ejemplo, a través de perfiles estacionales o anulaciones). Costos de capacidad de almacenamiento: Slimstock típicamente asume una capacidad infinita o utiliza restricciones simplistas; no realiza una optimización no lineal compleja para el espacio de almacenamiento, eso nuevamente requeriría ajustes humanos (por ejemplo, planificadores reduciendo objetivos cuando el espacio es limitado). En resumen, Slimstock cubre las “banalidades pero críticas prácticas” ¹⁴ - es muy efectivo para la gestión de inventario de libro de texto (puntos de reorden adecuados, stocks de seguridad, segmentación ABC, etc.), y lo hace con integridad. Sin embargo, no es la herramienta para modelar cada escenario esotérico. Las empresas con restricciones muy complejas o patrones de incertidumbre podrían superar lo que Slim4 puede ofrecer.

Veredicto: Slimstock obtiene una alta calificación por su honestidad refrescante y sólido dominio de los fundamentos. Proporciona una solución confiable sin recurrir a modas o promesas exageradas de IA. En entornos donde las fórmulas clásicas de inventario son suficientes, Slim4 ofrece resultados y es querido por su estilo amigable y directo. Sin embargo, según nuestros estrictos criterios, Slimstock no puede considerarse de vanguardia. Su falta de pronóstico probabilístico explícito (especialmente la ausencia de modelado de distribución de tiempo de espera) es una brecha notable, lo que lo hace “poco serio” para organizaciones que requieren una cuantificación rigurosa de la incertidumbre. Aunque atemperamos esa etiqueta: Slimstock es serio acerca de la gestión de inventario, solo dentro de un paradigma tradicional. En general, Slimstock es una excelente opción para empresas que valoran la practicidad sobre las palabras de moda, siempre y cuando comprendan sus limitaciones en análisis avanzados.

3. RELEX Solutions - Enfoque en Retail, Análisis Rápido - Altas Reivindicaciones Bajo Escrutinio

Resumen: RELEX Solutions ha crecido rápidamente, especialmente en el sector minorista, al promocionar una plataforma “impulsada por IA” para pronósticos de demanda y optimización de inventario ¹⁵. La característica distintiva de RELEX es un sistema “Live Plan” en memoria que brinda a los usuarios una visibilidad detallada y rápida de su inventario y pronósticos en tiendas y centros de distribución. Esta arquitectura (a menudo comparada con un cubo OLAP o “gemelo digital”) permite impresionantes paneles en tiempo real y análisis de escenarios rápidos. RELEX se especializa en retail y productos frescos, presumiendo de funciones para manejar comestibles, perecederos y promociones. A simple vista, RELEX parece ser muy capaz: habla sobre automatizar el reabastecimiento, optimizar las asignaciones e incluso sugiere que puede mantener una disponibilidad de existencias del 99% o más. Sin embargo, un análisis más detallado revela una combinación de fortalezas y debilidades: análisis en tiempo real sólido y algunas características únicas, pero posibles deficiencias en optimización profunda y ciencia de pronósticos.

Demanda Probabilística y Tiempos de Espera: ¿Realmente hace RELEX pronósticos probabilísticos? La empresa comercializa en gran medida sus “pronósticos impulsados por IA”, pero los detalles son escasos. RELEX no publica evidencia de generar distribuciones de probabilidad completas para la demanda de la manera en que lo hace Lokad. Su enfoque parece estar en mejorar los pronósticos puntuales (utilizando aprendizaje automático en datos recientes, lo que algunos llaman “detección de demanda”) y luego utilizar esos pronósticos en cálculos de inventario. Críticamente, no encontramos ninguna mención de pronóstico probabilístico de tiempos de espera en los materiales de RELEX. Los tiempos de espera ciertamente son parte de la planificación de RELEX (se ingresan los tiempos de espera y el sistema sabe que los tiempos de espera más largos requieren un mayor stock de seguridad), pero tratar el tiempo de espera como una variable aleatoria con una distribución - no hay indicación de que RELEX haga eso. Dada nuestra criterio, esta omisión es seria. Un proveedor que no aborda explícitamente la incertidumbre de los tiempos de espera está fallando. Es probable que el módulo de planificación de RELEX utilice un tiempo de espera determinista más quizás un buffer para la variabilidad, lo que no alcanza la verdadera optimización estocástica. De hecho, el enfoque general de RELEX hacia la incertidumbre parece tradicional: probablemente utiliza fórmulas de stock de seguridad bajo la superficie. Un análisis independiente señaló que la tecnología de pronóstico de RELEX “parece ser de modelos anteriores a 2000.” ¹⁶ - lo que sugiere que se basan en métodos probados (como el suavizado exponencial) en lugar de algún avance en pronósticos probabilísticos. Entonces, si bien los pronósticos de demanda de RELEX pueden ser más granulares (por ejemplo, diarios, por tienda/SKU) y actualizados con frecuencia, no encontramos evidencia de pronósticos probabilísticos genuinos en el sentido académico. Esto coloca a RELEX por detrás de los proveedores que modelan distribuciones completas de demanda/tiempos de espera.

Reclamos de Funciones Avanzadas (IA, Canibalización, etc.): El marketing de RELEX utiliza libremente términos como “impulsado por IA”, “aprendizaje automático” e incluso “gemelo digital”. Por ejemplo, anuncia “pronóstico de demanda impulsado por IA y optimización de inventario de múltiples niveles” ¹⁵ y “rebalanceo de inventario autónomo” ¹⁷. Sin embargo, faltan especificaciones técnicas. RELEX rara vez explica qué algoritmos o técnicas de IA utiliza, lo cual es una señal de alerta bajo nuestra escrutinio. Las afirmaciones de la empresa sobre el manejo de desafíos avanzados en el comercio minorista merecen ser examinadas:

• Canibalización y Sustitución: En teoría, estos son críticos en el comercio minorista (por ejemplo, nuevos productos que reemplazan a los antiguos, o un artículo que roba ventas a otro cuando se coloca cerca). La arquitectura de RELEX podría realmente dificultar el modelado de estos aspectos. Los observadores señalan que el diseño en memoria/OLAP de RELEX está “en desacuerdo con la optimización a nivel de red y los patrones de demanda minorista como sustituciones y canibalizaciones.” ¹⁸ Debido a que el sistema está diseñado para consultas rápidas, puede carecer de la capa de optimización sofisticada necesaria para simular la pérdida de demanda de un producto como la ganancia de otro. No encontramos que RELEX afirme explícitamente resolver la canibalización más allá de declaraciones genéricas de IA. Dada la complejidad, sospechamos que RELEX no tiene una capacidad explícita y probada para modelar los efectos de la canibalización (al menos no mucho más allá de lo que un planificador podría ajustar manualmente). Por lo tanto, cualquier afirmación amplia de que su IA maneja tales interacciones está sin fundamento – lo consideramos falso hasta que se demuestre lo contrario.

• “Detección de Demanda”: RELEX ofrece un módulo para la detección de demanda a corto plazo (ingestión de datos recientes de POS, clima, etc.). La “detección de demanda” como término de moda es una señal de alerta conocida, a menudo sobrevalorada sin respaldo científico ¹⁹. RELEX no ha publicado evidencia revisada por pares de que su detección de demanda produzca mejores resultados que la previsión tradicional. Seguimos siendo escépticos de cualquier proveedor que promueva este término sin datos claros. A menos que RELEX pueda mostrar cómo su modelo de ML mejora cuantitativamente el error de pronóstico capturando picos de demanda o cambios más rápidamente, consideramos las afirmaciones de “detección de demanda” como puro marketing.

• IA/ML: RELEX se posiciona como una solución moderna y potenciada por IA, pero ¿qué hay bajo el capó? La vaguedad de las afirmaciones es preocupante. Sabemos que RELEX utiliza aprendizaje automático para cosas como pronósticos y optimización de planes, pero hasta ahora, los ejemplos son básicos (por ejemplo, usar regresión de ML para predecir las ventas diarias, lo cual está bien pero no es revolucionario). No hay indicios de “optimización estocástica” o un álgebra de variables aleatorias en el enfoque de RELEX. Sin eso, llamarlo impulsado por IA es algo engañoso. Además, los resultados de disponibilidad del 99%+ promocionados por RELEX parecen exagerados: las encuestas de disponibilidad en estanterías en el comercio minorista desmienten tales números tan altos ²⁰. Esto sugiere una brecha entre el marketing y la realidad.

En una nota positiva, RELEX tiene capacidades tangibles que son valiosas:

• Puede optimizar cargas de camiones y lotes de pedidos (por ejemplo, tasas de llenado de contenedores) como parte de la planificación de reabastecimiento ^{17 21}.
• Incluye una característica de “compra anticipada inteligente” ⁹ para aprovechar los descuentos de los proveedores, lo que implica que puede calcular escenarios de comprar inventario extra ahora vs. más tarde para maximizar el ahorro de costos. Eso aborda en cierta medida las restricciones de los descuentos por volumen.
• RELEX se enfoca fuertemente en alimentos frescos y reducción de desperdicios. Afirma explícitamente que “considera las fechas de vencimiento del inventario en existencia para identificar el stock que se acerca a la expiración y ejecutar las salidas necesarias y las rebajas.” ²². Además, RELEX admite el seguimiento del inventario por lote para gestionar la expiración y las transformaciones de productos para productos frescos (por ejemplo, cortes de carne envejecida) ²³. Estas son características concretas, no solo palabras de moda, que muestran que RELEX ha invertido en la gestión de productos perecederos, un área que algunos otros descuidan. Por lo tanto, aunque RELEX puede que no tenga matemáticas estocásticas sofisticadas, sí aborda problemas reales del comercio minorista (como la expiración y el desperdicio) a través de heurísticas y reglas comerciales. Acreditamos a RELEX por esas capacidades prácticas.

Arquitectura y Rendimiento: La arquitectura en memoria de RELEX (a menudo aprovechando bases de datos columnares en la nube) le otorga velocidad, pero a un costo. “Proporciona impresionantes informes en tiempo real pero garantiza altos costos de hardware” ²⁴. Además, dichas arquitecturas a menudo tienen dificultades cuando la complejidad del problema crece. Por ejemplo, escalar a optimización global (considerando todas las ubicaciones y productos simultáneamente para la optimización) es difícil si el sistema es esencialmente un gran cubo OLAP. RELEX puede depender de algoritmos bastante simplistas para tomar decisiones rápidamente (por ejemplo, heurísticas codiciosas para reequilibrar el stock entre tiendas). Esto está bien para la capacidad de respuesta, pero puede que no encuentre la solución óptima que podría encontrar un enfoque más lento y estocástico. Además, las actualizaciones en tiempo real son menos relevantes si no estás modelando adecuadamente la incertidumbre: podrías reaccionar instantáneamente a un cambio en la demanda, pero si nunca cuantificaste la incertidumbre desde el principio, seguirías persiguiendo el último punto de datos (una posible trampa de “perseguir el pronóstico”).

Automatización: RELEX enfatiza la automatización en las operaciones. Publicita “automatizar y optimizar los complejos procesos de optimización de inventario” ²⁵ y muestra características como “automatizar el reequilibrio de tu inventario” ¹⁷ y “responder en tiempo real” a los cambios en la demanda con pedidos automáticos ²⁶. En la práctica, RELEX puede generar automáticamente pedidos de reabastecimiento de tiendas, transferencias entre tiendas y pedidos de reposición de stock próximo a la expiración con mínima intervención humana. Muchos usuarios de RELEX ejecutan el reabastecimiento automático diariamente, donde los planificadores solo intervienen en casos excepcionales. Sin embargo, RELEX no explica profundamente su lógica de automatización. Por ejemplo, ¿cómo decide exactamente “activar las salidas forzosas” de productos próximos a la expiración? ¿Existe un modelo de optimización que equilibra el costo de rebaja vs. el desperdicio, o simplemente un umbral de regla (por ejemplo, vender si faltan 2 días para la expiración)? Estos detalles no son públicos. Entonces, aunque creemos que RELEX puede automatizar bien las tareas rutinarias, penalizamos la falta de transparencia. Es probable que sea mucha automatización basada en reglas, que funciona pero no es tan elegante como una política optimizada. Aun así, en comparación con los sistemas empresariales más antiguos que requerían una planificación manual intensiva, RELEX representa un avance en la automatización. Solo ten en cuenta que la etiqueta de “autónomo” podría ser exagerada: se necesita cierto ajuste por parte de los planificadores (por ejemplo, establecer parámetros para esas reglas) para mantener la automatización efectiva.

Manejo de Restricciones: RELEX se desempeña bien en varias restricciones complejas, especialmente para necesidades específicas del comercio minorista:

• Expiración y productos perecederos: Como se mencionó, RELEX tiene características sólidas aquí (seguimiento a nivel de lote, proyecciones de desperdicio, planificación automática de rebajas para productos cercanos a la expiración) ²². Esto indica que RELEX puede gestionar productos con vida útil corta de manera automatizada, lo cual es crucial para los supermercados.
• Agrupación de lotes / Cargas de camiones: RELEX optimiza el llenado de camiones y respeta los mínimos de pedido/redondeo ^{17 21}. Específicamente menciona la prevención de envíos “vacíos” llenando los camiones de manera óptima, lo que muestra atención a las restricciones de costos de transporte.
• Descuentos / promociones: La función de compra anticipada ⁹ sugiere que RELEX recomendará comprar antes de un aumento de precio o para obtener un descuento por volumen, equilibrándolo con el costo de mantenimiento. Esta es una restricción sofisticada que muchos sistemas ignoran.
• Canibalización/sustitución: Punto débil, como se discutió, probablemente no resuelto explícitamente por el motor de RELEX.
• Devoluciones: En el comercio minorista (especialmente en el comercio electrónico), las devoluciones podrían ser significativas (comercio minorista de moda, etc.). RELEX tiene un módulo de “inventario predictivo” que menciona considerar el desperdicio y presumiblemente podría considerar las devoluciones ²⁷, pero los detalles no están claros. Es seguro asumir que el procesamiento de devoluciones se maneja en el ERP, no pronosticado por la planificación de la demanda de RELEX.
• Cuasi-estacionalidad: RELEX puede pronosticar la demanda estacional (maneja perfiles estacionales semanales para cada producto/tienda, por ejemplo). Para patrones de demanda irregulares, su aprendizaje automático podría captar algunos, pero sin documentación explícita no podemos confirmar. Probablemente maneje las promociones como eventos especiales (con pronósticos de aumento separados) – bastante estándar en soluciones minoristas.
• Capacidad de almacenamiento: RELEX puede modelar la capacidad de estantería de la tienda hasta cierto punto (no ordenar más allá del espacio en la estantería, etc.) como parte de su integración de planogramas. Para la capacidad de los centros de distribución, no estoy seguro, posiblemente un enfoque basado en alertas.
• Multi-echelon: RELEX realiza planificación multi-echelon (tienda-CD-proveedor). Sin embargo, el diseño en tiempo real podría entrar en conflicto con la optimización real de stock multi-echelon ¹⁸. El sistema podría optimizar cada nivel con heurísticas en lugar de un modelo estocástico holístico en todos los niveles. Esta es una sutileza: sí hace multi-echelon (prácticamente, muchos clientes lo usan para reemplazar herramientas de multi-echelon heredadas), pero ¿lo hace de manera óptima? Probablemente no de una manera matemáticamente rigurosa, más bien como una optimización secuencial (pronóstico en la tienda -> suministro desde el CD -> suministro del proveedor del CD con buffers en cada etapa).

Veredicto: RELEX se posiciona como un fuerte contendiente, especialmente para minoristas y empresas de productos frescos. Sus fortalezas radican en características prácticas (gestión de perecederos, análisis rápido, visibilidad de la cadena de suministro, manejo de promociones) y una experiencia de usuario moderna, que claramente lo diferencia del software de planificación heredado. Sin embargo, bajo nuestro microscopio de búsqueda de la verdad, RELEX pierde puntos por afirmaciones de IA no probadas y falta de profundidad probabilística. El uso intensivo de términos de moda sin una metodología acompañante (sin algoritmos publicados o estudios de rendimiento) significa que debemos tratar su marcaje de “IA” con escepticismo ²⁸. Además, al ignorar el pronóstico de tiempo de espera y depender de modelos de pronóstico más antiguos, es posible que RELEX no entregue el óptimo teórico – proporciona una buena solución práctica, pero no la más avanzada científicamente. Las empresas que evalúan RELEX deberían presionar por detalles sobre cómo maneja la incertidumbre y las interacciones complejas; de lo contrario, asumir que gran parte de su inteligencia proviene de reglas comerciales y configuración de usuario en lugar de una IA mágica. En resumen, RELEX es un jugador creíble con algunas innovaciones genuinas en usabilidad, pero sigue siendo parcialmente “caja negra” y posiblemente sobrevalorado en su marketing. Lo clasificamos alto pero por debajo de enfoques verdaderamente probabilísticos y detallados.

4. ToolsGroup – Jugador “Probabilístico” Heredado – Reclamos Inconsistentes

Descripción general: ToolsGroup ha estado en el espacio de optimización de inventario durante décadas (fundada en 1993) con su software estrella SO99+ (Service Optimizer 99+). ToolsGroup se promociona fuertemente en “pronósticos probabilísticos” y en la planificación de inventario impulsada por niveles de servicio. De hecho, ToolsGroup posiblemente fue pionero en la idea de utilizar distribuciones de demanda para determinar niveles de stock a principios de los años 2000. También anuncian capacidades en planificación de la demanda, “detección de la demanda,” optimización multi-escalonada e incluso precios (con complementos como Price.io). Sin embargo, los mensajes de ToolsGroup en los últimos años plantean serias preguntas. La empresa utiliza libremente términos de moda como IA/ML y presume de automatización, sin embargo, sus materiales públicos a menudo son contradictorios o carecen de sustancia técnica. Observamos una mezcla de funcionalidad sólida (las matemáticas básicas de SO99+ para inventario son sólidas, basadas en la investigación de operaciones clásica) y palabrería de marketing que no se sostiene (por ejemplo, hablar de pronósticos probabilísticos mientras se citan errores MAPE, lo cual es conceptualmente incorrecto ²⁹).

Demanda y Tiempos de Espera Probabilísticos: A primera vista, ToolsGroup afirma ser todo sobre pronósticos probabilísticos. Por ejemplo, sus folletos dicen que ToolsGroup utiliza “pronósticos de probabilidad” junto con parámetros de suministro (tiempo de espera, etc.) para optimizar los niveles de stock ³⁰. De hecho, SO99+ puede generar una “curva de stock al servicio” – mostrando básicamente la distribución de la demanda a lo largo del tiempo de espera y el nivel de servicio alcanzado para una inversión de inventario dada ³⁰. Esto indica que ToolsGroup sí modela la incertidumbre de la demanda hasta cierto punto. Sin embargo, hay un problema: el enfoque de ToolsGroup para los pronósticos probabilísticos parece poco desarrollado y desactualizado. Es notable que desde 2018 comenzaron a promocionar “pronósticos probabilísticos” en marketing, pero al mismo tiempo hablaban de mejoras en MAPE (Error Porcentual Absoluto Medio) ²⁹. Esto es inconsistente: MAPE es una métrica para la precisión de los pronósticos puntuales y “no se aplica a pronósticos probabilísticos.” ²⁹ Esta confusión tan evidente sugiere que la iniciativa probabilística de ToolsGroup podría ser más ruido que realidad. Es como si agregaran una salida probabilística pero aún la evalúan con métricas antiguas, socavando la credibilidad de todo el esfuerzo.

En cuanto a la previsión de tiempos de espera: Los materiales de ToolsGroup no mencionan la previsión de tiempos de espera como variables aleatorias. Los tiempos de espera se manejan como parámetros de entrada (posiblemente con suposiciones de variabilidad) en lugar de algo que el software pronostica a partir del rendimiento histórico del proveedor. Su hoja de datos muestra que el tiempo de espera es uno de los “parámetros de suministro” alimentados en el modelo ³⁰. Entonces, si un usuario proporciona un tiempo de espera esperado y tal vez una desviación estándar, SO99+ considerará eso en los cálculos de stock de seguridad, pero ToolsGroup no parece generar una distribución de probabilidad dinámica de los tiempos de espera por sí mismo. Esta es una distinción crucial. Un sistema verdaderamente probabilístico reconocería, por ejemplo, si los tiempos de espera de cierto proveedor tienen un 20% de probabilidad de duplicarse (quizás debido a retrasos en aduanas) y lo tendría en cuenta en los niveles óptimos de stock. No vemos evidencia de que ToolsGroup realice ese nivel de análisis. Por lo tanto, según nuestra estricta medida, ToolsGroup no pasa la prueba completa de probabilidades – menciona los tiempos de espera solo como entradas estáticas, no como incertidumbres pronosticadas. Esta falta de modelado explícito de los tiempos de espera hace que la etiqueta “probabilística” de ToolsGroup sea algo superficial. Consideramos esto una grave deficiencia: un proveedor que se posiciona como probabilístico pero ignora una fuente importante de incertidumbre no está cumpliendo completamente con lo que dice.

Reclamos de Funciones Avanzadas: Desafortunadamente, ToolsGroup enciende múltiples alarmas rojas en esta área:

• La empresa ha hecho amplias afirmaciones sobre “IA” en su software, las cuales son dudosas ³¹. Hay poca información pública sobre qué técnicas de IA (si las hay) ToolsGroup realmente implementa. Sus algoritmos heredados datan de antes del auge de la IA, estando más arraigados en estadísticas/OR. Parece que la etiqueta de “IA” es más un ajuste de marketing. Por ejemplo, ToolsGroup adquirió una startup de IA (quizás para reforzar su imagen), pero su producto principal no se convierte repentinamente en uno basado en deep learning. Sin explicaciones técnicas concretas (que ToolsGroup no ha proporcionado públicamente), consideramos sus afirmaciones de IA como no fundamentadas.
• Detección de la Demanda: ToolsGroup ofrece un módulo para “detección de la demanda” (ajuste de pronósticos a corto plazo utilizando datos descendentes). Sin embargo, un análisis independiente encuentra que “las afirmaciones sobre ‘detección de la demanda’ (por parte de ToolsGroup) no están respaldadas por la literatura científica.” ¹⁹ En otras palabras, ToolsGroup dice que puede detectar cambios en la demanda a través de IA, pero no hay pruebas de que este enfoque sea efectivo más allá de lo que las estadísticas convencionales o un planificador humano podrían hacer. Dado que “detección de la demanda” es una palabra de moda conocida a menudo utilizada de manera laxa, descontamos en gran medida esta afirmación. A menos que ToolsGroup pueda mostrar, por ejemplo, un estudio de caso revisado por pares que demuestre que su algoritmo de detección de la demanda produce mejores tasas de disponibilidad en stock, lo consideramos software inexistente. Esto se alinea con revisiones de expertos que etiquetan tales características como “software inexistente” en todos los proveedores si no se proporciona evidencia ³².
• Canibalización, Promociones, ML: ToolsGroup no publicita de manera prominente la modelización avanzada de la canibalización o los efectos entre productos, probablemente porque no sobresale en ese aspecto. Si se les presiona, podrían decir “nuestro aprendizaje automático puede manejar patrones complejos”, pero nuevamente sin detalles. No encontramos documentación de que ToolsGroup implemente, por ejemplo, una matriz de sustitución o un modelo de tasa de adjunción para vincular las demandas de productos. Por lo tanto, cualquier implicación de que ToolsGroup optimiza entre productos que interactúan no es creíble sin pruebas. De manera similar, mencionan el uso de “modelos autoadaptativos” y aprendizaje automático, pero los métodos insinuados (por ejemplo, algún tipo de reconocimiento de patrones) suenan bastante estándar y posiblemente anticuados. De hecho, los materiales públicos insinúan que ToolsGroup todavía utiliza modelos de pronóstico anteriores a 2000 ³³ (como el método de Croston para la demanda intermitente, quizás ARIMA para otros). No hay nada malo en eso en sí mismo, pero contradice la narrativa brillante de IA.

En resumen, la costumbre de ToolsGroup de mezclar palabras de moda modernas con técnicas anticuadas es preocupante. Sugiere una actualización impulsada por el marketing que no está respaldada por una verdadera I+D. Por ejemplo, el sitio web de ToolsGroup habla sobre “automatización para superar desafíos” ³⁴ y plantea planteamientos similares, pero cuando se examina detenidamente, básicamente describe lo que su software siempre hizo (optimización de stock multi-escalonada) ahora etiquetada como IA.

Automatización: ToolsGroup siempre ha presentado su solución como altamente automatizada y “basada en excepciones”. A menudo destacan que SO99+ es muy automatizado, requiriendo una mínima entrada de usuario una vez configurado. Un comentario de IDC en su folleto señala que “a pesar de su potencia… ToolsGroup MEIO es altamente automatizado con un costo de propiedad extremadamente bajo.” ³⁵. De hecho, muchas implementaciones de ToolsGroup se ejecutan automáticamente para producir propuestas de reabastecimiento diarias o semanales que los planificadores luego revisan. Sin embargo, criticamos la falta de claridad sobre cómo se toman decisiones de forma autónoma. ToolsGroup no explica un “motor de decisiones autónomo” más allá de decir que los modelos se ajustan y producen recomendaciones. Los desafíos clave de la automatización, como cómo ajustar dinámicamente las políticas de pedido cuando cambian las tendencias, o cómo evitar perseguir la variabilidad, no se detallan. Sospechamos que la automatización de ToolsGroup se encuentra principalmente en la previsión y el cálculo del nivel de stock (el sistema actualiza las previsiones y recalcula los niveles mínimos/máximos o las sugerencias de pedido sin trabajo manual). Eso es valioso, pero estándar para este tipo de software. Sin más detalles de ingeniería, no podemos darle a ToolsGroup crédito adicional aquí. Cumplen con la automatización esperada de un software de optimización de inventario (y lo han hecho durante años), pero cualquier insinuación de que se trata de una cadena de suministro totalmente autónoma es exagerada. Es importante destacar que ToolsGroup requiere una configuración significativa (objetivos de nivel de servicio para cada ítem, reglas de segmentación, etc.), que a menudo son establecidos manualmente por los planificadores o consultores. Si estos son incorrectos, la automatización puede producir resultados deficientes. ToolsGroup no ha articulado ninguna IA que elija automáticamente niveles de servicio óptimos o ajuste políticas por sí sola, tareas que aún recaen en los humanos. Por lo tanto, decimos que ToolsGroup proporciona buenos cálculos automatizados pero no una planificación autónoma de extremo a extremo en un sentido moderno.

Manejo de restricciones: SO99+ de ToolsGroup históricamente ha sido fuerte en matemáticas de inventario básicas pero débil en restricciones periféricas:

• Multi-escalonado: Sí, fue diseñado para la optimización de inventario multi-escalonado. Puede optimizar los buffers de stock en una red dada la incertidumbre (principalmente a través de un enfoque de “nivel de servicio objetivo”). Esto es positivo: puede manejar redes de centros de distribución y tiendas bastante bien, asegurando que el stock adecuado esté en el escalón correcto para cumplir con los objetivos de servicio.
• Variabilidad del tiempo de entrega: Lo tiene en cuenta en el stock de seguridad (si proporciona un parámetro para la variabilidad del tiempo de entrega, lo incluirá en el cálculo del stock). Pero, como se mencionó, no pronostica los tiempos de entrega ni los planifica en escenarios.
• Tamaños de lote, Cantidad mínima de pedido: ToolsGroup puede manejar estas restricciones estándar de suministro. Puede ingresar múltiplos de tamaño de lote, cantidades mínimas de pedido, y recomendar pedidos respetando esos.
• Fechas de vencimiento: ToolsGroup no es conocido por la optimización de inventario perecedero. Probablemente no tenga lógica especializada para la vida útil (y no encontramos ninguna mención de ello). Un usuario tendría que tratar los artículos que caducan manualmente o como SKU separados por fecha de vencimiento (lo cual es engorroso). Esto es una limitación para industrias como alimentos/químicos. A diferencia de RELEX que aborda explícitamente el deterioro, ToolsGroup parece centrarse en el almacenamiento de productos “no perecederos”.
• Seguimiento de serie/lote: Fuera del alcance de la planificación, eso es más de ejecución/ERP. ToolsGroup no optimiza a nivel de serie.
• Canibalización y sustitución: La filosofía de ToolsGroup es principalmente de pronóstico univariado (el pronóstico de la demanda de cada SKU individualmente, quizás con algunas entradas de regresión). No modela nativamente “si el Producto A se agota, parte de la demanda va al Producto B” o similar. Un usuario sofisticado podría ajustar externamente los pronósticos para tener en cuenta esto, pero la herramienta en sí no ofrece ninguna característica explícita. Por lo tanto, falla en este aspecto de restricción avanzada.
• Devoluciones: ToolsGroup maneja principalmente la nueva demanda y la oferta. No pronostica devoluciones en el comercio minorista o los rendimientos de remanufactura de forma nativa. Los usuarios deben incorporar devoluciones promedio en la demanda neta si es necesario.
• Cuasiestacionalidad: Si los patrones son irregulares, los modelos antiguos de ToolsGroup podrían tener dificultades. Sin ML moderno, es posible que no capture los impulsores de la demanda complejos. Mencionan ML, pero sospechamos que podría ser simplista. Por lo tanto, los patrones inusuales podrían pasarse por alto (lo que lleva a faltantes de stock o excesos si los planificadores no intervienen manualmente).
• Almacenamiento/Capacidad: No es un enfoque. ToolsGroup optimiza el inventario para el equilibrio entre servicio y costo, pero asume que tiene espacio para almacenar el stock recomendado. No resuelve problemas tipo mochila de espacio o presupuesto limitados a menos que simule escenarios manualmente.

En general, ToolsGroup cubre bien las restricciones de inventario básicas y más comunes (multi-echelon, MOQs, incertidumbre de la demanda hasta cierto punto). Se queda corto en desafíos nuevos o especializados. Especialmente, ToolsGroup carece de una perspectiva moderna de “optimización financiera” - es decir, no maximiza directamente el beneficio o minimiza el costo total bajo restricciones; en cambio, típicamente funciona mediante objetivos de nivel de servicio. Este enfoque puede ser subóptimo si, por ejemplo, dos productos tienen márgenes de beneficio muy diferentes: un optimizador probabilístico asignaría stock para maximizar el beneficio esperado, mientras que ToolsGroup podría tratarlos por igual si comparten un objetivo de servicio. Esta sutileza es parte de por qué la tecnología de ToolsGroup, aunque sólida en su momento, ahora está mostrando su edad.

Veredicto: ToolsGroup se encuentra en una posición interesante. Es un proveedor de larga data con un producto estable y capaz, y fue uno de los primeros en ir más allá de la planificación puramente determinista. Sin embargo, en una comparación basada en la verdad, ToolsGroup recibe una reseña mixta. Aplaudimos que hable del tema del inventario probabilístico: ese concepto es absolutamente correcto, pero debemos “exponer” el hecho de que ToolsGroup no lo lleva a cabo completamente. El marketing inconsistente (PF + MAPE ²⁹) y la falta de evidencia de una optimización estocástica genuina (por ejemplo, no hay una “álgebra de variables aleatorias” publicada en su conjunto tecnológico) significan que las afirmaciones probabilísticas de ToolsGroup están en terreno inestable. En la práctica, puede estar haciendo poco más que calcular el stock de seguridad utilizando distribuciones de probabilidad, lo cual es útil pero no revolucionario. Penalizamos severamente a ToolsGroup por depender de términos de moda como IA y detección de la demanda sin sustentación. Estas conocidas afirmaciones falsas ³⁶ dañan su credibilidad. Dicho esto, muchas empresas han logrado buenos resultados con el software de ToolsGroup en la reducción de inventario y la mejora del servicio; no es un elixir mágico, simplemente no es tan avanzado como se comercializa. Clasificamos a ToolsGroup por debajo de los jugadores verdaderamente innovadores, pero por encima de los peores infractores, porque en su núcleo tiene un motor matemáticamente sólido (aunque anticuado) y una funcionalidad amplia (pronóstico + inventario + reabastecimiento en uno). Los usuarios potenciales deben exigir que ToolsGroup demuestre sus supuestas capacidades de IA/probabilísticas en datos reales; de lo contrario, tratarlas como simples etiquetas de lo que es esencialmente un paquete de optimización de inventario bien ajustado, pero convencional.

5. GAINS Systems - Solución veterana, experiencia en el dominio atenuada por la exageración

Descripción general: GAINSystems es un jugador más antiguo (¡fundado en 1971!) que proporciona una suite integral de planificación de la cadena de suministro, con especialidad en optimización de inventario y análisis de la cadena de suministro. Su software (GAINS) ha sido conocido históricamente por un sólido soporte de repuestos de servicio e inventario de MRO (Mantenimiento, Reparación y Operaciones), dominios con demanda intermitente donde GAINS se hizo un nombre. GAINS Systems ofrece módulos para pronóstico de demanda, optimización de inventario (incluyendo multi-escalonamiento), S&OP, etc., similar en alcance a ToolsGroup. En los últimos años, GAINS ha intentado modernizar su imagen, hablando de “optimización como servicio” e incorporando aprendizaje automático. Sin embargo, al igual que ToolsGroup, GAINS sufre de inflación de marketing: ahora presume de “IA/ML” y “detección de demanda” sin evidencia convincente, y sus técnicas principales parecen seguir siendo los modelos de pronóstico clásicos anteriores a 2000 que siempre ha utilizado ³⁷.

Demanda y plazos de entrega probabilísticos: GAINS no destaca públicamente el pronóstico probabilístico. Es probable que utilice modelos estadísticos tradicionales (Croston para demanda intermitente, quizás bootstrap para la demanda de plazo de entrega). No vimos ninguna mención explícita de la incertidumbre en el pronóstico del plazo de entrega, una señal reveladora de que GAINS, también, podría estar fallando en ese aspecto. El enfoque de GAINS suele estar en lograr un nivel de servicio o tasa de llenado objetivo al menor costo posible, lo que implica algunas consideraciones estocásticas (similar a cómo se establecería el stock de seguridad). Pero los detalles de implementación son escasos. GAINS tiende a enfatizar los resultados (“mejorar el servicio, reducir el inventario”) en lugar de cómo calcula exactamente esos resultados. La ausencia de un lenguaje probabilístico claro nos lleva a creer que GAINS se basa en gran medida en métodos deterministas o semi-analíticos: por ejemplo, puede asumir la varianza de la demanda y la varianza del plazo de entrega y enchufarlas en fórmulas en lugar de generar distribuciones completas. Según nuestros criterios, GAINS no se distingue como líder en pronóstico probabilístico. Lo clasificamos como otra herramienta que probablemente utiliza cálculos clásicos de stock de seguridad y tal vez alguna simulación, pero no trata los plazos de entrega como variables aleatorias predecibles. En consecuencia, GAINS sería calificado como “poco serio” en rigor probabilístico - no publicita esa capacidad y dudamos que la tenga.

Reclamos de características avanzadas: GAINS ha comenzado a lanzar términos de moda mientras se renueva para la década de 2020. Su mensaje incluye afirmaciones de “precisión superior” a través de algoritmos propietarios e incluso menciones de aprendizaje automático para emparejamiento y agrupamiento ³⁸. Veamos:

• “Precisión superior” de pronósticos: Según se informa, GAINS afirma que sus pronósticos son más precisos que los de sus competidores. Sin embargo, un análisis califica esto de “dudoso”, señalando que el algoritmo propietario de GAINS no se ve liderando ninguna competencia importante de pronósticos ³⁹. De hecho, se afirmó que el algoritmo de GAINS “Procast” supera a otros, pero está ausente de los primeros puestos de competencias como la competencia de pronósticos M5 ³⁹. Esto genera serias dudas: si la tecnología de pronóstico de GAINS fuera líder mundial, debería destacar en pruebas objetivas, pero no lo hace. Por lo tanto, rechazamos la afirmación de precisión de GAINS como no probada. De hecho, es probable que los métodos de código abierto (como los de los paquetes R del Dr. Rob Hyndman) funcionen mejor ⁴⁰.
• Detección de la demanda y ML: GAINS comercializa la “detección de la demanda” y utiliza términos como agrupación de ML. La revisión independiente es contundente: “Técnicas como la ‘detección de la demanda’ son software basura, no respaldadas por la literatura científica. [Y] Los elementos de ML propuestos, como el emparejamiento y la agrupación, también son técnicas anteriores a 2000.” ³². Esto indica que GAINS podría estar presentando prácticas estadísticas bastante estándar como si fueran inteligencia artificial novedosa. Por ejemplo, agrupar elementos similares para pronosticar o clasificarlos es una práctica de décadas atrás, no un aprendizaje automático de vanguardia. El hecho de que destaquen eso sugiere que el “ML” de GAINS es rudimentario, ciertamente nada parecido al deep learning o a la programación probabilística avanzada. Por lo tanto, penalizamos a GAINS por cumplir con las palabras de moda: marcan las casillas (IA, ML, etc.) en marketing, pero no ofrecen detalles o avances para respaldarlo. Este comportamiento se alinea con el patrón más amplio que estamos criticando en la industria: usar términos de moda sin sustancia.
• Optimización como servicio: GAINS ha hablado sobre avanzar hacia un modelo de servicio en la nube, lo que implica que puedes proporcionarles datos y obtener resultados de optimización. Si bien esa es una estrategia de implementación moderna, no significa inherentemente que la optimización en sí sea avanzada. Sospechamos que los métodos de resolución subyacentes de GAINS siguen siendo similares; solo el modelo de entrega (en la nube/SaaS) está cambiando. No hay nada malo en eso, pero no es un diferenciador en capacidad (muchos proveedores ofrecen soluciones en la nube ahora).

En una nota positiva, GAINS Systems es conocido por su profunda experiencia en dominios específicos:

• Entienden la planificación de repuestos de manera intrincada (por ejemplo, modelado de piezas de movimiento lento, contratos de nivel de servicio, rendimientos de bucle de reparación). Es probable que su software pueda manejar escenarios como pronosticar devoluciones de unidades reparables o tener en cuenta tasas de desecho, que las herramientas generales de inventario podrían no manejar. Esto es algo especulativo, pero dada su longevidad en ese campo, es probable.
• GAINS tiene una reputación de sólido soporte al cliente y de trabajar estrechamente con los planificadores, pero eso a menudo significa que la solución está complementada con consultoría en lugar de ser completamente automatizada.

Automatización: GAINS promueve la idea de automatizar la gestión de inventario (incluso su sitio web dice “Automatiza tu sistema de gestión de inventario con GAINS” ⁴¹). La herramienta ciertamente puede automatizar la generación de pronósticos y políticas de inventario. GAINS respalda la planificación continua: actualizando recomendaciones a medida que llegan nuevos datos. Sin embargo, carecemos de detalles sobre cuán autónomo es realmente. Sospechamos que, al igual que otros, automatiza los cálculos pero espera que los planificadores aprueben las decisiones finales. GAINS ha introducido una iniciativa (metodología “P3”, etc.) que podría infundir más optimización continua. Sin evidencia explícita, permanecemos neutrales: es probable que GAINS proporcione un nivel típico de automatización para una herramienta empresarial, bueno, pero no notablemente mejor que sus competidores. Vale la pena señalar que GAINS es una empresa más pequeña, y los proveedores más pequeños a menudo adaptan las soluciones estrechamente a las necesidades del cliente (lo que puede mejorar la automatización práctica, ya que personalizan las reglas del sistema para ti). Pero desde una perspectiva de ingeniería, GAINS no ha publicado ninguna lógica de automatización única para elogiar.

Manejo de restricciones: GAINS cubre muchas restricciones tradicionales y algunas especializadas:

• Multi-escalonamiento: Sí, GAINS realiza optimización de inventario de múltiples escalones (su historia en repuestos aeroespaciales/defensa implica la posición de existencias de varios niveles).
• Variación del tiempo de entrega: se tiene en cuenta en los cálculos del nivel de servicio, presumiblemente.
• Tamaños de lote/Cantidad mínima de pedido (MOQ): admitidos, como cualquier herramienta seria.
• Demanda intermitente: una de las fortalezas históricas de GAINS. GAINS probablemente utiliza el método de Croston o similar para artículos de movimiento lento (comúnmente encontrados en piezas de servicio), lo cual es necesario para evitar la falta de existencias de SKU intermitentes.
• Devoluciones/Reparaciones: probablemente sí para MRO: GAINS manejaría los tiempos de reparación y los rendimientos (como el porcentaje que se desecha en comparación con el reparado) en sus cálculos para piezas de repuesto. Esto es algo que no todos los proveedores manejan, por lo que GAINS podría tener una ventaja aquí.
• Caducidad: no es un enfoque típico para GAINS (sus industrias eran más industriales que perecederas), por lo que probablemente tenga un soporte mínimo para la vida útil.
• Canibalización: No está claro si se maneja; como otros, GAINS probablemente trata los artículos de forma independiente en la previsión.
• Restricciones de almacenamiento: No está claro; GAINS no ha anunciado la resolución, por ejemplo, de restricciones de espacio de almacén con optimización.
• Optimización de costos: GAINS sí enfatiza el beneficio y el costo en algunos mensajes, pero se desconoce el método concreto. Posiblemente, al igual que Lokad, tengan la capacidad de incorporar márgenes de artículo o costos de mantenimiento en el objetivo de optimización (lo cual sería bueno). O pueden hacerlo a través de niveles de servicio como ToolsGroup.

Veredicto: GAINSystems es un veterano respetado con un profundo entendimiento de los desafíos del inventario, especialmente en áreas de nicho (repuestos, industrial). Sin embargo, en este ranking en busca de la verdad, GAINS no puede escapar de una posición intermedia. Las razones son claras: sus modelos de pronóstico están desactualizados y sus intentos de marketing recientes (detección de demanda, agrupamiento de ML) parecen intentos de parecer modernos sin una verdadera innovación ³². GAINS es esencialmente una solución sólida de los años 1990/2000 que intenta mantenerse relevante. Le damos crédito por su conocimiento del dominio y los resultados prácticos: los clientes informan reducciones de inventario y mejoras en el servicio, pero restamos puntos por falta de transparencia y afirmaciones exageradas. En una era en la que los principales proveedores comparten contenido técnico o publican investigaciones, GAINS es relativamente opaco; lo poco que pudimos deducir (por ejemplo, jactarse de algoritmos propietarios) no fue convincente. Para empresas con necesidades muy especializadas (como la planificación de repuestos), GAINS aún podría ser una opción principal debido a sus características hechas a la medida. Pero para aquellos que buscan la optimización más avanzada y basada en la ciencia, es probable que GAINS decepcione a menos que se someta a una importante actualización tecnológica. En nuestro ranking, GAINS está por encima de los proveedores que son puro bombo sin sustancia, pero por debajo de aquellos que combinan honestidad con innovación. Recibe un modesto reconocimiento como una solución capaz envuelta en tecnología desactualizada y algunas palabras de moda injustificadas.

6. SAP (IBP para Inventario / Anteriormente SmartOps) – Colección Compleja de Herramientas, Integración sobre Innovación

Descripción general: SAP, el gigante del software empresarial, está presente en este mercado gracias a su vasto portafolio de aplicaciones de cadena de suministro. A lo largo de los años, SAP adquirió múltiples tecnologías especializadas en optimización de inventario: SmartOps (adquirida en 2013), SAF AG (2009, pronóstico de la demanda) e incluso una empresa de analítica, KXEN (2013), para modelado predictivo ⁴². Estas adquisiciones estaban destinadas a complementar los sistemas de planificación internos de SAP, como APO (Planificador y Optimizador Avanzado) y posteriormente SAP IBP (Planificación Empresarial Integrada). Hoy en día, SAP ofrece capacidades de optimización de inventario principalmente a través de SAP IBP para Inventario (un módulo de IBP que probablemente incorpora los algoritmos multi-nivel de SmartOps) y posiblemente a través de complementos en S/4HANA. Sin embargo, la historia de SAP es la de fragmentación y complejidad. Como lo expresó una reseña, “bajo la bandera de SAP yace una colección caótica de productos” debido a todas estas adquisiciones ⁴³. El resultado es que la optimización de inventario de SAP se siente como un añadido, no como un optimizador de vanguardia integrado de manera fluida, sino más bien como un conjunto de funciones que requieren una integración significativa y servicios expertos para obtener valor de ellas.

Demanda y Plazos de Entrega Probabilísticos: Las soluciones heredadas de SAP (como APO) eran principalmente deterministas (utilizando pronósticos puntuales, stock de seguridad basado en modelos estadísticos simples). SmartOps, la herramienta que SAP adquirió, era conocida por su modelado probabilístico multi-nivel: calculaba distribuciones de inventario y niveles de stock recomendados para cumplir con los niveles de servicio objetivo bajo incertidumbre. Por lo tanto, en teoría, SAP IBP para Inventario tiene algún motor probabilístico en su interior (gracias a SmartOps). SmartOps tenía en cuenta tanto la variabilidad de la demanda como cierta variabilidad de la oferta. Sin embargo, SAP en sí mismo no enfatiza el “pronóstico probabilístico” en su marketing; no es parte del mensaje de SAP al mercado. Por lo tanto, muchos clientes de SAP podrían ni siquiera estar utilizando el módulo avanzado de optimización de inventario en toda su extensión. El pronóstico de plazos de entrega no es algo que SAP publicite. A menos que un cliente utilice explícitamente la pieza de SmartOps que podría permitir plazos de entrega variables, la planificación predeterminada de SAP asume plazos de entrega fijos (con quizás un buffer de tiempo de seguridad). Según nuestros criterios, SAP no demuestra un compromiso con el pronóstico probabilístico. La capacidad podría existir en el software, pero si no está claramente expuesta o destacada, consideramos que hay una brecha. Además, la combinación de múltiples tecnologías adquiridas podría significar inconsistencia: por ejemplo, los pronósticos de demanda podrían provenir de un motor (determinista) mientras que la optimización de inventario proviene de otro (estocástico), y es posible que no estén completamente alineados. De hecho, una crítica fue “el software empresarial no es miscible a través de fusiones y adquisiciones”, lo que indica que las piezas adquiridas por SAP no se mezclaron de manera fluida ⁴⁴.

Funciones Avanzadas y Reclamos: SAP típicamente no exagera el uso de IA en la cadena de suministro (al menos no tan descaradamente como otros), pero últimamente incluso SAP utiliza algo de lenguaje de ML/AI en el marketing de IBP. Aun así, SAP generalmente es visto como rico en funciones pero no avanzado algorítmicamente. El componente SmartOps le dio a SAP un respetable optimizador multi-nivel. Sin embargo, es dudoso que SAP haya mantenido esa tecnología actualizada o superior a modelos más nuevos ⁴⁵. De hecho, la sensación es que SmartOps (y similares) utilizaban técnicas de RO estándar y que los métodos de ML posteriores a 2000 “no superan a los modelos anteriores a 2000” en este contexto ⁴⁵ - lo que implica que SAP no está ofreciendo mejores pronósticos que ARIMA o Croston, a pesar de poseer tecnología de ML como KXEN. El marketing de SAP tiende a centrarse en la integración (plataforma de extremo a extremo, “una versión de la verdad” en el ERP, etc.) en lugar de afirmar que superará a los competidores en pronósticos. Esta honestidad es una espada de doble filo: no están mintiendo descaradamente sobre la magia de la IA, pero tampoco están liderando en innovación.

La fortaleza de SAP podría ser manejar restricciones complejas dentro del contexto más amplio de la cadena de suministro, porque tienen todos los datos y detalles transaccionales:

• Pueden considerar capacidad y restricciones de producción en IBP si se conectan los módulos (la planificación de inventario se puede vincular con la planificación de suministros).
• Podrían utilizar datos sobre el rendimiento de los proveedores del ERP para ajustar manualmente los tiempos de seguridad o el stock de seguridad para la variación del tiempo de espera (aunque no la “previsión” automática de ello).
• Las soluciones de SAP pueden gestionar caducidades en el sistema de ejecución (SAP EWM o ERP manejarán la caducidad de lotes, y APO tenía planificación de vida útil para garantizar que el suministro satisfaga la demanda dentro de la caducidad). Sin embargo, la optimización de inventario con caducidades (como decidir cuánto sobrestockear para tener en cuenta el deterioro) no es una característica prominente: SAP principalmente emite alertas para lotes que están por caducar.

SAP menciona cierto uso de IA/ML en la previsión de la demanda (SAP Analytics Cloud tiene previsión, IBP tiene algunas características de previsión de ML), pero no se ha notado nada revolucionario. Además, el gran punto de venta de SAP a menudo es que es una plataforma integrada en lugar de la brillantez de un algoritmo. La desventaja es que cada pieza podría ser promedio, pero el conjunto es complejo.

Es notable que la optimización de inventario de SAP requiere un esfuerzo de implementación extenso - “se necesitarán los mejores integradores, más algunos años, para lograr el éxito” ⁴⁶. Esto sugiere que incluso si SAP tiene características avanzadas, usarlas de manera efectiva es difícil. Muchos proyectos de SAP IBP luchan por automatizar completamente la optimización; a menudo recurren a modos de planificación más simples debido a desafíos de datos o integración.

Automatización: El paradigma de SAP no se trata de automatización de caja negra; se trata de procesos de planificación. En un entorno de SAP, la optimización de inventario sería un paso en un ciclo de S&OP o planificación de suministros más amplio. SAP IBP puede automatizar ciertos cálculos (como ejecutar un optimizador cada noche), pero típicamente los planificadores humanos en SAP están muy involucrados - configurando el sistema, alimentándolo con escenarios y revisando resultados. SAP realmente no afirma tener una “planificación autónoma”; en cambio, proporciona herramientas de previsión y optimización que los usuarios y consultores expertos deben orquestar. Por lo tanto, en comparación con otros, SAP se siente menos automatizado - o al menos, cualquier automatización está hecha a medida por los implementadores. Penalizamos a SAP por esto, ya que su enfoque no permite fácilmente una experiencia sin intervención. Muchas empresas con SAP terminan con una planificación semiautomática a pesar de poseer módulos de optimización, simplemente porque hacer que la caja negra de SAP sea confiable es un proyecto propio. La “caja negra” está ahí, pero no se ajusta trivialmente a cada negocio sin una consultoría intensiva.

Manejo de restricciones: Una área en la que SAP sí se destaca es en la amplitud de restricciones, gracias a su suite integral:

• Multi-escalonado: Sí (a través de SmartOps en IBP Inventory).
• Tamaños de lote/Cantidad mínima de pedido: Sí, las herramientas de planificación de SAP pueden tener en cuenta esto en sus optimizadores.
• Restricciones de capacidad: Si se utiliza el optimizador de suministro de SAP (parte de IBP o APO CTM), se pueden incorporar restricciones de capacidad de producción/almacenamiento, pero eso es más en la planificación de suministros que en la optimización de inventario en sí.
• Caducidad: El manejo a nivel de ejecución es excelente (SAP puede rastrear la caducidad de lotes, asignación FEFO). A nivel de planificación, APO tenía algunas características para garantizar que los stocks no superen la vida útil (por ejemplo, no enviar stocks cercanos a la caducidad a lugares lejanos). No está claro si IBP continúa con eso.
• Canibalización/Sustitución: SAP IBP tiene un módulo para la introducción de nuevos productos que puede utilizar modelado de perfiles similares (por lo que no es muy avanzado, pero tiene cierta capacidad para vincular las previsiones de productos sucesores/predecesores). Pero es discutiblemente inferior a las herramientas especializadas en retail en este sentido.
• Devoluciones: SAP ciertamente puede incorporar la previsión de devoluciones en la planificación de la demanda si se modela (especialmente para retail, podrían prever la demanda neta menos devoluciones). Nuevamente, es algo que necesita configuración.
• Complejidad del costo de almacenamiento: El optimizador de SAP podría considerar los costos de almacenamiento y, por lo tanto, limitar indirectamente el inventario si los costos de almacenamiento aumentan (representando límites de almacenamiento). Pero uno tendría que configurarlo cuidadosamente; no es algo listo para usar.

En esencia, la solución de inventario de SAP puede manejar mucho, pero requiere esfuerzo. Es como un kit de herramientas que, cuando se configura expertamente, puede emular muchos comportamientos avanzados, pero SAP en sí mismo no proporciona una solución avanzada con un solo botón.

Veredicto: SAP está clasificado más bajo en nuestro estudio porque ejemplifica el problema de “el que mucho abarca, poco aprieta”. Tiene fragmentos de capacidad (algo de optimización probabilística heredada de adquisiciones), pero no ofrece una solución clara, coherente y de vanguardia en la optimización de inventario específicamente. La complejidad y la “colección caótica” de herramientas bajo el paraguas de SAP dificultan obtener valor sin un tiempo y un costo significativos ⁴³. Penalizamos severamente a SAP por esta complejidad y el hecho de que la integración eclipsó la innovación: las tecnologías adquiridas en su mayoría se estancaron una vez bajo SAP (incluso sus méritos a menudo se perdieron o se subutilizaron). Las afirmaciones de SAP suelen ser moderadas (no mienten descaradamente sobre la IA; si acaso, su marketing ahora podría espolvorear palabras de moda de IA porque todos lo hacen, pero no es exagerado). El problema principal es que la optimización de inventario de SAP no es paja de marketing, simplemente está enterrada y es engorrosa.

Para las empresas que ya están profundamente integradas en los ecosistemas de SAP, el uso de las herramientas integradas de SAP podría ser atractivo (la integración de datos es más fácil, un único punto de contacto, etc.). Pero desde un punto de vista puramente de rendimiento, pocos argumentarían que SAP IBP supera a los proveedores especializados. A la luz de la búsqueda de la verdad, vemos a SAP como confiable pero no de vanguardia, completo pero excesivamente complejo. Está clasificado en la mitad inferior porque la facilidad de lograr una cadena de suministro optimizada con SAP es baja - no debido a la falta de características, sino debido a la dificultad de reunir esas características y el beneficio dudoso frente al esfuerzo. En resumen: SAP puede marcar las casillas de características, pero cuestionamos si puede ofrecer inventario óptimo en la práctica sin una inversión masiva. Eso lo mantiene muy por debajo de los especialistas principales en nuestra clasificación.

7. o9 Solutions - Grandes Ambiciones, Gran Hype, Profundidad No Probada

Resumen: o9 Solutions es un participante más reciente (fundado en 2009) que rápidamente ha ganado popularidad como una plataforma de planificación de “próxima generación”. A menudo descrito como el “cerebro digital” o el “Enterprise Knowledge Graph (EKG)” para la cadena de suministro, o9 presume de una plataforma moderna nativa de la nube con una interfaz de usuario elegante, un modelo de datos basado en gráficos y una serie de promesas de IA/análisis. Se posicionan como la solución de estilo “gran tecnología” para la cadena de suministro - mucha potencia informática, memoria y un modelo de datos unificado para soportar todo, desde la previsión de la demanda hasta la planificación de suministros y la gestión de ingresos. En cuanto a la optimización de inventario, o9 afirma hacerlo como parte de su planificación de extremo a extremo. Sin embargo, la reputación de o9 en círculos técnicos es de mucho hype y menos claridad sobre los métodos reales. Deslumbran a los prospectos con una alta “masa tecnológica” (muchas características, demos bonitas), pero bajo escrutinio, sus verdaderos diferenciadores son confusos. Como lo expresó un análisis, “La masa tecnológica de o9 está fuera de escala… El diseño en memoria garantiza altos costos de hardware. Muchas afirmaciones de pronóstico sobre la base de datos gráfica (branded EKG) son dudosas y no respaldadas por literatura científica. Mucha algarabía sobre IA, pero elementos encontrados en Github sugieren técnicas pedestres.” ⁴⁷. Esto resume nuestros hallazgos: o9 está muy en el grupo de “bla-bla de IA” hasta que se demuestre lo contrario.

Demanda Probabilística y Tiempos de Entrega: No hay evidencia de que o9 produzca nativamente pronósticos probabilísticos para la demanda o los tiempos de entrega. Su charla sobre un Enterprise Knowledge Graph implica la vinculación de varios datos (lo que podría ayudar a identificar las causas de la variabilidad de los tiempos de entrega, etc.), pero los estudios de caso y materiales publicados de o9 no mencionan distribuciones estadísticas u optimización estocástica explícitamente. Se centran más en la planificación de escenarios y replanificación en tiempo real. Inferimos que o9 probablemente utiliza técnicas de pronóstico típicas (ML de series temporales o incluso bibliotecas predefinidas) para generar pronósticos de un solo número, posiblemente con algunos rangos. Sin que lo afirmen, asumimos que los tiempos de entrega se toman como entradas (quizás con algunas reglas de buffer) pero no se pronostican como variables aleatorias. Por lo tanto, según nuestros criterios, o9 no pasa la prueba probabilística. De hecho, dada su énfasis en la integración de grandes datos, podrían ser más deterministas que la mayoría, apuntando a incorporar muchas señales (asumiendo que se puede predecir todo si se tiene suficientes datos), lo cual es conceptualmente opuesto a abrazar la incertidumbre. Hasta que o9 publique algo sobre modelos probabilísticos, tratamos su enfoque como determinista con una integración de datos elegante. Esto los hace poco serios en la modelización de la incertidumbre, confiando en cambio en la planificación reactiva.

Reclamos de Funciones Avanzadas: La comercialización de o9 está llena de afirmaciones que suenan avanzadas:

• Grafo de Conocimiento (EKG): Afirman que su base de datos de grafo puede modelar relaciones a lo largo de la cadena de suministro, mejorando supuestamente la previsión (como capturar cómo una promoción de ventas podría afectar la demanda de artículos relacionados, etc.). Si bien un modelo de datos de grafo es flexible, no hay pruebas científicas de que esto genere previsiones más precisas o mejores decisiones de inventario. Principalmente ayuda a integrar fuentes de datos. La afirmación de que esta es una innovación en “previsión de IA” es dudosa ⁴⁸. Sin ver un algoritmo específico que aproveche el grafo para, por ejemplo, una previsión probabilística, consideramos que esto es simplemente una arquitectura moderna, no un método de análisis superior.
• IA/Aprendizaje Automático: o9 menciona todas las palabras de moda: grafos de conocimiento, big data, IA/Aprendizaje Automático, incluso presumiblemente términos como aprendizaje por refuerzo, aunque sin detalles. El análisis externo es contundente: “Muchas afirmaciones de previsión… son dudosas… Un montón de exageraciones de IA, pero elementos encontrados en Github sugieren técnicas pedestres.” ⁴⁸. De hecho, algunas de las herramientas compartidas públicamente por o9 (como tsfresh para extracción de características de series temporales, o vikos, etc.) son mencionadas: esas son bibliotecas estándar de Python o enfoques básicos de previsión (ARIMA, etc.) ⁴⁹. Esto implica que el equipo de desarrollo de o9 podría estar utilizando modelos de previsión bastante normales detrás de escena, a pesar de las afirmaciones externas. Exponemos a o9 aquí: etiquetar algo como una plataforma impulsada por IA no lo hace así, y las primeras impresiones sugieren que su “IA” a menudo es simplemente regresión lineal o ARIMA bajo la superficie ⁴⁹. Si es cierto, eso es mucho humo y espejos.
• Planificación de escenarios en tiempo real: o9 se desempeña bien al permitir escenarios sobre la marcha (gracias al cálculo en memoria). Pero la planificación de escenarios no es optimización. Uno puede simular rápidamente qué sucede si aumenta el tiempo de espera o si la demanda aumenta, lo cual es útil para que los planificadores visualicen problemas, pero no da automáticamente la mejor solución: el usuario aún debe interpretar y ajustar. Entonces, aunque o9 pueda afirmar que te ayuda a manejar interrupciones, puede estar confiando más en la toma de decisiones humanas que, por ejemplo, en una optimización estocástica.

Otra percepción: “Las trivialidades no califican como ‘IA’ porque son interactivas.” ⁵⁰ – probablemente refiriéndose a que o9 llama paneles interactivos o respuestas simples basadas en reglas “IA”. Penalizamos fuertemente eso. Si o9 comercializa algo como “nuestro sistema automáticamente señala excepciones y sugiere pedidos – ¡impulsado por IA!” pero en realidad es una regla simple de si-entonces o una torre de control estadística, eso es etiquetar erróneamente características básicas como IA.

Automatización: o9 se posiciona como habilitador del “Modelo Operativo Digital” – lo que sugiere un alto grado de automatización. Sin duda puede automatizar ciertas tareas de planificación (como la generación automática de previsiones, la detección automática de excepciones). Sin embargo, dada la falta de detalles, nos preocupa que gran parte del valor de o9 aún provenga de decisiones humanas utilizando su agradable interfaz de usuario. Se habla de “planificación autónoma” en la industria en torno a herramientas como o9, pero no hay evidencia concreta de que alguna empresa esté ejecutando o9 de manera completamente automatizada. La fuerte participación de analistas de grandes clientes con o9 indica que es un sistema de apoyo a la toma de decisiones, no un optimizador completamente automatizado. Penalizamos la brecha entre la aspiración y la realidad. A menos que o9 pueda demostrar cómo su “IA de grafo” optimiza el inventario de forma autónoma (lo que no han hecho públicamente), tratamos sus afirmaciones de automatización como infladas.

Manejo de Restricciones: Siendo una plataforma flexible, o9 en teoría puede manejar muchas restricciones:

• Tiene el modelo de datos para incorporar fechas de vencimiento, atributos de lote, etc. Por lo tanto, podría rastrear el inventario por lote e incluir lógica para evitar la caducidad. Pero si tiene un algoritmo listo para inventario perecedero es desconocido, probablemente no; un usuario tendría que escribir una regla o asegurar manualmente la rotación.
• Multi-echelon: o9 realiza planificación de múltiples niveles; puede modelar una red y ejecutar optimizaciones de inventario de múltiples niveles (probablemente tengan algo similar a SmartOps, o al menos cálculos de stock de seguridad para cada nivel).
• Restricciones de capacidad: Dado que o9 abarca S&OP, puede incorporar restricciones de producción y almacenamiento en sus ejecuciones de planificación.
• Canibalización y sustitución: Aquí es donde su Grafo de Conocimiento podría, en principio, modelar relaciones (por ejemplo, vincular productos como sustitutos). Pero ¿realmente optimizan utilizando esa información? No lo han demostrado. Posiblemente podrían hacer un escenario: “si el producto A se agota, ver las ventas del producto B aumentar” en una simulación. Pero eso requiere modelar la elección del consumidor, no es trivial, y no hay evidencia de que o9 haya construido ese modelo. Por lo tanto, probablemente no se maneje, aparte de las suposiciones manuales del planificador.
• Cuasi-estacionalidad: Si el aprendizaje automático de o9 es decente, podría detectar patrones estacionales inusuales si se le proporciona suficientes datos. Pero nuevamente, no hay una característica específica más allá de la previsión general de aprendizaje automático.
• Optimización financiera: o9 habla sobre gestión de ingresos y IBP, por lo que podría ser capaz de optimizar para el beneficio, no solo el nivel de servicio, si está configurado. Dicho esto, la confianza en su optimizador es incierta.

Un aspecto preocupante: el enfoque en memoria de o9 (como RELEX) podría hacer que resolver ciertas optimizaciones con muchas restricciones sea extremadamente intensivo en recursos. Promocionan la escalabilidad, pero si realmente modelas cada SKU-ubicación y restricción, el cálculo podría explotar, requiriendo hardware enorme. Por lo tanto, en la práctica, podrían simplificar el problema o depender de heurísticas.

Veredicto: o9 Solutions está clasificado en el nivel inferior debido a su fuerte dependencia de afirmaciones no probadas y términos de moda, a pesar de su atractivo visual. Reconocemos que o9 tiene una interfaz moderna y un enfoque unificado de datos que los clientes encuentran atractivo. Probablemente mejore la colaboración y la visibilidad. Pero cuando se trata de la ciencia central de la optimización de inventario, no encontramos innovaciones concretas de o9 que justifiquen la publicidad. Su marketing está lleno de banderas rojas - todos los términos de moda aparecen con poco respaldo técnico ⁴⁸. Esto nos hace cuestionar la sustancia detrás de su considerable valoración. Penalizamos fuertemente a o9 por esta brecha. Sin una demostración clara, por ejemplo, de cómo su IA predice la demanda mejor o cómo su grafo produce decisiones óptimas de inventario, debemos considerar sus promesas como “dudosas” en el mejor de los casos ⁴⁸.

En términos sencillos, o9 podría ser una buena plataforma de planificación (integrando diversas funciones), pero como un motor de optimización de inventario específicamente, parece no ofrecer nada que las herramientas más antiguas no hagan, excepto una interfaz más elegante. Ciertamente no ha demostrado que maneja la incertidumbre o las restricciones complejas mejor; si acaso, podría ignorar la incertidumbre a favor del determinismo de big data, lo cual consideramos un enfoque defectuoso. Por lo tanto, o9, en un ranking basado en la verdad, está cerca del fondo de los proveedores serios. Básicamente es un caso de “mucho hablar, poca acción”. Las empresas que consideren o9 deben ser cautelosas con la presentación de marketing e insistir en ver los algoritmos y resultados reales. Hasta que las afirmaciones de IA de o9 estén probadas con evidencia técnica explícita, los clasificamos como falsas/no fundamentadas en este ámbito.

8. Blue Yonder (anteriormente JDA) - Parche de Sistemas Heredados Comercializados como “IA”

Resumen: Blue Yonder (BJDA) es uno de los proveedores de software de cadena de suministro más antiguos y grandes. Anteriormente conocido como JDA (que había adquirido Manugistics e i2 Technologies en la década de 2000), se rebrandearon como Blue Yonder y fueron adquiridos por Panasonic. Las capacidades de optimización de inventario de Blue Yonder provienen de una línea de productos, por ejemplo, el optimizador de cadena de suministro de i2 y los módulos de inventario de JDA. Con el tiempo, han intentado modernizarse a través de su plataforma Luminate, infundiendo conceptos de IA/ML. Sin embargo, Blue Yonder sufre lo que llamamos “espagueti de fusiones y adquisiciones”: es “el resultado de una larga serie de operaciones de fusiones y adquisiciones”, lo que resulta en “una colección caótica de productos, la mayoría de ellos obsoletos.” ⁵¹. Básicamente, la oferta de Blue Yonder es un amalgama de software heredado pegado. Ahora promocionan una imagen de ser impulsados por IA (con términos como planificación cognitiva, Luminate AI), pero nuestra investigación a fondo muestra que estas afirmaciones son en su mayoría vagas y sin sustancia ²⁸.

Demanda y Plazos de Entrega Probabilísticos: Históricamente, Blue Yonder proporcionaba herramientas para pronóstico de demanda y planificación de inventario, pero principalmente utilizando métodos deterministas o heurísticos. Por ejemplo, la planificación de demanda heredada de JDA producía pronósticos puntuales, y la optimización de inventario calcularía stocks de seguridad para un servicio objetivo. En materiales recientes, Blue Yonder menciona el “pronóstico probabilístico” y el “stock de seguridad dinámico” como conceptos en su enfoque ⁵². Han reconocido el valor de los métodos probabilísticos en blogs, sugiriendo que conocen el argot. Pero, ¿lo han implementado? Hay poca evidencia de que las soluciones principales de Blue Yonder produzcan distribuciones de probabilidad completas u optimicen decisiones de manera estocástica. Dado que citan cosas como tsfresh y ARIMA en código abierto ⁴⁹, parece que están haciendo principalmente pronósticos clásicos de series temporales, no programación probabilística de vanguardia. No vimos ninguna indicación de capacidades de pronóstico de plazos de entrega: probablemente Blue Yonder asume plazos de entrega fijos más un buffer. Por lo tanto, Blue Yonder no cumple con nuestros criterios probabilísticos: no se menciona modelado explícito de incertidumbre dual de demanda/plazo de entrega. Probablemente se adhieren a modelos tradicionales de nivel de servicio, lo que significa que ellos también no son “serios” acerca de la incertidumbre integral a pesar de mencionar la palabra probabilístico en algunas piezas de liderazgo de pensamiento.

Afirmaciones de Funciones Avanzadas: Blue Yonder ha sido generoso con las afirmaciones de IA/ML. Su marketing utiliza frases como “planificación autónoma,” “cadena de suministro cognitiva,” etc. Sin embargo, un análisis señala: “BY destaca prominentemente la IA, sin embargo, las afirmaciones son vagas y con poca o ninguna sustancia.” ²⁸. Confirmamos esto:

• Blue Yonder adquirió algunas startups de IA y presume de asociaciones con universidades, pero concretamente, lo único que vemos son algunos proyectos de código abierto. Esos proyectos (tsfresh, PyDSE, VikOS) indican métodos de pronóstico muy estándar (extracción de características, ARMA/ARIMA, regresión) ⁴⁹. Nada sugiere un algoritmo de IA novedoso único de Blue Yonder. Esto significa que la “IA de vanguardia” de Blue Yonder probablemente sea simplemente análisis tradicional rebautizado. Tratamos categóricamente cualquier afirmación genérica de IA de ellos como no probada.
• Por ejemplo, Blue Yonder podría decir “usamos ML para aumentar nuestros modelos probabilísticos” ⁵³ – pero sin detalles, eso podría significar cualquier cosa, desde un modelo de aprendizaje automático simple para ajustar pronósticos, hasta una red neuronal que en realidad no superó a modelos más simples. Sin evidencia, lo consideramos como palabrería.
• Blue Yonder afirma tener soluciones de extremo a extremo que incluyen optimización de precios, surtido, etc. Es cierto que tienen muchos módulos. Sin embargo, tener muchos módulos no significa que cada uno sea el mejor de su clase. La planificación de inventario de Blue Yonder aún podría usar la antigua optimización de nivel de servicio i2, difícilmente algo de lo que presumir en 2025.

Una afirmación especialmente problemática del pasado: la literatura de Blue Yonder sobre “inventario cognitivo” básicamente volvió a plantear la idea de inventario probabilístico con términos elegantes ^{54 52}, nuevamente sin soporte técnico. Marcamos esto como marketing de bandera roja. Suena perspicaz pero no proporciona “carne” algorítmica.

Automatización: Históricamente, las soluciones de Blue Yonder requerían una supervisión humana significativa – por ejemplo, los planificadores usarían el software de JDA para obtener recomendaciones y luego ajustar. Con Luminate, Blue Yonder habla de “planificación autónoma”, pero según nuestro conocimiento, esto en gran medida sigue siendo una visión. Pueden haber introducido un “asistente de IA” o resolución automática de excepciones, pero nada detallado públicamente. Dado el cliente de Blue Yonder (muchos grandes minoristas, fabricantes), es probable que el software aún se use de manera tradicional: los pronósticos y pedidos se generan y luego los planificadores los revisan o ejecutan a través de flujos de trabajo. No vimos evidencia clara de que Blue Yonder permita optimización completamente desatendida. Además, debido a que su arquitectura es una mezcla de partes, lograr una automatización perfecta en todas ellas es un desafío. Penalizamos a Blue Yonder por falta de claridad en esto. A menos que puedan mostrar un ejemplo de un cliente donde el sistema se ejecute solo durante meses, consideramos que sus afirmaciones de automatización son mínimas.

Manejo de Restricciones: Blue Yonder, gracias a décadas de experiencia, cubre muchas restricciones hasta cierto punto:

• Multi-echelon: Sí, JDA tenía optimización de inventario multi-echelon (probablemente un enfoque similar al de ToolsGroup/SmartOps).
• Tamaños de lote/Cantidad mínima de pedido: soportados en sus parámetros de planificación.
• Promociones: JDA/BlueYonder tenía módulos de pronóstico de promociones, aunque a veces separados.
• Canibalización: Tienen una herramienta de modelado de demanda que puede incorporar la canibalización para el comercio minorista (JDA tenía algo para el pronóstico de gestión de categorías). Pero ese es un módulo especializado, no necesariamente vinculado a la optimización de inventario.
• Caducidad: Las industrias principales de Blue Yonder eran el comercio minorista (incluyendo comestibles) y la fabricación. Tenían algunas soluciones para la gestión de artículos frescos en el software de gestión de categorías. Pero su planificación central no enfatizaba los productos perecederos de la manera en que lo hace RELEX. Por lo tanto, probablemente tenían una conciencia limitada de la vida útil en el estante.
• Devoluciones: No es un punto destacado. Posiblemente manejado en su planificación minorista mediante la compensación de pronósticos, pero sin una característica especial.
• Restricciones de almacenamiento: Si se utiliza su gestión de almacén o planificación de producción, sí, pero la optimización de inventario en sí probablemente asume un almacenamiento ilimitado (como otros, minimizar costos implícitamente mantiene el stock manejable).
• Cuasi-estacionalidad: El pronóstico de Blue Yonder puede manejar patrones estacionales, pero los patrones inusuales requieren ajustes humanos o modelos avanzados que dudamos que tengan más allá de lo típico.
• Optimización financiera: Blue Yonder tiene módulos de optimización de beneficios (optimización de precios, etc.), pero su optimización de inventario típicamente gira en torno a cumplir niveles de servicio al menor costo, no maximizando directamente el beneficio.

En resumen, la cobertura de capacidades de Blue Yonder es amplia pero superficial en algunos lugares. Intenta ser todo, lo que lleva a compromisos. Es importante destacar que, debido a que Blue Yonder está manejando tantos componentes de productos, los clientes a menudo lo experimentan como complejo de implementar y mantener.

Veredicto: Blue Yonder se ubica cerca del fondo en nuestro estudio principalmente debido a su dependencia de tecnología obsoleta enmascarada por términos de moda y las ineficiencias inherentes de una plataforma de parches. Es revelador que las contribuciones de código abierto de Blue Yonder muestren dependencia de métodos que tienen décadas de antigüedad (ARIMA, regresión) ⁴⁹ incluso cuando la empresa se promociona como líder en IA. Esta disonancia erosiona la confianza. Penalizamos severamente a Blue Yonder por esta falta de transparencia y el uso excesivo de afirmaciones vagas de IA ²⁸. La marca puede tener peso (es un “Líder” en algunos informes de analistas debido a su amplitud y cuota de mercado), pero al centrarnos estrictamente en la verdad y el mérito técnico, Blue Yonder no impresiona.

Dicho esto, Blue Yonder no carece por completo de valor. Tiene una amplia huella funcional y conocimiento de dominio incorporado, por lo que puede manejar muchos escenarios prácticos si se configura correctamente. Pero eso son requisitos mínimos; lo que buscamos es verdadera destreza en optimización. En ese sentido, Blue Yonder se queda muy atrás de proveedores como Lokad o incluso de la confiabilidad franca de Slimstock. A menos que un cliente ya esté vinculado al ecosistema de Blue Yonder o necesite un único punto de contacto más que análisis de clase mundial, advertiríamos contra la optimización de inventario de Blue Yonder si la calidad de optimización factual y medible es la prioridad. En nuestro ranking, Blue Yonder se salva del último lugar por el hecho de que realmente tiene un producto funcional (aunque obsoleto) y una gran base de usuarios, lo que significa que al menos resuelve lo básico, mientras que las afirmaciones de algunos jugadores más pequeños podrían ser aún más vacías.

9. Infor (Rhythm / Predictix) – Competidor Desvanecido con IA Dudosa

Resumen: Infor intentó competir en esta arena a través de adquisiciones como Predictix (adquirida en 2016) que era especialista en pronósticos minoristas. La fortaleza principal de Infor ha sido el ERP, pero intentaron construir una suite de planificación minorista en la nube (Infor Rhythm, Demand Management, etc.) con la tecnología de Predictix. Sin embargo, las cosas no han ido sin problemas. Predictix tenía una historia compleja (problemas legales con socios como LogicBlox) ⁵⁵, y después de unirse a Infor, el impulso parece haberse estancado. El enfoque de Infor se desplazó hacia su ERP central y hacia iniciativas más grandes, y “el ángulo del pronóstico ha permanecido en un segundo plano, relegado en los últimos años” ⁵⁶. En resumen, la presencia de Infor en la optimización de inventario/planificación de la demanda ha disminuido. Todavía tienen productos en el espacio, pero no son líderes del mercado, y el pipeline de innovación parece escaso.

Características Probabilísticas y Avanzadas: Predictix era conocido por afirmar que utilizaba enfoques modernos de ML (fueron de los primeros en hablar sobre big data en pronósticos minoristas). Pero los expertos señalan, “Predictix intentó implementar algunas técnicas de ML posteriores al año 2000… sin embargo, es dudoso que esos métodos superen a los modelos anteriores al año 2000.” ⁴⁵. Esto implica que incluso la tecnología insignia que Infor adquirió no era demostrablemente mejor que los enfoques clásicos. Es probable que Infor haya heredado algunas capacidades de detección de la demanda o pronóstico de aprendizaje automático de Predictix, pero con ese equipo disipado, no está claro cuánto se utiliza. Infor rara vez habla ahora sobre IA en la cadena de suministro, y cuando lo hace, es a un nivel alto. Vimos menciones de que “las afirmaciones de ‘IA’ también son dudosas.” ⁴⁵ con respecto a sus pronósticos. Eso refleja lo que vemos en otros lugares: Infor no ha proporcionado evidencia de que sus herramientas (rhythm, planificación de la demanda, etc.) sean especialmente precisas o avanzadas. Simplemente las han integrado como características en el stack de Infor. Además, no hay indicación de pronóstico probabilístico o modelado de tiempo de espera, probablemente no existen. Entonces, según nuestro criterio, la solución de Infor está rezagada y no aborda seriamente la incertidumbre con nuevas técnicas.

Automatización y Limitaciones: Las ofertas de planificación de inventario/demanda de Infor no se discuten ampliamente, lo que sugiere una adopción limitada. Es probable que manejen restricciones básicas (multi-escalonamiento, etc.) pero nada sofisticado que otros no hagan. Y dado su despriorización, se puede asumir que tampoco se ha hecho mucho para automatizar completamente eso. Probablemente sea un sistema de planificación convencional donde los usuarios generan pronósticos y niveles de stock recomendados, con integración a los ERPs de Infor para la ejecución. Nada destaca, excepto quizás algunas características específicas del sector minorista que provienen de Predictix (como el pronóstico de perfil de tamaño/color para la moda, o algo por el estilo, pero nuevamente, no claramente mejor que los competidores).

Veredicto: Clasificamos a Infor cerca del fondo porque ni tiene un producto actual fuerte ni afirmaciones creíbles de singularidad. Su incursión a través de Predictix parece haber perdido fuerza, y cualquier retórica de IA/ML proveniente de esa adquisición ahora está obsoleta o no probada ⁴⁵. Básicamente, la optimización de inventario de Infor no es un factor importante en el mercado actual. Las empresas rara vez incluyen a Infor en la lista corta para planificación avanzada a menos que ya sean usuarios pesados de Infor ERP. Sin nada notable que mostrar en términos de optimización probabilística o automatizada, Infor recibe una evaluación severa: en su mayoría irrelevante en discusiones de vanguardia, y las afirmaciones que hicieron en el pasado sobre IA eran infundadas.

10. John Galt Solutions – Pronóstico de Medio Mercado con Reclamos Grandiosos

Resumen: John Galt Solutions (nombre del famoso personaje de La Rebelión de Atlas) ha estado proporcionando herramientas de pronóstico y planificación desde la década de 1990. Su producto estrella es Atlas Planning (apropiadamente nombrado), dirigido a empresas de mediano mercado para la planificación de la demanda, inventario y S&OP. También ofrecen una herramienta más simple llamada ForecastX (un complemento de Excel para pronósticos básicos). La especialidad de John Galt ha sido la facilidad de uso y la implementación rápida. Sin embargo, han hecho algunas afirmaciones audaces sobre sus algoritmos propietarios (como algo llamado “Procast”), que generan dudas. La empresa no tiene la envergadura de los grandes jugadores, y su enfoque tecnológico parece bastante tradicional, a pesar de insinuaciones de marketing sobre una IP única.

Características Probabilísticas y Avanzadas: Las soluciones de John Galt no destacan el pronóstico probabilístico. Se centran en generar pronósticos y objetivos de inventario utilizando métodos comunes (regresión, series temporales, quizás algunas heurísticas). Atlas Planning da una “fuerte impresión de ser una consultoría” ⁵⁷ - lo que significa que a menudo requiere mucha consultoría para ajustarse a cada cliente, en lugar de un motor avanzado cableado. La tecnología de pronóstico parece estar desactualizada ⁵⁸, lo que implica que no han introducido modelos predictivos novedosos más allá de lo ampliamente conocido. Hablan sobre “Procast” - su algoritmo de pronóstico propietario - afirmando que es más preciso que los competidores. Sin embargo, esta afirmación es altamente dudosa: si Procast fuera verdaderamente superior, se reflejaría en competencias de pronóstico (como las Competencias M), pero está ausente de los primeros puestos ³⁹. Eso sugiere que Procast probablemente es una reempaquetación de métodos estándar o algún ajuste menor, no un avance. De hecho, los expertos opinan que herramientas de código abierto (como las bibliotecas R de Hyndman) probablemente superan la tecnología de John Galt ⁵⁹. John Galt no publicita mucho la IA o el ML, lo cual es en realidad a su favor (no están exagerando con palabras de moda que no tienen). Pero hacen afirmaciones vagas de “más precisión” sin evidencia, lo cual no podemos aceptar. Tampoco mencionan nada sobre cómo manejar complejidades como la canibalización u optimización bajo incertidumbre; su mensaje es más sobre la experiencia del usuario (paneles agradables, etc.) y la planificación colaborativa. Eso indica falta de optimización avanzada.

Automatización: Atlas Planning está dirigido a planificadores y ejecutivos para simular y colaborar. No se conoce por la automatización; en cambio, es un conjunto de herramientas donde los usuarios pueden pronosticar y luego ejecutar escenarios. Es probable que esté lejos de la optimización de inventario completamente automatizada: se espera que el usuario tome decisiones basadas en las salidas del software. Por lo tanto, no vemos a John Galt impulsando la automatización no supervisada. Esto limita su clasificación porque en términos modernos es más una herramienta semimanual.

Limitaciones: Los clientes típicos de John Galt a menudo tienen necesidades más simples, por lo que Atlas Planning puede manejar restricciones básicas (distribución multinivel, tiempos de entrega, stock de seguridad, etc.). Pero no es especialmente conocido por cosas como la optimización multi-escalonada (aunque probablemente tenga alguna capacidad), y ciertamente no por cosas como productos perecederos o complejas restricciones de suministro. Es una solución de nivel medio - amplitud de características pero no profundidad en ninguna área en particular.

Veredicto: John Galt Solutions ocupa el último lugar en nuestra clasificación de proveedores clave. Si bien proporciona software honesto y utilizable para pronósticos y planificación, no logra demostrar ninguna ventaja técnica o manejo serio de la incertidumbre. La gran afirmación sobre su “salsa secreta” (Procast) parece no estar respaldada e incluso ser refutada por omisión ³⁹. En ausencia de evidencia, etiquetamos tales afirmaciones propietarias como marketing falso. La empresa no se involucra tanto en la exageración de la IA como otros (quizás debido a que se dirige a un segmento diferente), pero tampoco sobresale. Parece contenta ofreciendo “consultoría en forma de software” - soluciones que son tan buenas como los consultores que las configuran. Eso está bien para algunos clientes, pero en una comparación en busca de la verdad, significa falta de innovación clara. Es probable que el enfoque de John Galt para la optimización de inventario implique configurar modelos de pronóstico y políticas de inventario manualmente, en lugar de cualquier cálculo automatizado y probabilístico. Por lo tanto, obtiene una puntuación baja en casi todos nuestros criterios: no hay modelado probabilístico de tiempos de entrega, no hay IA/ML notable que funcione, no hay evidencia de optimización avanzada de restricciones y poca automatización.

La conclusión sobre John Galt: Sirve a un segmento del mercado con herramientas más simples y dirigidas por el usuario. Pero cualquier afirmación de que es más preciso o “más inteligente” que soluciones más grandes no está respaldada por pruebas y debería ser vista con escepticismo. Las empresas con desafíos de inventario serios (alta incertidumbre, redes complejas) encontrarían la tecnología de John Galt insuficiente con toda probabilidad.

---

Conclusión y Conclusiones Clave

Este estudio crítico del mercado revela un paisaje de software de cadena de suministro lleno de afirmaciones grandiosas pero escaso en capacidades novedosas probadas. Proveedores como Lokad y Slimstock destacan como excepciones al impulsar métodos genuinamente avanzados (el motor probabilístico de Lokad ⁶⁰) o al ceñirse a fundamentos honestos (el enfoque directo de Slimstock ¹²). Muchos otros jugadores, incluso conocidos como ToolsGroup, Blue Yonder y o9, están atascados en términos de moda sin respaldarlos:

• Pronóstico Probabilístico: Sorprendentemente pocos proveedores lo abrazan verdaderamente. Lokad se destaca por modelar tanto la demanda como la incertidumbre en los tiempos de entrega de manera explícita ¹. La mayoría de los demás, en el mejor de los casos, manejan la variabilidad de la demanda de una manera rudimentaria e ignoran la incertidumbre en los tiempos de entrega, lo que consideramos un fracaso crítico. Una solución que “ignora la incertidumbre” en los tiempos de entrega está fundamentalmente limitada ³. Los usuarios deberían presionar a los proveedores: ¿Pronostican los tiempos de entrega de manera probabilística? Si no, espere que los objetivos de stock sean subóptimos.

• Palabras de moda engañosas: El término “detección de la demanda” es un delincuente reincidente, utilizado por ToolsGroup, GAINS, etc., con poco fundamento científico ^{19 32}. De manera similar, las afirmaciones genéricas de “IA/ML” son rampantes. Blue Yonder y o9 ejemplifican esto, mostrando terminología de moda pero entregando algoritmos que no son mejores que la regresión ^{28 61}. Las señales de alerta son consistentes: si un proveedor no puede describir en términos concretos qué hace su IA (por ejemplo, “utiliza boosting de gradiente en el historial de envíos para predecir la demanda de SKU en la tienda”) y en cambio ofrece lugares comunes, se debe asumir lo peor: que hay “poca o ninguna sustancia” detrás de la afirmación ²⁸. En este estudio, penalizamos todos los casos de este tipo de manera severa. Es importante destacar que los LLMs (modelos similares a ChatGPT) no tienen ningún rol demostrado en el cálculo de políticas de inventario óptimas (carecen de la capacidad de optimización numérica), por lo que cualquier indicio de que un LLM está optimizando su inventario es pura ficción. Afortunadamente, ninguno de los principales proveedores afirma eso, pero algunos podrían integrar chatbots para consultas de usuarios, lo cual no es lo mismo que la optimización central.

• Optimización Estocástica: La prueba de fuego para un motor de “optimización” es si realmente resuelve un objetivo definido bajo incertidumbre (maximizar el beneficio esperado, minimizar costos sujeto al servicio, etc.). La mayoría de los proveedores aquí, excepto Lokad (y tal vez la pieza SmartOps dentro de SAP), no realizan una verdadera optimización estocástica. Se basan en heurísticas: establecer un objetivo de servicio, calcular el stock de seguridad. Eso no es optimizar, es satisfacer. ToolsGroup, por ejemplo, todavía trabaja principalmente en niveles de servicio, y su habla sobre un “álgebra de variables aleatorias” es más marketing que realidad. Destacamos esta inconsistencia para ToolsGroup ²⁹. Los usuarios que buscan decisiones óptimas deberían tener cuidado: muchas herramientas en realidad no optimizan un objetivo financiero; simplemente imponen objetivos de servicio. Hay una gran diferencia. Si un proveedor no puede mostrar una función objetivo y cómo se resuelve (por ejemplo, “maximizamos la tasa de llenado esperada menos el costo de mantenimiento, utilizando simulación de Monte Carlo”), entonces probablemente no esté realizando una verdadera optimización.

• Automatización: La promesa de una “cadena de suministro autónoma” es atractiva. En la práctica, pocos la han logrado. Nuestra evaluación encontró que la mayoría de los proveedores requieren una entrada humana significativa, y su automatización se basa en reglas o está limitada a cálculos. Lokad apunta a la automatización al permitir la escritura completa de la lógica de decisión (y eliminan explícitamente tareas manuales repetitivas) ⁸. RELEX automatiza muchas tareas minoristas, pero probablemente utiliza reglas sencillas para ello. ToolsGroup y GAINS automatizan las matemáticas pero aún necesitan planificadores para gestionar los parámetros. La automatización completa - donde el sistema se adapta por sí solo a nuevas condiciones - es rara. Por lo tanto, cuando un proveedor dice “autónomo” o “automático”, exija una explicación: ¿Qué exactamente está automatizado? ¿Cómo se manejan las excepciones? ¿Hay un ciclo de retroalimentación? Si las respuestas son vagas, la afirmación de automatización merece escepticismo. Encontramos que los proveedores que explicaron menos (o9, Blue Yonder) probablemente automatizan menos, a pesar de las grandes afirmaciones ^{61 28}.

• Restricciones complejas: Está claro que una talla única no sirve para todos. Algunos proveedores se especializan en complejidades específicas (RELEX para la caducidad de alimentos frescos ²², GAINS para piezas reparables). Otros cubren principalmente restricciones genéricas y dependen de soluciones alternativas para casos especiales. La responsabilidad recae en el comprador para exponer sus necesidades únicas (productos perecederos, devoluciones grandes, etc.) y preguntar al proveedor cómo lo manejan. Si la respuesta es “tenemos clientes en su industria” pero sin detalles, eso es una advertencia. En nuestro estudio, solo Lokad discute abiertamente el soporte de cosas como la canibalización y restricciones personalizadas a través de su marco de modelado ⁴. La mayoría de los demás ignoran esos problemas o los mencionan de pasada sin método.

En conclusión, este estudio de mercado separa la señal del ruido. Los proveedores mejor clasificados ganaron su lugar al alinear las afirmaciones con la realidad y centrarse en una ingeniería sólida:

• Lokad – por su enfoque riguroso y probabilístico y su disposición a detallar cómo funciona ⁶⁰.
• Slimstock – por ofrecer resultados confiables sin esconderse detrás de términos de moda ⁶² (aunque carece de análisis avanzado, es honesto al respecto).
• RELEX – por su innovación práctica en el comercio minorista (alimentos frescos, etc.) aunque seguimos siendo cautelosos sobre su exageración no probada de IA ¹⁸.

Proveedores de rango medio como ToolsGroup y GAINS tienen profundidad funcional pero fueron degradados debido a “prácticas de marketing engañosas” – terminología engañosa y falta de evolución técnica ^{36 32}.

Finalmente, varias soluciones de renombre (o9, Blue Yonder, SAP, Infor, John Galt) terminaron más abajo en nuestra clasificación de lo que su prominencia en el mercado sugeriría. La razón es simple: la reputación corporativa y el volumen de ventas no equivalen a la excelencia técnica. De hecho, estas grandes suites a menudo arrastran equipaje heredado o enfoque difuso, lo que dificulta la evaluación en busca de la verdad. No dimos crédito por folletos brillantes o posiciones en el Cuadrante Mágico de Gartner, porque a menudo reflejan ingresos y amplitud, no verdadero poder de optimización.

Consejo para los profesionales: Corten con la paja. Insistan en demostraciones o estudios de caso que muestren distribuciones reales de errores, resultados de nivel de servicio o ahorros de costos bajo incertidumbre. Pidan a los proveedores que ejecuten sus datos para una prueba piloto y examinen si sus resultados realmente reflejan la incertidumbre (por ejemplo, una gama de escenarios) o solo un número. Verifiquen si sus recomendaciones cambian cuando las condiciones cambian (indicando adaptabilidad), o si son reglas estáticas esencialmente. Muchos proveedores flaquearán cuando se les desafíe en estos aspectos. Los que brillen serán aquellos que hayan construido sus soluciones sobre bases analíticas sólidas en lugar de arenas movedizas de marketing.

Al final, la optimización efectiva del inventario requiere unir la buena ciencia con la ejecución práctica. Como muestra este estudio, muy pocos proveedores sobresalen en ambos. Aquellos que lo hacen destacan claramente, y aquellos que no, los hemos expuesto con citas y hechos. Instamos a los tomadores de decisiones a utilizar esta información para cortar el ruido del marketing y tomar decisiones fundamentadas en verdad y evidencia, no en exageraciones.

Notas al pie