Software di Ottimizzazione per il Commercio Elettronico, Febbraio 2025

Ultima modifica: 2 febbraio 2025

Introduzione

Il mercato del software di ottimizzazione per il commercio elettronico è pieno di affermazioni audaci sull’IA, ma uno sguardo attento sotto il cofano rivela che solo alcuni fornitori riescono veramente a mantenere la promessa di ottimizzare congiuntamente inventario, prezzi e assortimenti con tecnologia all’avanguardia. In questo studio, valutiamo le soluzioni leader per il commercio elettronico puro (rivenditori online senza negozi fisici) e classifichiamo i fornitori più rilevanti - tra cui Lokad, RELEX Solutions, Blue Yonder e ToolsGroup - in base ai loro meriti tecnici e ai loro difetti. Lokad emerge come leader grazie al suo approccio unificato e probabilistico e all’alto grado di automazione, mentre RELEX e Blue Yonder offrono suite complete temperate da complessità AI in scatola nera e bagagli ereditati, rispettivamente. ToolsGroup fornisce un’ottimizzazione dell’inventario comprovata radicata in una matematica solida ma affronta sfide di integrazione mentre si espande nei prezzi e negli assortimenti. In tutto ciò, applichiamo una lente profondamente scettica: tagliando la retorica di marketing, scrutinando le affermazioni dei fornitori contro prove indipendenti e mettendo in evidenza i caveat spesso non detti (ad es. la mancata ottimizzazione delle decisioni in modo olistico, o la dipendenza da architetture costose). L’obiettivo è un’analisi tecnica guidata dalla narrazione che mette la verità sopra l’esagerazione, in modo che i giocatori del commercio elettronico possano capire chi avanza genuinamente lo stato dell’arte - e chi rimane indietro.

I Criteri di Riferimento: Ottimizzazione Congiunta e Tecnologia Avanzata

Qualsiasi fornitore può vantarsi di IA o big data, ma ottimizzare veramente un’attività di commercio elettronico richiede il soddisfacimento di un alto livello di criteri tecnici e funzionali. In primo piano c’è l’ottimizzazione congiunta: la capacità di ottimizzare simultaneamente le decisioni sui livelli di inventario, i prezzi e l’assortimento di prodotti. Trattare questi aspetti in modo isolato - come fanno molti sistemi più vecchi - è fondamentalmente sbagliato, poiché sono strettamente interdipendenti (i prezzi influenzano la domanda che influisce sull’inventario, i cambiamenti nell’assortimento influiscono su entrambi, ecc.). Una soluzione di ottimizzazione per il commercio elettronico deve coordinare tutti e tre; ad esempio, potrebbe decidere di tenere meno di un prodotto e scontarlo prima se le previsioni rivelano vendite lente, o aumentare i prezzi su determinati articoli per evitare le scorte esaurite. Le soluzioni che ottimizzano l’inventario ma ignorano i prezzi, o viceversa, lasciano soldi sul tavolo e sono subottimali per definizione.

Oltre all’ottimizzazione congiunta, le soluzioni veramente all’avanguardia dovrebbero sfruttare tecniche e architetture moderne:

• Previsioni probabilistiche: Piuttosto che previsioni di domanda a singolo punto, utilizzare distribuzioni di probabilità per catturare l’incertezza della domanda. Questo è cruciale per il commercio elettronico con i suoi modelli di domanda volatili e la “coda lunga” degli SKU. Gli strumenti tradizionali (ad es. vecchi moduli SAP o Oracle) che producono un numero e un livello di scorta spesso sottovalutano la vera variabilità ^{1 2}. I fornitori leader ora enfatizzano modelli probabilistici o “stocastici” che quantificano la gamma di risultati.
• Ottimizzazione economica: Le decisioni dovrebbero essere guidate da obiettivi economici (profitto, costi, obiettivi di livello di servizio) non solo da regole euristiche. Ad esempio, un sistema veramente ottimizzato terrà conto dei margini di profitto e dei costi di mantenimento dei prodotti quando decide i livelli di stock e i prezzi. Darà priorità alle azioni che massimizzano il profitto atteso o minimizzano il costo totale, piuttosto che raggiungere ciecamente un tasso di riempimento. Questo richiede l’incorporazione di parametri di costo/ricavo negli algoritmi.
• Scalabilità ed efficienza dei costi: I dati del commercio elettronico sono massicci (potenzialmente milioni di SKU, transazioni giornaliere, canali multipli). Il software deve gestire dati su larga scala senza costi hardware esorbitanti o prestazioni lente. Architetture che conservano tutto in memoria (RAM) in modo ingenuo possono diventare proibitivamente costose su larga scala. I design moderni utilizzano saggiamente il cloud computing, ad es. elaborazione distribuita, memorizzazione dati su disco e algoritmi efficienti. Una soluzione che richiede un’enorme fattoria di server o piattaforme costose (come un uso eccessivo del cloud dati di Snowflake) potrebbe erodere il ROI. Al contrario, un’ingegneria intelligente può elaborare set di dati su scala di terabyte in poche ore su istanze cloud di commodity ^{3 4}.
• Cannibalizzazione ed effetti di sostituzione: Nelle decisioni di assortimento e di pricing, il sistema deve tener conto dei prodotti che influenzano la domanda reciproca. Ad esempio, se due prodotti sono sostituti vicini, eliminare uno sposterà la domanda verso l’altro (un effetto di cannibalizzazione). Gestire questo richiede più di una semplice analisi OLAP o gruppi di prodotti definiti manualmente; richiede modelli che apprendono le cross-elasticità o i tassi di attaccamento. Molti strumenti legacy assumono che la domanda di ciascun prodotto sia indipendente, portando a errori sia nella previsione che nella pianificazione dell’assortimento. Un fornitore all’avanguardia dovrebbe modellare esplicitamente tali relazioni (ad es. utilizzando il machine learning sui dati delle transazioni per inferire le affinità dei prodotti).
• Impatti del marketplace e della concorrenza: I player del commercio elettronico puro sono spesso influenzati dalla dinamica del marketplace - ad esempio, la concorrenza su Amazon o eBay, venditori di terze parti, ecc. Il software di ottimizzazione dovrebbe idealmente incorporare segnali come il pricing dei concorrenti o le scorte esaurite sul marketplace. Pochi lo fanno bene. È una frontiera complessa ma sempre più rilevante: ad esempio, se un concorrente esaurisce le scorte di un articolo popolare, il tuo sistema dovrebbe individuare quell’opportunità e regolare di conseguenza il tuo prezzo o la spesa pubblicitaria. Allo stesso modo, se vendi sia direttamente che su marketplace, il sistema dovrebbe ottimizzare attraverso i canali (evitando, ad esempio, sovrastock per il tuo sito quando il prodotto viene venduto tramite Amazon FBA).
• Capacità multi-canale e omni-canale: Anche senza negozi fisici, un commerciante di e-commerce può avere più canali online (sito web proprio, marketplace, eventualmente siti regionali). Il motore di ottimizzazione dovrebbe gestire in modo olistico la domanda e l’inventario multi-canale - riconoscendo, ad esempio, che l’inventario è condiviso o che le decisioni di pricing su un canale potrebbero influenzare un altro. La pianificazione “end-to-end” non è solo una parola di moda; significa che il software vede l’intera immagine (fornitori ai clienti, attraverso tutti i flussi di vendita).
• Alto grado di automazione (“robotizzazione”): La promessa ultima di questi sistemi è la presa di decisioni autonoma. Teoricamente dovrebbero essere in grado di funzionare senza supervisione, producendo ordini di rifornimento, aggiornamenti dei prezzi, ecc., senza che gli utenti girino manopole ogni giorno. In realtà, tutti i fornitori consentono ancora la configurazione dell’utente, ma preferiamo quelli che minimizzano la necessità di regolazioni umane. Fate attenzione alle soluzioni che vantano l’automazione ma espongono decine di manopole (parametri, fattori di pesatura, regole) - è una contraddizione interna. L’automazione vera deriva dal lasciare che gli algoritmi trovino le impostazioni ottimali, non chiedendo agli utenti di ricalibrare costantemente. I migliori sistemi utilizzano tecniche come modelli di autoapprendimento che si adattano man mano che arrivano nuovi dati, in modo che nel tempo le decisioni rimangano ottimali senza intervento manuale ⁵. Meno impostazioni “guida” che un utente deve mantenere, più credibile è l’automazione.
• Architettura robusta ed economica: Abbiamo accennato all’efficienza dei costi, ma vale la pena notarlo esplicitamente: alcune soluzioni moderne hanno abbracciato i data warehouse cloud (come Snowflake) per scalare. Questo può eliminare i mal di testa dell’infrastruttura, ma introduce un modello di costo basato sull’uso. Se uno strumento di pianificazione richiede di passare attraverso enormi dati su una piattaforma come Snowflake, i costi possono schizzare alle stelle (simile al modello di pricing basato su MIPS di IBM negli anni ‘90, dove un maggiore utilizzo della CPU significava tariffe esponenzialmente più alte). Una soluzione ideale gestisce i big data con algoritmi intelligenti per mantenere ragionevole l’uso del cloud (e quindi il costo) ⁴. Allo stesso modo, le soluzioni costruite tramite acquisizioni potrebbero finire per essere un patchwork di moduli su stack tecnologici diversi, portando a pesanti costi di integrazione per il cliente (sia in denaro che in latenza di sistema). Essere nativi del cloud e integrati fin dall’inizio è un vantaggio, ma solo se l’architettura elimina veramente i movimenti di dati ridondanti senza introdurre nuovi colli di bottiglia.

Con questi criteri stabiliti, ci rivolgiamo ora ai fornitori. Classifichiamo Lokad, RELEX, Blue Yonder e ToolsGroup come i giocatori più rilevanti per l’ottimizzazione del commercio elettronico, e valutiamo ciascuno in base ai suddetti parametri. L’analisi è di tipo narrativo - concentrandosi su come ciascun fornitore affronta il problema e dove è giustificato il scetticismo - piuttosto che su un elenco di funzionalità. È importante sottolineare che ci basiamo su prove credibili (e citazioni dirette) ovunque possibile, evitando il comune errore di accettare le affermazioni dei fornitori senza verificarle.

1. Lokad - Ottimizzazione Quantitativa Unificata con Fondamento Probabilistico

Lokad si distingue come fornitore esplicitamente costruito attorno all’idea di ottimizzazione congiunta utilizzando tecnologie all’avanguardia. A differenza del software tradizionale per la supply chain, Lokad non viene fornito come un insieme di moduli (previsione, MRP, ecc.) da modificare, ma piuttosto come una piattaforma programmabile in cui una logica di ottimizzazione unificata è implementata per ciascun cliente. Questo approccio, che loro definiscono “Supply Chain Quantitativa”, potrebbe richiedere più scienza dei dati inizialmente, ma produce una soluzione personalizzata per ottimizzare tutte le decisioni insieme - inventario, prezzi, riassortimento, tutto in uno. La filosofia di Lokad è che le previsioni sono solo un mezzo per un fine; il vero obiettivo è ottimizzare le decisioni (ad es. quanto acquistare, quale prezzo impostare) considerando tutti i vincoli e i trade-off economici.

Al centro c’è la previsione probabilistica. Lokad è stato un pioniere nell’uso di distribuzioni di probabilità complete per la domanda, e ha persino dimostrato la sua competenza nell’arena neutrale delle competizioni di previsione. Nella prestigiosa Competizione di Previsione M5 (2020), un team di Lokad si è classificato al 6° posto a livello mondiale su 909 squadre ⁶ - una valida convalida della loro tecnologia considerando che M5 si è concentrato su dati dettagliati del settore al dettaglio (il tipo di dati che le aziende di e-commerce affrontano). È importante notare che M5 richiedeva previsioni probabilistiche (quantili), il che si allinea con il punto di forza di Lokad. Questo risultato indica non solo competenza accademica ma anche rilevanza pratica: le loro previsioni erano tra le migliori, il che sottolinea qualsiasi ottimizzazione di inventario e prezzi. Inoltre, il CEO dell’azienda ha sottolineato che oltre un certo punto, i miglioramenti dell’accuratezza delle previsioni producono rendimenti decrescenti rispetto a una migliore modellazione delle decisioni ⁷. In altre parole, Lokad sottolinea l’ottimizzazione delle decisioni (quantità degli ordini, allocazioni, ecc.) utilizzando le previsioni probabilistiche, piuttosto che inseguire un piccolo miglioramento nell’accuratezza delle previsioni che potrebbe non influenzare materialmente i risultati. Questa prospettiva è rinfrescante e importante per il commercio elettronico: riconosce che gestire cose come le scorte esaurite, la domanda intermittente e gli effetti di sostituzione spesso è più importante di un piccolo miglioramento percentuale in una metrica di previsione ⁷.

Dal punto di vista tecnologico, Lokad è all’avanguardia e altamente orientata all’ingegneria. Hanno costruito la propria infrastruttura tecnologica nativa del cloud (incluso un linguaggio specifico di dominio personalizzato chiamato “Envision” per scrivere script di ottimizzazione). Questa infrastruttura è progettata per elaborare grandi quantità di dati in modo efficiente ed economico. Ad esempio, il sistema di Lokad elabora routine gigabyte e terabyte di dati dei clienti (ordini, clic, ecc.) entro poche ore durante la notte, per produrre decisioni per il giorno successivo ^{8 3}. Per fare ciò, evitano di caricare tutto in RAM; invece utilizzano file mappati in memoria e memorizzazione colonnare su disco, consentendo di gestire set di dati più grandi della memoria di una macchina in modo trasparente riversandoli su SSD veloci ^{3 9}. Esplicitamente notano che Envision (il loro motore) supporta set di dati più grandi della memoria persino dell’intero cluster grazie al “versamento intelligente su unità NVMe”, e che le operazioni parallelizzabili sono distribuite automaticamente tra i core/macchine ³. L’effetto netto: Lokad può scalare a assortimenti di SKU estremamente grandi senza richiedere al cliente di investire in quantità assurde di RAM o apparecchiature specializzate. Infatti, sottolineano il bisogno di poca hardware per funzionare - evitando situazioni in cui “cliccare su un pulsante di esecuzione costa centinaia di dollari” in commissioni cloud ⁴. Questo è un punto sottile ma cruciale: li differenzia da alcuni sistemi aziendali pesanti che potrebbero gestire tecnicamente big data ma a un costo elevato. L’approccio di Lokad è più simile a un pipeline di big data ottimizzata, simile a un Apache Spark o Google BigQuery, ma progettata appositamente per i calcoli della supply chain. Questo focus sull’efficienza mantiene la soluzione conveniente man mano che scala - un grande vantaggio per gli eTailers con milioni di record.

La gestione di prezzi e assortimento da parte di Lokad non avviene tramite moduli separati ma tramite la stessa logica di ottimizzazione. Poiché la piattaforma è essenzialmente basata su codice, è possibile modellare le interazioni. Ad esempio, è possibile scrivere uno script che dice: “per ciascun prodotto, considera la domanda probabilistica a diversi punti di prezzo, considera la disponibilità di magazzino e il lead time per il riordino, quindi scegli il prezzo che massimizza il margine atteso meno il costo di mantenimento, soggetto a non esaurire troppo spesso il magazzino” - questa è una descrizione semplificata, ma illustra che prezzi e inventario possono essere decisi insieme. Se un prodotto è in eccesso di magazzino, il codice potrebbe decidere uno sconto per accelerare le vendite; se è scarso, potrebbe aumentare il prezzo per allocare l’inventario ai clienti che pagano di più. Pochi altri fornitori consentono questo livello di interazione. La soluzione di Lokad genera essenzialmente le proprie politiche decisionali personalizzate per i dati del commerciante.

Gli effetti di cannibalizzazione e sostituzione sono gestiti in modo naturale se si forniscono i dati corretti. Ad esempio, è possibile incorporare un input del tipo “se l’articolo A non è disponibile, quanto della sua domanda va all’articolo B” - tali relazioni possono essere apprese dai dati storici (analizzando passati esaurimenti di magazzino o cambiamenti di assortimento) e quindi inseriti nell’ottimizzazione. Poiché Envision è un linguaggio di programmazione completo, queste dinamiche di domanda complesse possono essere codificate. La documentazione di Lokad indica che fanno attivamente questo: il sistema “scopre correlazioni tra prodotti, canali e periodi temporali” e calcola decisioni di conseguenza, anziché assumere che ciascun SKU sia indipendente ¹⁰. Non si basa su una semplice estrapolazione delle serie temporali; calcola distribuzioni di probabilità complete per la domanda che tengono conto di promozioni, esaurimenti di magazzino, variazioni stagionali, ecc. ¹¹. Catturando questi fattori (incluso quando la domanda è stata persa a causa della mancanza di magazzino), Lokad evita il classico problema di spazzatura nell’elaborazione delle previsioni basate su dati di vendita distorti.

Un altro ambito in cui Lokad brilla è l’intelligenza competitiva e l’integrazione di dati esterni. La piattaforma può assimilare qualsiasi dato rilevante - ad esempio, prezzi dei concorrenti, traffico web, persino calendari delle campagne di marketing - come segnali di input aggiuntivi. Essi menzionano esplicitamente la capacità di incorporare “segnali esterni come i prezzi dei concorrenti” e calendari di marketing, e di sperimentare facilmente nuovi algoritmi o input grazie al design programmabile ¹². In un senso pratico, se un’azienda di eCommerce ha, ad esempio, dati raccolti dai prezzi dei concorrenti o sa che il livello di stock di un partner di marketplace è un indicatore, può inserirlo nel modello di Lokad per perfezionare le decisioni. Questo è molto più flessibile rispetto alla maggior parte delle soluzioni pronte all’uso che potrebbero gestire solo dati interni. Si parla di un approccio a “scatola trasparente”: anziché nascondere la logica, Lokad ti permette di personalizzarla. Detto ciò, l’approccio di Lokad richiede un Supply Chain Scientist per la configurazione - non si tratta di un’interfaccia utente point-and-click per un principiante. Questo potrebbe essere visto come un inconveniente per alcuni; tuttavia, il vantaggio è una soluzione che si adatta perfettamente all’attività e può veramente automatizzare le decisioni date le regole uniche dell’azienda.

Automazione e autonomia: Lokad è probabilmente il più vicino a un pianificatore di supply chain “totalmente robotizzato” di questo gruppo. La filosofia è che una volta che gli script (logica) sono impostati e convalidati, il sistema può funzionare giornalmente (o intra-giornalmente) e produrre decisioni consigliate senza intervento umano. Molti utenti di Lokad si fidano efficacemente di esso per produrre ordini di acquisto e suggerimenti sui prezzi che i pianificatori poi esaminano brevemente o addirittura eseguono automaticamente. Poiché il sistema è auto-adattivo (ricalibra le previsioni ogni giorno con i dati più recenti e si riottimizza di conseguenza), non richiede l’ottimizzazione manuale dei parametri. In realtà, Lokad critica piuttosto apertamente l’abitudine dell’industria di un’ottimizzazione infinita - sottolineano che il loro sistema “non si basa su metodi di serie temporali semplicistici” e funziona senza continua “ottimizzazione” manuale da parte degli utenti ¹⁰. Il lavoro pesante di adattamento alla stagionalità, agli eventi, alla domanda erratic è fatto dagli algoritmi, non dai pianificatori che aggiustano le previsioni. Un aspetto chiave è l’operatività: Lokad produce decisioni (o raccomandazioni operative) anziché solo diagnostiche. Ad esempio, anziché solo segnalare che un certo articolo potrebbe esaurirsi (come fanno alcuni cruscotti “control tower”), raccomanderà direttamente una quantità d’ordine o un cambio di prezzo per affrontarlo. Si propone di “raccomandare azioni correttive anziché semplicemente lampeggiare un avviso”, il che è cruciale se si desidera un’operatività non assistita ¹³. In un ambiente di eCommerce in rapido movimento, un sistema che ti dice solo che c’è un problema non è sufficiente - vuoi che ti dica cosa fare al riguardo, o addirittura lo faccia. Lokad è progettato per fare quest’ultimo.

Date queste lodi, dove bisogna essere scettici riguardo a Lokad? La principale precauzione è che l’approccio di Lokad è altamente personalizzato e tecnico. Non si tratta di un SaaS plug-and-play in cui lo si accende e si vede immediatamente un’interfaccia utente piacevole con tutte le risposte. Richiede un certo livello di maturità dei dati e fiducia nei metodi quantitativi da parte dell’azienda utente. Vi è inoltre una dipendenza implicita dal team di Lokad (“scienziati della supply chain”), specialmente durante la configurazione iniziale: effettivamente, agiscono come il tuo team esteso per implementare la soluzione. Questo è un modello diverso, ad esempio, dall’installazione di un software ben definito. Se un cliente non è pronto a impegnarsi in quel processo collaborativo e ricco di ingegneria, potrebbe avere difficoltà. Tuttavia, questo modello è anche ciò che consente la profondità dell’ottimizzazione. Si tratta di un classico compromesso: flessibilità e potenza vs facilità d’uso. Lokad si orienta chiaramente verso la potenza e la flessibilità.

Dal punto di vista del mercato, la proposta di valore di Lokad sembra particolarmente allineata alle esigenze dell’e-commerce. Le aziende di e-commerce affrontano molte sfide - esaurimenti di magazzino, sovrastocchi, picchi di domanda volatile da promozioni o influencer, ecc. - e spesso ricorrono a strumenti improvvisati (dashboard BI, script Python ad hoc, ecc.) per colmare le lacune lasciate dai loro ERP o WMS. Lokad si posiziona essenzialmente come lo strato specializzato che riceve tutti quei segnali e restituisce un piano quasi ottimale. Si pongono esplicitamente in contrasto con strumenti semplicistici forniti dai mercati o dagli ERP, notando che quelli “affrontano solo una frazione” di ciò con cui le aziende di e-commerce hanno a che fare. Ad esempio, un marketplace di Amazon potrebbe fornirti una previsione della domanda per la settimana successiva, ma non integrerà i costi della tua supply chain o il tuo inventario multi-magazzino. La tecnologia di Lokad è progettata per gestire ognun segnale rilevante fino al livello SKU, senza interruzioni e senza che gli utenti debbano gestire manualmente fogli di calcolo. Si tratta di una proposta di valore forte se viene consegnata come pubblicizzata.

Per riassumere Lokad: si posiziona al top della nostra lista per la sua capacità di ottimizzazione olistica e tecnologia avanzata. Risponde in modo diretto al criterio di ottimizzazione congiunta - inventario, prezzi e altro possono essere ottimizzati insieme tramite la sua piattaforma programmabile. Sfrutta previsioni probabilistiche e driver economici (facevano previsioni quantili prima che fosse di moda, come dimostrato dal loro successo nella competizione M5) e non si tira indietro di fronte a effetti complessi come la sostituzione o le correlazioni multi-canale. La sua architettura è scalabile e attenta ai costi, evitando la trappola del calcolo in-memory brute-force. L’automazione è molto elevata, con un minimo di regolazioni manuali necessarie e un focus sulla produzione di decisioni, non solo di intuizioni. Lo scetticismo che si potrebbe applicare a Lokad riguarda meno se la tecnologia funziona - le prove suggeriscono che sì - ma piuttosto se un’organizzazione è pronta ad abbracciare una soluzione così orientata alla data science. Vi è anche la questione del track record su scale più ampie; Lokad è più piccola rispetto ad alcuni concorrenti, anche se ha clienti notevoli (ad es. distributori di ricambi industriali, eTailers di moda, ecc., come indicato nei loro casi di studio). Considerando tutto quanto sopra, Lokad guadagna un posto di primo piano come fornitore di ottimizzazione per l’e-commerce veramente all’avanguardia nel nostro studio.

2. RELEX Solutions - Ottimizzazione al dettaglio alimentare alimentata da AI (con precauzioni)

RELEX Solutions è un fornitore nato in Finlandia che si è rapidamente affermato nello spazio della pianificazione al dettaglio, spesso menzionato insieme ai giganti tradizionali per la previsione e il rifornimento. RELEX offre una piattaforma unificata che copre la previsione della domanda, il rifornimento dell’inventario, l’allocazione, l’assortimento, la pianificazione della forza lavoro e, recentemente, l’ottimizzazione dei prezzi e delle promozioni. La loro forza principale è stata nel settore alimentare e al dettaglio (compreso il brick-and-mortar), ma si rivolgono attivamente anche ai giocatori dell’e-commerce, sottolineando la loro capacità di pianificare attraverso canali online e offline. Per gli utenti di e-commerce puri, il valore di RELEX risiede nella sua pianificazione end-to-end - garantendo il giusto inventario nel posto giusto, con il giusto prezzo e promozioni, utilizzando algoritmi avanzati per reagire ai cambiamenti della domanda.

RELEX promuove pesantemente l’uso di IA e apprendimento automatico. In effetti, il loro CEO Mikko Kärkkäinen è un sostenitore dichiarato dell’ “IA pragmatica” nel settore al dettaglio. Secondo Kärkkäinen, “i sistemi di gestione dell’inventario basati sull’IA elaborano centinaia di fattori che influenzano la domanda” per aumentare l’accuratezza delle previsioni ¹⁴. Egli sottolinea addirittura che qualcosa come i dati meteorologici non è un solo fattore ma * “centinaia di fattori diversi” * (temperatura, umidità, ecc.) che i loro modelli di apprendimento automatico considerano ¹⁵. Questo esemplifica l’approccio di RELEX: gettare una rete ampia per segnali predittivi (meteo, promozioni, festività, tendenze sui social media, ecc.) e utilizzare l’IA per correlarli alle vendite. Il vantaggio è che il sistema può rilevare modelli complessi (ad esempio come un’improvvisa ondata di calore influisce sulla domanda di determinate bevande in combinazione con il fatto che è un weekend festivo). La visione scettica, tuttavia, è che vantare “centinaia di fattori” potrebbe essere più marketing che un miglioramento significativo. Nella previsione, dopo un certo punto, aggiungere più input produce rendimenti decrescenti o può addirittura degradare l’accuratezza se il modello si adatta troppo al rumore. Rende anche il modello una scatola nera - è praticamente impossibile per un umano capire un modello che utilizza veramente centinaia di variabili. RELEX cerca di contrastare la preoccupazione della scatola nera sostenendo un approccio * “scatola di vetro” * (trasparenza nell’IA). Hanno parlato di fornire visibilità sulle previsioni e non solo un risultato, permettendo ai pianificatori di vedere i principali driver. Ma realisticamente, una rete neurale o un modello di boosting del gradiente con centinaia di caratteristiche non sarà completamente interpretabile. I pianificatori dovranno fidarsi del sistema. Questo è un compromesso generale con l’IA/ML: RELEX è dalla parte di “lanciare molti dati al problema e lasciare che gli algoritmi lo risolvano.”

Questo produce risultati? I clienti di RELEX spesso segnalano previsioni migliorate e minori esaurimenti di magazzino, specialmente in situazioni promozionali e stagionali in cui i metodi tradizionali hanno faticato. Ad esempio, RELEX integra le previsioni meteorologiche e ha dichiarato fino al 75% di riduzione dell’errore di previsione per determinati prodotti sensibili alle condizioni meteorologiche durante condizioni meteorologiche insolite ¹⁶. Prendiamo tali affermazioni specifiche con un pizzico di sale - potrebbero essere state selezionate. Tuttavia, l’approccio di RELEX probabilmente aggiunge valore nella previsione a breve termine (“sensing della domanda”) regolando le previsioni in base alle ultime informazioni. In sostanza, i loro modelli di apprendimento automatico regolano continuamente la previsione di base con nuovi segnali di dati. Questo è simile a quello che alcuni chiamano sensing della domanda (utilizzando dati quasi in tempo reale per aggiornare le previsioni a breve termine). RELEX, nei suoi materiali, fonde il sensing della domanda nella sua più ampia previsione di apprendimento automatico piuttosto che trattarlo come un modulo separato. Essi sostengono * “riprevisioni continue e automatizzate” * man mano che cambiano le situazioni.

Sul fronte dell’ottimizzazione congiunta, quanto bene copre RELEX la determinazione dei prezzi e dell’assortimento oltre all’inventario? Storicamente, RELEX era più forte nel rifornimento e nell’allocazione (garantendo che i negozi o i centri di distribuzione non rimanessero senza merce). La pianificazione dell’assortimento (decidere quali prodotti vanno in quali negozi o quali SKU portare) faceva parte della loro suite, così come l’ottimizzazione del planogramma (pianificazione dello spazio). L’ottimizzazione dei prezzi era una lacuna fino a poco tempo fa - ma nel 2022, RELEX ha introdotto una capacità di ottimizzazione dei prezzi guidata dall’IA ^{17 18}. La stanno posizionando come perfettamente unificata con la loro pianificazione delle promozioni. Ad esempio, il loro strumento di pianificazione delle promozioni e lo strumento di ottimizzazione dei prezzi condividono gli stessi dati e UI, quindi un rivenditore può pianificare una promozione e il sistema può raccomandare la profondità di sconto ottimale, il momento migliore, ecc., e poi le implicazioni sull’inventario vengono considerate automaticamente. Questo si sta certamente dirigendo verso un’ottimizzazione congiunta. Tuttavia, non è chiaro se RELEX veramente ottimizzi prezzo e inventario insieme o se lo faccia ancora in modo sequenziale (prima decidere il prezzo, poi si adatta il flusso dell’inventario). In un’ottimizzazione congiunta ideale, si dovrebbero considerare vincoli di inventario quando si fissano i prezzi (ad esempio, non promuovere aggressivamente un articolo se l’offerta è limitata). La piattaforma integrata di RELEX probabilmente consente un pensiero interfunzionale del genere - ad esempio, il loro sistema noterebbe “non abbiamo abbastanza merce nel centro di distribuzione per supportare questa promozione in tutti i negozi” e potrebbe segnalarlo o adattarlo. Essi menzionano l’allineamento dei prezzi e delle promozioni con la supply chain per garantire che i piani siano eseguibili ¹⁹. Quindi, RELEX è consapevole della necessità di rompere i silos.

Un punto di vista interno: l’attrattiva di RELEX è che porta tutto (domanda, offerta, operazioni) in una piattaforma unica per l’utente. Ad esempio, i pianificatori di merce possono vedere previsioni e vincoli condivisi tra i dipartimenti ¹⁹. Ciò significa che un pianificatore può capire l’impatto che una decisione sui prezzi avrà sulla supply chain e viceversa. Quella visibilità è un grande miglioramento rispetto agli strumenti compartimentati. Ma la visibilità non è la stessa cosa dell’ottimizzazione completamente algoritmica. Sospettiamo che mentre RELEX fornisce un’esperienza utente e un modello dati molto coerenti, alcune delle decisioni potrebbero ancora essere fatte a tappe. L’ottimizzazione dei prezzi potrebbe produrre un prezzo ideale, quindi il modulo dell’inventario pianifica intorno ad esso. L’integrazione stretta garantisce che non entrino in conflitto, ma non necessariamente risolve un singolo problema di ottimizzazione che massimizza il profitto considerando simultaneamente i costi dell’inventario. Raggiungere quest’ultimo è complesso e non molti fornitori (tranne forse Lokad, come discusso) lo tentano esplicitamente.

Dal punto di vista dell’architettura tecnologica, RELEX è piuttosto avanzato. Hanno costruito il loro motore di database in memoria nei primi giorni (un DB colonna ottimizzato per serie temporali e dati gerarchici) che ha permesso loro di calcolare previsioni per migliaia di negozi x SKU rapidamente. Molti casi di studio citano RELEX che sostituisce fogli di calcolo e sistemi legacy e che immediatamente può gestire una granularità dei dati molto maggiore (come passare da una pianificazione settimanale a una giornaliera, o una pianificazione specifica per negozio invece di una taglia unica per tutti). Per il commercio elettronico, questo significa che RELEX probabilmente può gestire previsioni a livello di SKU per un negozio online globale senza problemi. Hanno implementazioni cloud e possono scalare. Non abbiamo trovato lamentele specifiche sui costi della tecnologia di RELEX; se c’è qualcosa, si vantano di una computazione efficiente (i loro fondatori accademici hanno ottimizzato molto gli algoritmi). Una cosa che hanno è un concetto di “database Live” in memoria, che, se configurato male, potrebbe richiedere molta RAM - ma è speculativo. In generale, la scalabilità di RELEX non è stata un campanello d’allarme sul mercato; servono grandi catene di supermercati con decine di migliaia di SKU e molti negozi, che è analogo o un volume di dati più grande rispetto a molti rivenditori online.

Automazione e il ruolo dei pianificatori: RELEX parla spesso di “pianificazione autonoma” ma anche di “decisioni potenziate”. Non posizionano il loro strumento come una scatola nera che rimuove il pianificatore. Infatti, enfatizzano l’usabilità - ad esempio, la loro interfaccia utente, i dashboard configurabili e la gestione delle eccezioni. Il sistema genererà automaticamente ordini di acquisto o raccomandazioni di trasferimento, ma tipicamente un pianificatore li rivede e approva (specialmente nelle fasi iniziali di adozione). RELEX ha un concetto di “eccezioni di previsione” dove se la previsione AI devia troppo a causa di qualche anomalia, la segnala. Hanno anche una capacità di simulazione dove i pianificatori possono vedere perché il sistema sta suggerendo qualcosa (almeno in termini generali, come “perché il tempo era caldo, prevediamo un aumento del +50%”). Mikko Kärkkäinen ha dichiarato: “le soluzioni di classe ottimale sfruttano l’IA pragmatica e la potenza computazionale per ottimizzare compiti… autonomamente senza intervento umano” ²⁰, e descrive anche “la pianificazione al dettaglio autonoma che è autoapprendente e autoregolante abbattere i silos” ⁵. Quindi almeno nella visione, RELEX punta a un sistema in gran parte autonomo. Restiamo leggermente scettici riguardo alla piena autonomia qui: i grandi rivenditori che utilizzano RELEX hanno ancora team di pianificazione. Ma quei team probabilmente gestiscono per eccezione ora, che è una forma di autonomia parziale.

Una delle contraddizioni da tenere d’occhio con RELEX (e fornitori simili) è la promessa di estrema flessibilità ed estrema automazione. Affermano che il sistema è molto flessibile (ad esempio, è possibile configurare come funzionano le regole di prezzo, o regolare i modelli di previsione), eppure affermano anche che si auto-regola. C’è una tensione: se un utente può sovrascrivere molto manualmente, il sistema nella pratica potrebbe fare affidamento su quelle impostazioni manuali. Se veramente si fidano dell’IA, dovrebbero dover sovrascrivere sempre meno. Il riferimento di RELEX a “auto-regolazione” implica quest’ultimo - che il sistema avrà bisogno di meno aggiustamenti manuali dei parametri nel tempo ⁵. Abbiamo visto menzionare che l’approccio di RELEX rende i pianificatori più supervisori. Ad esempio, un articolo ha notato che il sistema di RELEX ha liberato i pianificatori da compiti manuali per concentrarsi su mosse strategiche ²¹. Tuttavia, una fonte di SelectHub che ha aggregato recensioni ha detto che alcuni utenti hanno trovato alcune parti di RELEX “ingombranti” e hanno avuto problemi come la previsione di certi vincoli (limiti di trasporto) che richiedono soluzioni alternative ²². Questo indica che non è tutto magia; gli utenti colpiscono ancora i limiti dove devono intervenire o dove lo strumento non è così fluido.

Problemi o preoccupazioni noti: Non ci sono casi di “fallimento” documentati pubblicamente per RELEX come ce ne sono per alcuni (nessun titolo di causa legale). L’azienda ha generalmente un feedback positivo. Tuttavia, a volte chiacchiere anonime interne menzionano che implementare RELEX in ambienti molto grandi e complessi può far emergere problemi. Ad esempio, l’integrazione dei dati può essere impegnativa (spazzatura dentro, spazzatura fuori - se i dati del cliente sono un disastro, RELEX potrebbe produrre piani sbagliati, e la colpa va sia allo strumento che ai dati). Inoltre, la crescita aggressiva di RELEX (hanno acquisito molti clienti rapidamente) significa che alcuni clienti potrebbero non ricevere lo stesso supporto personalizzato che, ad esempio, Lokad fornisce. Questo non è una critica al software in sé, ma agli esiti del mondo reale: quanti progetti RELEX raggiungono gli KPI promessi? I fornitori amano citare miglioramenti nei casi migliori (“Riduzione del X% delle scorte presso il cliente Y!”), ma raramente menzionano casi in cui i numeri non si sono materializzati. Sospettiamo che RELEX, come tutti i fornitori, abbia avuto alcuni progetti che hanno deluso, probabilmente a causa di una cattiva gestione del cambiamento o del rivenditore che non si fida abbastanza del sistema per agire su di esso. In un summit dei partner, persino Blue Yonder ha ammesso che una gestione del cambiamento inefficace e problemi di dati causano la maggior parte dei fallimenti dei progetti ²³ - lo stesso probabilmente si applica alle implementazioni di RELEX.

Un altro aspetto rilevante: RELEX tende a incorporare molte fonti di dati esterni, tra cui cose come Google Trends, dati di localizzazione mobile per le previsioni di affluenza, ecc. Per un giocatore di eCommerce, alcune di queste (come l’affluenza) sono irrilevanti, ma altre (meteo, tendenze) lo sono. Bisogna chiedersi: ho davvero bisogno di tutti questi feed di dati? Per alcune attività di e-business, modelli semplici basati sulla storia delle vendite potrebbero essere quasi altrettanto buoni. RELEX certamente venderà l’idea che più dati producono previsioni migliori. I risultati della competizione M5 (alla quale RELEX non ha partecipato pubblicamente, per quanto ne sappiamo) hanno mostrato che modelli sofisticati hanno superato quelli più semplici, ma spesso di poco. I metodi migliori erano spesso insiemi di molti modelli, non molto diversi da ciò che RELEX potrebbe fare internamente. Ma interessantemente, un approccio puramente basato sull’apprendimento automatico non ha categoricamente schiacciato i metodi tradizionali in quei contesti - una combinazione di modelli statistici attentamente tarati tendeva a vincere. Quindi, se confrontiamo le affermazioni di RELEX con i benchmark come M5: vediamo che la previsione probabilistica è effettivamente preziosa (cosa che fanno), ma vediamo anche che non c’è una singola formula magica tra i migliori approcci - si tratta di modellazione attenta. In assenza di RELEX che pubblichi la loro precisione su tali set di dati standard, rimaniamo cauti. Il consiglio dello scettico per chiunque stia considerando RELEX è: chiedere prove specifiche di miglioramento e definire una chiara base di confronto. Ad esempio, se RELEX dice “abbiamo migliorato la precisione delle previsioni del 30%”, chiarire “30% rispetto a quale metrica e base di confronto?” Molte volte i fornitori misurano il miglioramento rispetto a uno scenario che lusinga il loro strumento (ad esempio, rispetto a previsioni naive o a un anno negativo). L’orientamento di questo studio: chiedere chiarezza sulle basi per qualsiasi affermazione sulle prestazioni.

In sintesi, RELEX Solutions si posiziona come un fornitore di primo piano perché affronta le aree chiave (domanda, inventario, prezzi) in modo integrato e utilizza ampiamente moderne tecniche di intelligenza artificiale/apprendimento automatico. I suoi punti di forza includono previsioni molto granulari che tengono conto di una miriade di fattori, forti capacità di promozione e pianificazione stagionale e una piattaforma unificata che fornisce a tutti gli interessati una singola fonte di verità. Si spunta la casella della scalabilità (testata nel grande retail), della gestione della cannibalizzazione (tramite modelli di previsione avanzati che tengono conto degli effetti tra prodotti ²⁴), del marketplace/omnicanalità (il sistema può pianificare contemporaneamente online e offline e probabilmente assimilare i dati dei concorrenti se forniti). RELEX si spinge anche verso l’automazione, con affermazioni di modelli auto-taranti e decisioni autonome, anche se nella pratica rimane un certo controllo da parte dell’utente. I principali caveat sono la complessità e l’opacità che derivano dal suo approccio pesante sull’intelligenza artificiale - gli utenti devono fidarsi della scatola nera fino a un certo punto - e la necessità di separare l’eccitazione dalla realtà nel suo marketing. Classifichiamo RELEX molto positivamente ma con un asterisco: è uno strumento potente, ma che richiede un’implementazione attenta e una cultura basata sui dati per sfruttarlo appieno. Incoraggiamo anche gli utenti potenziali a stare attenti al “lavaggio di AI” nell’industria; il messaggio di RELEX è tra i più credibili (dato che hanno effettivamente tecnologia reale sotto il cofano), ma anche le dichiarazioni di Mikko su “centinaia di fattori” ¹⁴ dovrebbero essere viste come entusiasmo per l’IA piuttosto che come una garanzia di risultati drasticamente migliori rispetto a un concorrente. In un contesto di eCommerce, RELEX può certamente fare il lavoro, assicurati solo di misurare i suoi risultati rigorosamente e di controllare se tutte quelle funzionalità di lusso vengono effettivamente utilizzate nel tuo caso o se sono solo inutilizzate nel software.

3. Blue Yonder - Gigante Legacy in Trasformazione (Affermazioni vs. Realtà)

Blue Yonder (precedentemente noto come JDA Software) è un gigante nel software di supply chain, con decenni di storia nei sistemi di pianificazione per il retail e la produzione. Ha una suite completa che copre previsioni, rifornimento, gestione magazzino, trasporti, forza lavoro e prezzi (dopo aver acquisito lo specialista dei prezzi Revionics nel 2020). Per i giocatori di eCommerce, Blue Yonder offre soluzioni originariamente sviluppate per grandi rivenditori e aziende di beni di consumo - pensate ad esso come al gigante enterprise in questo settore. Tuttavia, con quel retaggio arrivano sia punti di forza (funzionalità robusta, scalabilità, esperienza di dominio) che significative debolezze (tecnologia obsoleta in alcune parti, problemi di integrazione derivanti da molte acquisizioni e un track record che include alcuni fallimenti di alto profilo).

In termini di ottimizzazione congiunta, la storia di Blue Yonder è un po’ mista. Hanno effettivamente componenti per tutte le parti: ad esempio, il loro Luminate Demand Edge per le previsioni, Luminate Allocation/Replenishment per l’inventario e Revionics per i prezzi. Sulla carta, potresti utilizzare tutti e tre e raggiungere una strategia coordinata - ad esempio, le previsioni alimentano sia il piano dell’inventario che i modelli di ottimizzazione dei prezzi, e l’ottimizzazione dei prezzi può tener conto dell’elasticità della domanda (che essenzialmente prevede la domanda a diversi livelli di prezzo). Blue Yonder certamente promuove l’idea di end-to-end, “dalla pianificazione all’esecuzione” unificata sotto la loro piattaforma Luminate. In pratica, tuttavia, molti di questi moduli si sono evoluti separatamente e sono stati uniti solo di recente. Ad esempio, il motore di ottimizzazione dei prezzi di Revionics ha la sua origine ed è stato integrato dopo l’acquisizione. La sfida di Blue Yonder è far sì che tutto ciò sembri una soluzione coerente. L’azienda ha riconosciuto che storicamente aveva una suite frammentata; di conseguenza, nel 2023 hanno annunciato una trasformazione architetturale importante: passare a un “singolo modello di dati e piattaforma di applicazioni” sul cloud di Snowflake ²⁵. Questo è un grande affare - essenzialmente ristrutturando i loro prodotti in modo che tutti leggano/scrivano da un grande repository di dati cloud (Snowflake) in modo che i silos di dati scompaiano. Il CEO ha dichiarato una visione di un “sistema operativo della supply chain per il mondo” in cui tutte le applicazioni BY condividono i dati fluidamente ²⁵.

Vediamo questa visione sia promettente che problematica. Promettente perché se raggiunta, risolverebbe effettivamente molti problemi di integrazione (niente più interfacce batch tra la pianificazione della domanda e i prezzi, ad esempio - guarderebbero letteralmente gli stessi dati in Snowflake). Problematica perché è estremamente ambiziosa e rischiosa. Anche la società di consulenza partner di Blue Yonder ha notato, “Sebbene visionaria, riteniamo che eliminare completamente le integrazioni possa essere eccessivamente ottimistico per la maggior parte dei clienti.” ²⁶. I clienti hanno dati in molti luoghi, non tutto si adatterà perfettamente a Snowflake, quindi sarà comunque necessaria un’integrazione personalizzata per i sistemi non-Blue Yonder ²⁶. In breve, la strategia di Blue Yonder è un lavoro in corso - una risposta al fatto di essere considerata “legacy”. Hanno esplicitamente dichiarato che non imporranno “eventi a precipizio” (abbandonando vecchie tecnologie da un giorno all’altro) ma renderanno gradualmente i moduli legacy microservizi, consentendo ai clienti di migrare al proprio ritmo ^{27 28}. Questo significa che attualmente, un cliente di Blue Yonder potrebbe ancora utilizzare, ad esempio, la vecchia pianificazione della domanda JDA on prem, con un’integrazione a Revionics in cloud. La piattaforma completamente unificata potrebbe essere disponibile per il grande pubblico tra un paio d’anni. Nel frattempo, l’ottimizzazione congiunta è più manuale con Blue Yonder: potresti utilizzare i loro strumenti in tandem, ma spesso è compito dell’utente coordinare (ad esempio, assicurarsi che le azioni del team dei prezzi siano inserite nel piano dell’inventario).

Blue Yonder fa molte caselle tecnologiche sulla carta: ora incorporano l’apprendimento automatico nella previsione (sfruttando la tecnologia dell’azienda Blue Yonder GmbH acquisita nel 2018, specializzata in intelligenza artificiale per il settore del retail). Affermano di utilizzare “IA spiegabile, apprendimento automatico e persino IA generativa” in varie applicazioni ²⁹. Certamente hanno algoritmi avanzati per cose come ottimizzazione del rifornimento, allocazione, ecc., sviluppati nel corso di decenni. Ma bisogna essere scettici perché Blue Yonder ha anche molto debito tecnico. Molti dei loro algoritmi principali sono stati sviluppati negli anni ‘90 o nei primi anni 2000 da i2 Technologies o JDA. Sono stati migliorati, sì, ma fino al recente riscritto cloud, gran parte funzionava su architetture obsolete (alcune soluzioni necessitavano di database Oracle, ecc.). Quindi quando Blue Yonder promuove la “pianificazione cognitiva basata su ML”, bisognerebbe chiedersi: è davvero una nuova tecnologia o solo un nuovo marchio? Ad esempio, la loro pianificazione della domanda potrebbe ora utilizzare ML per stimare gli incrementi previsionali per le festività, il che è buono, ma l’architettura sottostante sfrutta veramente la potenza di calcolo cloud di oggi, o è limitata dall’essere adattata in un sistema legacy?

Un problema storico concreto: Blue Yonder (JDA) ha acquisito i2 Technologies nel 2010. i2 era noto per soluzioni pesanti sull’ottimizzazione, ma anche per implementazioni fallite a volte. Famosamente, dopo che JDA ha acquistato i2, Dillard’s (un grande magazzino) ha vinto una causa per $246M sostenendo che il software di i2 non ha mantenuto le promesse ^{30 31}. Questo è stato un grosso colpo - essenzialmente il software e il progetto sono falliti così male che il cliente ha ottenuto danni che superavano di 30 volte ciò che aveva pagato per il software. Quella saga, sebbene 15 anni fa, mette in evidenza che anche i fornitori altamente reputati possono avere grossi errori se la tecnologia promette troppo o non viene implementata correttamente. Blue Yonder ha dovuto assorbire quel costo e ha imparato lezioni (si spera). Sottolinea perché manteniamo lo scetticismo: i grandi fornitori potrebbero vantare “prodotti di classe mondiale” ma esistono prove che non funzionano come pubblicizzato in alcuni casi. Ogni fornitore ha fallimenti; Blue Yonder almeno ne ha avuto uno trascinato davanti ai tribunali pubblici.

Per merito di Blue Yonder, sono diventati più aperti nell’affrontare i problemi. Nel loro summit dei partner del 2023, hanno discusso apertamente dei “progetti rossi” (implementazioni problematiche) e hanno scoperto che le cause principali non erano gli algoritmi in sé, ma “la gestione del cambiamento inefficace e i problemi con la migrazione/integrazione dei dati” ²³. Hanno notato che ottenere i dati corretti e supportare il cliente nell’adattamento dei processi erano cruciali. Questa introspezione è positiva - significa che Blue Yonder non è cieco sul motivo per cui i progetti falliscono. Si allinea anche con il nostro tema di analisi generale: spesso non è che la matematica sia sbagliata, è che l’integrazione nel mondo reale è difficile. Il fatto che Blue Yonder individui le sfide dell’integrazione dei dati è significativo: riflette la complessità della loro suite. Perché se i loro moduli fossero veramente integrati in modo trasparente, la migrazione dei dati non sarebbe un tale problema. Il fatto che lo sia implica che i clienti potrebbero aver dovuto fare una riconciliazione dei dati importante per utilizzare l’intera suite. Il livello dati unificato di Snowflake mira a risolvere questo, ma come detto, è ancora presto.

Esaminiamo le capacità attuali di Blue Yonder per uno scenario di eCommerce:

• Previsione della domanda: Blue Yonder Luminate Demand (specialmente con Demand Edge) utilizza l’apprendimento automatico per incorporare molti fattori (meteo, eventi, prezzi). Si sono orientati anche verso previsioni probabilistiche; almeno supportano l’uso di intervalli di confidenza o quantili nella pianificazione. Un esempio dal loro blog: non utilizzano l’IA solo per sovrapporre fattori su una base, ma per ricostruire la previsione da zero ogni giorno utilizzando i dati più recenti, contabilizzando automaticamente cose come spostamenti del calendario e autocorreggendosi man mano che arrivano nuovi dati effettivi ^{32 33}. Affermano che questo elimina la necessità per i pianificatori di mantenere aggiustamenti manuali o profili per la stagionalità - il modello li apprende e si adatta ³³. Questo è molto in linea con le pratiche di previsione all’avanguardia. L’approccio di Blue Yonder qui è valido in teoria: apprendimento continuo, riconoscimento dell’incertezza (parlano del rischio di sovra/sotto-previsione e dei trade-off di costo ³⁴), e utilizzo di ML per rilevare relazioni complesse (come il modo in cui diversi tipi di tempo o promozioni guidano la domanda, senza che un umano codifichi esplicitamente tali relazioni).
• Piattaforma: Questo è da tempo un punto di forza di JDA/Blue Yonder. Offrono ottimizzazione dell’inventario multi-ecolone (MEIO), il che significa che possono ottimizzare i livelli di stock tra i DC e i centri di adempimento per l’e-commerce, considerando lead time, variabilità della domanda, ecc., per raggiungere livelli di servizio target. Gli strumenti di Blue Yonder possono generare quantità di ordine consigliate, scorte di sicurezza, e così via. Storicamente, questi algoritmi erano più basati su regole/euristiche o utilizzavano la programmazione lineare per problemi specifici. Probabilmente ora vengono integrati con previsioni basate su ML, ma l’ottimizzazione di base è probabilmente una combinazione di ricerca operativa e simulazione. BY può certamente gestire la pianificazione di SKU su larga scala; molti rivenditori Fortune 500 hanno utilizzato JDA per il rifornimento dei negozi, che è analogo in scala a un grande magazzino di e-commerce che fornisce ai clienti.
• Assortimento: Blue Yonder ha strumenti di category management che aiutano a decidere gli assortimenti (quale mix di prodotti in quali negozi). Per un player solo di e-commerce, la pianificazione dell’assortimento potrebbe significare decidere quali nuovi prodotti elencare o eliminare. Gli strumenti di BY possono utilizzare attributi e dati sulle prestazioni per valutare i cambiamenti nell’assortimento. Tuttavia, questo è tipicamente un processo strategico periodico, non continuo.
• Ottimizzazione dei prezzi: Con l’acquisizione di Revionics, Blue Yonder ha ottenuto un robusto motore di ottimizzazione dei prezzi che è ampiamente utilizzato nel retail (specialmente nelle catene alimentari e di articoli vari) per impostare prezzi base, sconti promozionali e sconti. Revionics utilizza l’IA per modellare l’elasticità dei prezzi e persino gli impatti dei prezzi della concorrenza, quindi consiglia cambiamenti di prezzo che raggiungono obiettivi come la crescita del margine o del fatturato, considerando regole sui prezzi (ad esempio, finire i prezzi in .99, ecc.). Come parte di Blue Yonder, Revionics è ora conosciuta come Luminate Pricing. In teoria, quel motore, combinato con le previsioni della domanda di Blue Yonder, chiude il cerchio - è possibile simulare come un cambiamento di prezzo influenzerà la domanda e l’inventario, e scegliere un prezzo ottimale. Blue Yonder commercializza questo come “prezzi autonomi alimentati dall’IA”, in grado di funzionare tutte le volte necessarie (anche intraday per l’e-commerce se desiderato).

Una grande domanda: Quanto bene funzionano effettivamente insieme queste componenti oggi? Blue Yonder afferma che sì. Ad esempio, potrebbero dire che la loro soluzione di pricing può ricevere previsioni dalla loro soluzione di domanda e produrre prezzi che la soluzione di inventario utilizza per pianificare gli ordini. Ma se tali integrazioni non sono in tempo reale o richiedono lavori IT personalizzati, il loop potrebbe non essere così stretto come ci si augurerebbe. Realisticamente, un utente di e-commerce di Blue Yonder nel 2023 potrebbe utilizzare lo strumento di pricing separatamente dallo strumento di fornitura, forse con aggiornamenti settimanali batch dell’elasticità prevista. Questa è una pianificazione congiunta, ma non il Santo Graal dell’ottimizzazione congiunta istantanea.

Sulle rivendicazioni di AI/ML, Blue Yonder a volte soffre di un eccesso di parole di moda nel marketing. Utilizzano termini come “cognitivo”, “guidato dall’apprendimento automatico”, ecc. Dovremmo verificare se c’è sostanza. C’è qualche evidenza di sostanza: ad esempio, Blue Yonder (originariamente la controllata tedesca) aveva sviluppato algoritmi che erano stati pubblicati (il loro team ha vinto una competizione precoce di previsione al dettaglio nel 2014 utilizzando reti neurali). Inoltre, il portafoglio brevetti di Blue Yonder è ampio (oltre 400 brevetti) indicando molta R&S ³⁵. Tuttavia, la quantità di brevetti non equivale alla qualità del prodotto - mostra solo che hanno provato molte tecniche. La prospettiva scettica è chiedere a Blue Yonder risultati specifici: ad esempio, hanno partecipato a M5 o a qualche benchmark neutrale? Non pubblicamente. Ci sono studi di caso con numeri concreti prima/dopo? Ne hanno alcuni, ma spesso gli studi di caso dei fornitori sono positivi e mancano di chiarezza sui dati di base. Blue Yonder afferma cose come “Il rivenditore X ha visto un aumento del profitto del Y% utilizzando il nostro pricing” - ma senza contesto, è solo marketing.

Bisogna anche considerare il costo e la complessità con Blue Yonder. Si tratta di sistemi aziendali complessi. L’implementazione può richiedere molti mesi o anni e coinvolgere non solo la configurazione del software ma anche la ridisegnazione dei processi aziendali. Blue Yonder richiede tipicamente i loro servizi professionali o una società partner per l’implementazione. Il costo totale di proprietà può essere molto elevato (licenza + servizi + IT). Per un giocatore di e-commerce puro, specialmente uno di medie dimensioni, Blue Yonder potrebbe essere eccessivo o troppo lento da implementare rispetto a soluzioni SaaS più agili. Anche le grandi aziende a volte si tirano indietro: un evento significativo nel settore è stato Lidl (il grande rivenditore globale) che ha cancellato un progetto SAP da €500M nel 2018 dopo che non ha soddisfatto le esigenze ³⁶. Quello era SAP, non Blue Yonder, ma illustra che progetti enormi possono fallire, consumando budget enormi. I progetti di Blue Yonder sono altrettanto complessi; infatti, il loro partner JBF Consulting ha notato che il concorrente Manhattan Associates ha adottato un approccio diverso (richiedendo una reimplementazione per la loro nuova piattaforma), mentre BY sta cercando una migrazione più dolce ³⁷. Il fatto che Manhattan abbia scelto un percorso “reimplementare per passare a nuove tecnologie” suggerisce che queste transizioni non sono banali. Blue Yonder sta cercando di evitare aggiornamenti da incubo evolvendosi lentamente - ma questo significa anche che i clienti potrebbero trovarsi su tecnologie non del tutto moderne ora, in attesa delle novità.

Da un punto di vista dell’automazione, Blue Yonder oggi è probabilmente meno automatizzato di quanto Lokad o RELEX mirino ad essere. Molti clienti di BY utilizzano gli strumenti per generare raccomandazioni che i pianificatori poi approvano o modificano. Blue Yonder spinge il concetto di “catena di approvvigionamento autonoma” (specialmente dopo essere stata acquisita da Panasonic nel 2021, parlano di collegare i dati IoT alle decisioni automatizzate) ³⁸. Ma è sicuro dire che gran parte della loro base clienti è ancora in modalità ibrida: fidandosi del sistema per alcune decisioni, sovrascrivendo manualmente altre. Ad esempio, uno scenario comune è che il sistema suggerisca ordini ma un pianificatore esamini le eccezioni (proprio come con RELEX). Oppure il sistema di pricing suggerisce cambiamenti di prezzo, ma un responsabile del merchandising li esamina, forse rifiutando quelli che non si allineano alla strategia del marchio. Il software può fare molto, ma le aziende hanno processi consolidati che non cambiano da un giorno all’altro.

Intelligence competitiva e mercati: La soluzione di pricing di Blue Yonder (Revionics) incorpora dati sui prezzi competitivi - ha una funzione per la risposta competitiva e può assimilare i prezzi dei rivali per regolare i propri ³⁹. Quindi, per il commercio elettronico, se si dispone di un feed di prezzi dei concorrenti, Revionics può includerlo nella sua ottimizzazione (ad esempio, evitando di fissare prezzi superiori a quelli dei concorrenti di più del X% per mantenere l’immagine del prezzo, o abbinando il prezzo più basso dove necessario). Questo è un vantaggio nell’ottimizzazione congiunta dei prezzi. Nei marketplace, Blue Yonder non ha specificamente un modulo di gestione del marketplace come fanno alcuni fornitori specifici per l’e-commerce (come strumenti di tipo channel advisor per Amazon). Quindi si potrebbe utilizzare Blue Yonder per la pianificazione di base ma avere comunque bisogno di un’ulteriore strumento per gestire le tattiche specifiche del marketplace (pubblicità, buy-box, ecc.). Questo è al di fuori dello scopo di Blue Yonder e non è una critica nei loro confronti, è solo un’osservazione che l’e-commerce ha sfaccettature che questi fornitori tradizionali non affrontano (Lokad o RELEX non coprono nemmeno le offerte pubblicitarie, ecc., per essere onesti).

Date le dimensioni e il legacy di Blue Yonder, si dovrebbero anche esaminare le contraddizioni interne nella loro comunicazione. Ad esempio, Blue Yonder potrebbe vantare “personalizzazione e pricing in tempo reale” sulla loro piattaforma di commercio, eppure le loro soluzioni di pianificazione storicamente funzionavano su cicli batch (pianificazione notturna, riplanificazioni settimanali, ecc.). Si stanno muovendo verso un uso più in tempo reale dei dati (il loro partenariato con Snowflake è in parte per abilitare la condivisione dei dati quasi in tempo reale). Ma se un fornitore afferma “pricing dinamico e ottimizzazione dell’inventario in tempo reale”, chiediti: intendono che il sistema ricalcoli continuamente, o solo che può rispondere rapidamente se attivato? E hai veramente bisogno di un tempo reale per le decisioni di assortimento? Probabilmente no - è più strategico. Quindi un orecchio critico coglierà quando il linguaggio di marketing è incoerente. La vasta gamma di marketing di Blue Yonder a volte cade in quella trappola di promettere tutto (dalla strategia a lungo termine all’esecuzione istantanea). È saggio delineare quali funzioni sono veramente in tempo reale (ad esempio, il loro instradamento del trasporto potrebbe reagire a un ordine in pochi minuti) rispetto a quali sono intrinsecamente batch (come la pianificazione degli assortimenti è stagionale).

Preoccupazione per i costi di Snowflake: Dovremmo sottolineare un punto sottile ma importante: Blue Yonder che si basa su Snowflake potrebbe cambiare il modello di costo per i clienti. Invece delle tradizionali licenze, i clienti potrebbero finire per pagare per l’uso del cloud (crediti Snowflake) basato sul volume dei dati e sulla frequenza delle query. Se le app di Blue Yonder fanno un intenso lavoro su Snowflake, la bolletta di Snowflake del cliente potrebbe aumentare. Questo è analogo al vecchio sistema di fatturazione dei mainframe IBM per MIPS - si paga di più quanto più lo si utilizza, il che può disincentivare l’utilizzo completo del sistema. Blue Yonder e Snowflake presumibilmente concordano su alcuni prezzi, ma l’utente dovrebbe fare attenzione allo “schock della bolletta” se gli scenari di pianificazione vengono eseguiti molto spesso su grandi quantità di dati. È una considerazione molto reale perché la pianificazione della supply chain può essere intensiva dal punto di vista computazionale (specialmente se si fanno simulazioni di scenari o calcoli probabilistici). Un processo inefficiente su Snowflake potrebbe consumare molti crediti. È probabile che Blue Yonder abbia pensato a questo (devono farlo funzionare commercialmente), ma è qualcosa di cui essere consapevoli. Un modello di costo non allineato al valore aziendale (come addebitare in base ai dati elaborati piuttosto che all’esito) ricorda le insidie delle ere precedenti.

In conclusione, Blue Yonder è classificato appena sotto le soluzioni più recenti puramente dedicate nel fornire la visione “next-gen”. Indubbiamente ha una ricca funzionalità e molte implementazioni di successo, ma da un punto di vista scettico e tecnico, vediamo un’azienda in transizione. Stanno cercando di modernizzarsi e nel farlo parlano bene di intelligenza artificiale, integrazione e automazione. Tuttavia, fino a quando quella trasformazione non sarà completamente realizzata, i clienti dovrebbero essere cauti riguardo alle lacune tra i moduli e lo sforzo reale richiesto per ottenere i risultati promessi. Lo strumento di Blue Yonder può certamente supportare le operazioni di eCommerce (molti grandi rivenditori con attività omnicanale utilizzano BY anche per il loro lato e-commerce), e la sua ampiezza è senza pari (nessun altro fornitore ha una portata così ampia, inclusi aspetti come la logistica). Tuttavia, se un’azienda di eCommerce ha solo bisogno di ottimizzazione della domanda e dell’offerta, Blue Yonder potrebbe essere troppo pesante a meno che non abbiano specificamente bisogno di quella robustezza aziendale o lo utilizzino già in altri settori. Il nostro studio scettico trova le affermazioni di Blue Yonder di essere all’avanguardia un po’ dubbie fino a prova contraria - la tecnologia ha una lunga tradizione, ma il peso è su di loro per dimostrare che il software vecchio di decenni è veramente diventato “AI-first” e unificato. Al momento, consigliamo di considerare Blue Yonder come un’opzione potente ma ingombrante, da scegliere se si ha bisogno di una soluzione molto estesa e si hanno le risorse per implementarla, e forse non la prima scelta se l’agilità e un rapido ROI sono le priorità principali.

4. ToolsGroup - Pioniere dell’ottimizzazione dell’inventario che si espande al settore del retail

ToolsGroup è un veterano nel settore della pianificazione della supply chain, noto in particolare per la sua esperienza nella previsione della domanda e nell’ottimizzazione dell’inventario. La sua soluzione principale, storicamente chiamata SO99+ (Service Optimizer 99+), era ampiamente utilizzata per la pianificazione dell’inventario basata sul livello di servizio e l’ottimizzazione multi-ecellente. In termini più semplici, ToolsGroup eccelleva nel aiutare le aziende a determinare “qual è il minimo inventario di cui ho bisogno in ciascuna posizione per raggiungere un livello di servizio X?” in condizioni di incertezza - un problema critico sia per la distribuzione che per l’eCommerce. ToolsGroup è stato tra i primi a implementare la previsione probabilistica commercialmente, e ha a lungo sostenuto il passaggio dalle previsioni deterministiche all’utilizzo della distribuzione completa della domanda ^{40 2}. Questo approccio è molto allineato con ciò che consideriamo all’avanguardia oggi (e che altri fornitori hanno successivamente adottato).

In un contesto di eCommerce, la forza di ToolsGroup significa che può gestire elevati conteggi di SKU con domanda erratic e comunque produrre obiettivi di stock ottimali. Molti rivenditori online hanno articoli “a lunga coda” che vendono raramente - i modelli probabilistici di ToolsGroup sono naturalmente adatti alla pianificazione di questi (catturando la natura sporadica della domanda anziché mediandola in modo errato). Gestiscono anche nuove introduzioni di prodotti, stagionalità e promozioni tramite i loro modelli di previsione che incorporano l’apprendimento automatico. Ad esempio, potrebbero utilizzare analogie (trovare la storia di un articolo simile) o modellazione basata su attributi per prevedere un nuovo SKU.

Mentre ToolsGroup in passato era concentrato sull’inventario e sulla domanda, negli ultimi anni ha riconosciuto che prezzi, promozioni e assortimento sono elementi complementari che non offriva. Per affrontare questo problema, ToolsGroup ha acquisito un’azienda chiamata JustEnough nel 2018/2019 (JustEnough è stata successivamente parte di Mi9 Retail e poi venduta a ToolsGroup). Il software di JustEnough copriva pianificazione finanziaria della merce, pianificazione dell’assortimento, allocazione e ottimizzazione delle riduzioni di prezzo - essenzialmente funzioni di merchandising al dettaglio, inclusi sconti sui prezzi. Con questa acquisizione, ToolsGroup ha ampliato la sua presenza dall’ambito puramente della supply chain a quello che potremmo definire pianificazione al dettaglio. Ora commercializzano un pacchetto integrato che può fare tutto, dalla pianificazione di alto livello all’esecuzione, con la combinazione delle capacità di SO99+ e JustEnough.

Tuttavia, l’integrazione di questi prodotti è un punto chiave di scetticismo. Unire due piattaforme software diverse non è banale. ToolsGroup ha lavorato per integrare i modelli di dati (hanno menzionato di avere “lo stesso modello di dati per la pianificazione tattica e operativa” per garantire una sola versione della verità ⁴¹). Hanno persino lanciato qualcosa chiamato “Real-Time Retail” che collega il sistema di pianificazione di JustEnough con un Inventory Hub per ottenere feed di dati quasi in tempo reale ^{42 43}. L’idea è che mentre avvengono le vendite (o mentre l’inventario si sposta), quegli eventi fluiscono istantaneamente nel sistema di pianificazione, e può ripianificare l’allocazione o il rifornimento al volo. Questo suggerisce che ToolsGroup sta cercando di abilitare una pianificazione più dinamica e continua piuttosto che cicli periodici fissi - un obiettivo simile ad altri fornitori moderni.

Ma analizziamo questo: il fatto che ToolsGroup chiami la loro soluzione “Real-Time Retail, l’unica soluzione che risponde al comportamento degli acquirenti nel momento” ⁴² è una forte affermazione. Fondamentalmente implica che possano adattare il piano non appena qualcosa cambia. Forse il sistema può attivare automaticamente un trasferimento di magazzino o accelerare un ordine se le vendite aumentano inaspettatamente oggi. Se fosse vero, sarebbe potente - si confondono pianificazione ed esecuzione. Tuttavia, il punto di vista scettico è che “real-time” è probabilmente limitato a determinate funzioni (come la riallocazione dell’inventario, che è più facile da fare rapidamente) e non ad altre (come ottimizzare completamente un assortimento, cosa che non si farebbe in tempo reale). È anche importante notare che ogni fornitore sta utilizzando “real-time” nel marketing ora (spesso significando un aggiornamento ogni pochi minuti o ogni ora, il che va bene). La stessa CEO di ToolsGroup ha sottolineato che i rivenditori devono cambiare rapidamente per evitare l’erosione del margine quando la domanda cambia ⁴⁴, il che è vero. Il sistema calcola automaticamente e raccomanda ordini o trasferimenti non appena arrivano nuove informazioni ⁴⁵.

Presumendo che ToolsGroup abbia integrato efficacemente JustEnough, un utente del loro sistema potrebbe, ad esempio, pianificare un assortimento per negozio o canale utilizzando il modulo JustEnough, quindi farlo alimentare negli obiettivi di inventario in SO99+, e pianificare anche la determinazione dei prezzi di sconto per i prodotti in fase di fine vita utilizzando la loro ottimizzazione. Questo copre gli aspetti di ottimizzazione congiunta - specialmente se le previsioni della domanda e i parametri di inventario tengono conto del programma di sconti pianificato. È ancora possibile che sia un processo sequenziale (prima decidere i saldi, poi vedere l’esito dell’inventario) a meno che non abbiano costruito un modello di ottimizzazione combinato (cosa improbabile su quella vasta scala). Ma è una soluzione unificata in termini di flusso di dati.

Dove ToolsGroup soddisfa chiaramente i criteri dello stato dell’arte è nella previsione probabilistica e nell’ottimizzazione del livello di servizio. Hanno martellato per anni che le previsioni a singolo numero non sono sufficienti e bisogna pianificare con probabilità. Ad esempio, non produrranno solo “domanda prevista = 100” ma una curva che mostra che c’è una probabilità del 10% che la domanda sia >120, ecc. Quindi la loro ottimizzazione utilizza questo per decidere i livelli di stock in modo che, ad esempio, il 95% delle volte la domanda possa essere soddisfatta ^{46 47}. Questo approccio gestisce intrinsecamente l’incertezza e persino la cannibalizzazione in parte (specialmente se si utilizza il loro modello per articoli correlati). Un aspetto interessante: ToolsGroup spesso ha sostenuto che utilizzare la previsione probabilistica può prolungare la vita dei sistemi di pianificazione ERP legacy (come SAP APO) fornendo loro informazioni migliori ^{1 48}. Questo sottolinea che il differenziatore di ToolsGroup era principalmente nella matematica della previsione e dell’inventario piuttosto che in un’interfaccia utente di pianificazione all-in-one.

Ora, che ne dici di automazione e facilità d’uso? Tradizionalmente, ToolsGroup era più un “motore di backend” con un’interfaccia utente un po’ goffa, secondo alcuni utenti. Hanno migliorato l’interfaccia (nuova interfaccia web, ecc.). Ma, cosa più importante, enfatizzano l’automazione nella pianificazione. I loro materiali affermano, ad esempio, che “l’automazione integrata riduce il carico di lavoro della pianificazione fino al 90%” ⁴⁹. Citano spesso anche clienti che hanno ottenuto una “riduzione del carico di lavoro del pianificatore del 40-90%” e una “riduzione dell’inventario del 20-30%” dopo aver utilizzato ToolsGroup ^{50 51}. Sono numeri significativi. La pretesa di riduzione dell’inventario è plausibile se un’azienda era molto inefficiente prima o teneva buffer eccessivi a causa della mancanza di fiducia nelle previsioni. La riduzione del carico di lavoro del pianificatore implica che il sistema stia facendo molto più automaticamente. Questo è in linea con ciò che ci si aspetta: un sistema probabilistico dovrebbe ridurre gli interventi d’emergenza (poiché si pianifica per l’incertezza, ci sono meno sorprese, quindi i pianificatori non devono fare così tanti interventi o riallocazioni manuali di stock all’ultimo minuto). Tuttavia, uno scettico noterebbe che una riduzione del carico di lavoro del 90% è probabilmente il massimo (forse un caso in cui un’azienda è passata da 10 pianificatori a 1 dopo l’implementazione - possibile ma non tipico). E 20-30% in meno di inventario potrebbe essere il risultato di un’azienda che inizialmente teneva troppo “giusto nel caso”. Nella supply chain, una volta ottimizzata, si vedono spesso riduzioni del 10-15% se le cose andavano moderatamente bene prima. Quindi sospettiamo che gli intervalli pubblicizzati da ToolsGroup ⁵⁰ siano scenari ottimali. È istruttivo che li presentino come intervalli - implica che i risultati variano ampiamente per cliente.

Una cosa che gioca a favore di ToolsGroup è la stabilità e la specifica focalizzazione. Fanno ottimizzazione della supply chain da 30 anni (fondata nel 1993). Non sono grandi come Blue Yonder o alla moda come RELEX, ma hanno una base di clienti fedeli e una profonda esperienza nel settore. Per un’azienda di eCommerce principalmente interessata alla redditività dell’inventario - cioè, evitare di avere troppi stockout o eccessi di magazzino - la soluzione di ToolsGroup è molto matura. La loro ottimizzazione multi-ecellente potrebbe essere particolarmente vantaggiosa per i rivenditori online con più centri di adempimento o quelli che tengono anche scorte in magazzini 3PL, ecc. Spingerà adeguatamente l’inventario dove è più necessario mantenendo i buffer centrali snelli.

Tuttavia, il punto debole di ToolsGroup era l’ottimizzazione dei prezzi. L’acquisizione di JustEnough ha dato loro ottimizzazione delle svalutazioni (decidere gli orari degli sconti per lo svuotamento). Questo è utile per l’eCommerce con prodotti stagionali o di moda. Ma mancano ancora di una vera ottimizzazione dei prezzi dinamici come quella che hanno Revionics/Blue Yonder o alcuni fornitori specializzati di prezzi. L’ottimizzazione delle svalutazioni riguarda i prezzi di fine vita o promozionali. L’ottimizzazione regolare dei prezzi quotidiani (per margine o posizionamento competitivo) non è un punto forte ben noto di ToolsGroup. Potrebbero avere capacità di base o sfruttare partner. Questo significa che se l’ottimizzazione congiunta dei prezzi + inventario è una priorità, ToolsGroup potrebbe non essere forte come Blue Yonder o RELEX che hanno motori di prezzi dedicati. ToolsGroup potrebbe comunque ottimizzare l’inventario assumendo un determinato prezzo, ma non ti dirà il prezzo migliore da impostare per massimizzare il profitto (a parte scenari di svalutazione di fine vita). Questa è una distinzione importante: la loro “ottimizzazione” è principalmente orientata all’offerta (livelli di stock, rifornimento) piuttosto che alla modellazione della domanda (prezzi, promozioni) - nonostante l’aggiunta di alcuni strumenti di modellazione della domanda tramite acquisizione.

In termini di stack tecnologico, ToolsGroup offre ora un’opzione cloud SaaS e posiziona persino alcune delle sue offerte con nomi accattivanti come “Inventory Hub” e “Fulfill.io”. Questo dimostra che stanno cercando di modernizzarsi e forse di attrarre un mercato più ampio, comprese le aziende di e-commerce di medie dimensioni. Il motore sottostante utilizza ancora metodi statistici avanzati e probabilmente C++ o simili per i calcoli. Non abbiamo sentito di ToolsGroup che incontra ostacoli prestazionali; hanno referenze di clienti con milioni di combinazioni SKU-località. Se c’è qualcosa, il tallone d’Achille di ToolsGroup potrebbe essere che è visto come uno “strumento per ottimizzatori” - potente ma che richiede configurazione da parte di esperti. Hanno cercato di semplificare con più ML pronti all’uso. Ad esempio, incorporano demand sensing (utilizzando tendenze a breve termine per regolare le previsioni) e affermano di utilizzare il machine learning per identificare quali fattori influenzano di più la domanda ⁵². Hanno anche smontato un mito nel loro blog secondo cui le previsioni probabilistiche non possono essere regolate dagli esseri umani - chiarendo che possono incorporare il giudizio, ma il calcolo terrà conto del bias storicamente ⁵³. Questo riflette un approccio equilibrato: non rimuovono completamente l’elemento umano, ma guidano l’umano con informazioni migliori.

Effetti di cannibalizzazione: Il modello probabilistico di ToolsGroup può, se configurato, catturare la cannibalizzazione (ad esempio, se si inserisce una relazione di sostituzione, possono modellare scenari in cui se un articolo è esaurito, parte della domanda si sposta su un altro). Tuttavia, questo probabilmente richiede sforzo per stabilire relazioni o utilizzare il loro ML per raggruppare gli articoli. Non è chiaro quanto automatico sia questo. Ma ToolsGroup ha sottolineato il trattamento di “coda lunga, domanda intermittente e più canali” in un blog del 2017, dicendo fondamentalmente che queste condizioni rompono gli strumenti tradizionali e richiedono metodi probabilistici ⁵⁴. Menzionano specificamente “più canali di mercato, con domanda aggregata proveniente da più flussi” come uno scenario in cui le previsioni a numero singolo si rompono, suggerendo che la loro soluzione gestisca meglio i multi-canali ⁵⁴. Quindi un rivenditore online che vende sul proprio sito web e su Amazon, ad esempio, potrebbe utilizzare ToolsGroup per pianificare la domanda combinata. Lo strumento produrrebbe una previsione totale e forse ti consentirebbe di allocare l’inventario per canale in modo ottimale (anche se l’allocazione del canale è spesso più semplice quando tutto viene spedito dagli stessi centri di adempimento, ma nel caso di pool di stock separati, è importante).

Un aspetto da tenere d’occhio con ToolsGroup (come con qualsiasi fornitore di suite acquisito) è la coerenza dell’esperienza utente. Sono i moduli di previsione, inventario e assortimento tutti in un’unica interfaccia utente ora, o sembra di saltare tra sistemi? Hanno lavorato per unificare l’interfaccia, ma sarebbe necessario il feedback degli utenti. Non è così unificato come la piattaforma singola di RELEX costruita internamente, presumibilmente.

In termini di track record, ToolsGroup ha molti casi di studio di successo, evidenziando spesso la riduzione dell’inventario e il miglioramento del livello di servizio. Non hanno un grande fiasco noto pubblicamente come hanno fatto SAP o JDA. Sono più piccoli, quindi ogni progetto potrebbe ricevere più attenzione. Detto ciò, poiché spesso vendevano a aziende manifatturiere/distributive, alcuni operatori del settore retail/e-commerce non li conoscono così bene. La loro spinta nel settore retail tramite JustEnough significa che alcuni vecchi clienti di JustEnough ora utilizzano ToolsGroup. JustEnough stesso ha ricevuto recensioni miste (era decente nella pianificazione ma forse limitato in termini di scalabilità - non chiaro). Quindi ToolsGroup ha dovuto rafforzare quei moduli. Come scettici, consiglieremmo di verificare quanto siano realmente integrate le analisi. Ad esempio, il sistema può riconoscere automaticamente che una promozione pianificata nel modulo JustEnough dovrebbe regolare la previsione della domanda in SO99+? Probabilmente sì, avrebbero integrato gli incrementi promozionali. Menzionano che “le intuizioni sul demand sensing aiutano a perfezionare la previsione statistica” ⁵⁵ il che implica che tengano conto di elementi come promozioni o tendenze recenti per regolare le previsioni di base.

Per condensare la valutazione di ToolsGroup: è molto forte nel suo settore originale (previsione e inventario) - probabilmente il migliore della categoria nell’ottimizzazione probabilistica dell’inventario - e si sta allargando per coprire la determinazione dei prezzi e l’assortimento, anche se queste nuove capacità potrebbero non essere ancora all’altezza dei concorrenti specializzati. ToolsGroup soddisfa molti dei nostri criteri all’avanguardia:

• Previsioni probabilistiche? Sì, hanno sostenuto questo ^{46 40}.
• Ottimizzazione economica? Implicitamente sì per l’inventario (ottimizzano i compromessi tra servizio e costo), anche se non in modo esplicito sul profitto come fa Lokad. È più “raggiungere l’obiettivo di servizio con il minimo inventario” che è una forma di ottimizzazione dei costi.
• Scalabilità? In generale sì, nessun campanello d’allarme. E il loro approccio è efficiente (non forza bruta).
• Cannibalizzazione? Possibilmente, tramite modellazione avanzata, ma non è la loro principale rivendicazione di fama.
• Mercato/concorrenza? Non intrinsecamente - gestiresti ciò esternamente o tramite input. ToolsGroup non analizzerà i prezzi dei concorrenti per te o simili.
• Automazione? Sì, elevata. Dopo la configurazione, molte attività di pianificazione possono essere automatizzate con il loro sistema che emette proposte di ordine che i pianificatori devono solo approvare. Esaltano enormi riduzioni del carico di lavoro e minori pregiudizi umani.
• Scetticismo sulle rivendicazioni del fornitore: Il marketing di ToolsGroup è effettivamente un po’ più contenuto rispetto ad altri, a parte quei dati sul miglioramento che abbiamo già preso con cautela. Si concentrano su ciò che fa la tecnologia (i loro blog che educano sulla pianificazione probabilistica sono sostanziali, non solo chiacchiere). Ma ora partecipano al gioco delle parole di moda sull’IA, chiamando tutto “alimentato da IA”. Notiamo però che mantengono un piede nella tradizionale OR (ricerca operativa) e un altro nell’ML, che è un mix salutare.

Un punto di dati esterno: le recensioni delle società di analisi (come Gartner) spesso pongono ToolsGroup in testa per la pianificazione della supply chain, ma potrebbero commentare che la capacità di ToolsGroup è più profonda che ampia, e l’interfaccia utente era storicamente meno moderna. Questo è parzialmente affrontato ora (nuova interfaccia utente, integrazione).

Per un giocatore puro dell’eCommerce, la decisione di optare per ToolsGroup dipenderebbe probabilmente dal fatto che l’ottimizzazione dell’inventario sia il principale problema e se hanno bisogno di una soluzione comprovata, in parte autonoma per questo. Se sì, ToolsGroup potrebbe essere una grande scelta, offrendo rapidi successi nella riduzione delle scorte e nel miglioramento del servizio. Tuttavia, se l’attività di eCommerce sta anche cercando di ottimizzare pesantemente i prezzi o di attuare strategie di markdown omnicanale all’avanguardia, ToolsGroup potrebbe non essere altrettanto ricco di funzionalità come un Blue Yonder o RELEX o uno strumento di determinazione dei prezzi dedicato. Potrebbe richiedere l’accoppiamento con un’altra soluzione di determinazione dei prezzi, il che comporta sfide di integrazione. (Interessante notare che ToolsGroup potrebbe non opporsi a questo - storicamente a volte coesistevano con altri, concentrandosi sull’inventario mentre un altro sistema si occupava della determinazione dei prezzi.)

In conclusione, ToolsGroup si posiziona come un fornitore tecnologicamente solido, specializzato diventato suite. Apprezziamo la sua rigorosa ingegneria nella previsione e il suo affrontare senza mezzi termini dell’incertezza (hanno da tempo confutato il problema “la previsione è sempre sbagliata” pianificando con probabilità). Rimaniamo cauti sull’espansione recente: se i loro moduli retail appena integrati funzionano allo stesso livello del loro core. La contraddizione interna che osserviamo è la loro affermazione di essere ora completamente integrati - se emergono crepe (come la necessità di esportare/importare manualmente i dati tra i moduli), ciò minerebbe la presentazione. Ma per quanto riguarda le informazioni disponibili, ToolsGroup sembra offrire un’esperienza più unificata dopo JustEnough. Si allineano persino alla tendenza dell’uso dei dati in tempo reale nella pianificazione, il che è lodevole.

Infine, proprio come abbiamo fatto con gli altri: scrutinio delle affermazioni dei fornitori per ToolsGroup. Quando dicono, ad esempio, “disponibilità del prodotto superiore al 90%, riduzione dell’inventario del 20-30%, riduzione del carico di lavoro del 40-90%” ^{50 51} - un sano scetticismo è vedere questi risultati come raggiungibili ma non garantiti. Quei numeri probabilmente provengono da clienti diversi ognuno raggiungendo uno di quei risultati elevati, non un cliente che li raggiunge tutti contemporaneamente. Nessuno dovrebbe aspettarsi che il proprio inventario diminuisca del 30% mentre il servizio sale al >90% e i pianificatori vengono ridotti del 90% tutto in una volta. La realtà di solito comporta compromessi e miglioramenti incrementali. La metodologia di ToolsGroup può assolutamente portare a miglioramenti significativi, ma consigliamo di stabilire obiettivi realistici e misurare man mano. La buona notizia è che il focus di ToolsGroup sugli esiti misurabili (percentuale di servizio, valore dell’inventario) si adatta a un approccio basato sulla ricerca della verità - è molto chiaro se funziona o meno guardando quei parametri.

---

Tagliare attraverso l’esagerazione: Lezioni e Raccomandazioni

Tra questi fornitori, sono emersi alcuni temi comuni di esagerazione rispetto alla realtà che un decision maker nel settore dell’eCommerce dovrebbe tenere presente:

• Attenzione alle parole di moda: Termini come “guidato dall’IA, cognitivo, percezione della domanda, in tempo reale, autonomo” vengono usati liberamente. Assicurati che siano supportati da capacità concrete. Ad esempio, “percezione della domanda” suona spesso bene - utilizzare le vendite di ieri o le conversazioni sui social media per regolare la previsione di oggi - ma nella pratica potrebbe solo leggermente modificare i numeri ed essere essenzialmente solo una previsione a breve termine. Gli esperti del settore hanno definito la percezione della domanda come possibilmente “mootware” - qualcosa che esiste ma non fornisce materialmente valore oltre a quello che già fa una buona previsione ⁵⁶. Non credere a concetti “vaporware” senza prove. Chiedi al fornitore: cosa fa esattamente la tua IA che il mio processo attuale non può fare, e puoi dimostrarlo? Se dicono “consideriamo 300 fattori”, mettili alla prova su quali di quei fattori influenzino davvero il risultato o se servano solo per fare una bella presentazione.
• Baseline e Benchmark: Stabilisci sempre una chiara base di partenza (ad esempio, i giri di magazzino dell’anno scorso, il tasso di soddisfazione, il margine lordo) e verifica se il fornitore accetterà di misurare il miglioramento rispetto ad essa. Molti affermano miglioramenti percentuali che sembrano enormi ma sono privi di significato senza contesto. Inoltre, cerca qualsiasi partecipazione a benchmark esterni (come competizioni di previsione o case study pubblici con numeri concreti). La competizione M5 è stata uno di quei benchmark che ha separato il grano dalla pula nella previsione - notevolmente, nessuno dei grandi fornitori tradizionali ha pubblicizzato i risultati lì, mentre un giocatore più piccolo (Lokad) lo ha fatto e si è distinto ⁵⁷. Questo ti dice chi ha fiducia nella propria tecnologia.
• Complessità dell’integrazione: Se un fornitore è cresciuto attraverso acquisizioni (Blue Yonder, ToolsGroup), sii cauto con le promesse del tipo “ora è tutto una piattaforma unica”. Spesso ci vogliono anni per integrare veramente. Durante quel tempo, potresti essere efficacemente in uso a sistemi separati con alcune interfacce. Ci possono essere costi nascosti nell’implementazione per collegare le cose. Inoltre, due componenti acquisiti potrebbero non condividere la stessa concezione di determinati dati (ad esempio, uno utilizza intervalli settimanali, un altro giornalieri, o definizioni diverse di gerarchia dei prodotti). Ciò può portare a compromessi o disallineamenti. È saggio parlare con i clienti di riferimento sulla loro esperienza nell’integrare i moduli.
• Struttura dei costi: Valuta non solo i costi di licenza/abbonamento del software, ma anche i costi di esecuzione (se applicabile) e l’infrastruttura richiesta. Come già detto, una soluzione che si basa su qualcosa come Snowflake potrebbe passarti i costi di esecuzione cloud. Oppure una soluzione molto pesante in memoria potrebbe costringerti a utilizzare istanze cloud di alto livello. Un fornitore potrebbe quotare una tariffa di abbonamento più alta ma includere tutti i calcoli; un altro potrebbe essere più economico ma dovresti pagare una grossa bolletta AWS/Azure per il calcolo necessario. Assicurati di confrontare il costo totale di proprietà. Abbiamo menzionato come il modello di Snowflake potrebbe ripetere le insidie del mainframe IBM: stai attento alle tariffe basate sull’uso e richiedi trasparenza ai fornitori che utilizzano quel modello.
• Ogni fornitore ha fallimenti: È importante ricordare che nessun fornitore metterà in evidenza i propri progetti falliti, ma li hanno tutti. L’implementazione è importante quanto lo strumento. Abbiamo visto come anche i migliori fornitori come SAP o i2 (ora sotto Blue Yonder) abbiano avuto fallimenti da milioni di dollari. Spesso le ragioni sono dati scadenti, aspettative non allineate o l’azienda che non adotta gli output del sistema. Quando valuti, chiedi ai fornitori come gestiscono i progetti che non raggiungono gli obiettivi. Hanno esempi (anonimizzati) di lezioni apprese? Blue Yonder ha mostrato un po’ di umiltà nel riconoscere le cause comuni dei fallimenti. Un fornitore che dice “abbiamo un tasso di successo del 100%” non è realistico. Insisti per discussioni su cosa potrebbe andare storto e su come lo mitigano.
• Contraddizioni tra Tempo Reale e Profondità Analitica: Come già detto, alcune analisi (come la pianificazione dell’assortimento su scala di rete) non possono essere veramente in tempo reale: richiedono una notevole elaborazione dei dati e una deliberazione aziendale. Se un fornitore afferma sia “reattività in tempo reale” che “ottimizzazione olistica”, è necessario distinguere quali parti della loro soluzione corrispondono a quale promessa. Ad esempio, ToolsGroup può aggiornare le posizioni dell’inventario in tempo reale, ma la sua ottimizzazione principale potrebbe essere eseguita giornalmente. RELEX può elaborare i dati quasi in tempo reale ma la pianificazione di alcune cose (come l’ottimizzazione dei prezzi basata sull’IA) potrebbe comunque essere un processo batch durante la notte. Comprendi il ritmo di ogni parte della soluzione rispetto alle esigenze della tua azienda. Il tempo reale è cruciale per l’esecuzione (come l’aggiornamento dell’inventario disponibile alla promessa o la determinazione dei prezzi dinamici al volo), ma per le decisioni strategiche, la profondità e la rigore contano più della velocità.
• Sovrascrittura Umana vs Autonomia: Tutti i fornitori affermano un certo livello di autonomia, ma anche che consentono l’input umano. È uno spettro. La domanda chiave: il sistema si imposta per funzionare senza intervento umano con solo eccezioni segnalate, o si imposta per richiedere la revisione dell’utente per ogni decisione? Per veri guadagni di efficienza, vuoi il primo. Un campanello d’allarme è se il fornitore sottolinea quante leve e opzioni di configurazione ha l’utente: questo può segnalare che lo strumento potrebbe aver bisogno di molte attenzioni per ottenere buoni risultati (cosa che contraddice la promessa di automazione). Idealmente, lo strumento dovrebbe autoregolarsi su quelle leve (come Blue Yonder eliminando la necessità di impostare manualmente i profili stagionali utilizzando ML). Fidati ma verifica: durante le dimostrazioni o i test, verifica quanto tweaking manuale è stato necessario per ottenere buoni risultati dalla demo.
• Specifiche di AI/ML: Approfondisci sulle affermazioni di AI del fornitore. Chiedi: stanno utilizzando l’apprendimento automatico per la previsione? Quali algoritmi (se possono dirlo)? Utilizzano librerie open-source (se tutto è proprietario, a volte è un segno che non si sono tenuti al passo con le ultime tecniche; tutte le principali soluzioni di AI incorporano open-source come TensorFlow/PyTorch o almeno algoritmi ben noti). Se un fornitore agita le mani su un “motore AI proprietario” ma non può spiegarlo in termini semplici, sii scettico. Al contrario, se possono articolare ad esempio “utilizziamo il boosting del gradiente per le previsioni di base e un modello di apprendimento per rinforzo per la determinazione dei prezzi”, ciò mostra un investimento concreto nella tecnologia. Inoltre, controlla se il loro team ha pubblicato o partecipato a forum accademici o industriali sui loro metodi: un segno di serietà.

Infine, sottolineiamo una mentalità orientata alla ricerca della verità: insisti sui dati e sui risultati sperimentali piuttosto che sulle promesse allettanti. Se possibile, effettua un pilota o una prova concettuale in cui a ciascun fornitore viene fornito un sottoinsieme dei tuoi dati da prevedere o ottimizzare, e valuta i risultati quantitativamente. Ad esempio, fornisci due anni di storico e lascia che prevedano il terzo anno (per il quale hai dati effettivi) - vedi chi si avvicina di più o chi identifica i modelli di domanda complicati. Oppure fai loro ottimizzare uno scenario e poi simula i costi/risultati del servizio utilizzando la tua domanda effettiva per convalidare. Pochi fornitori si offriranno volontari per una competizione, ma quelli bravi spesso lo faranno perché sostengono la loro scienza. Lokad, ad esempio, si impegna spesso attraverso progetti pilota. Blue Yonder e RELEX a volte fanno fasi di “scoperta” che assomigliano a piloti. Assicurati solo di avere criteri di successo chiari per quelli.

Alla fine, il mercato del software di ottimizzazione del commercio elettronico non manca di autoproclamati “miracoli dell’AI”, ma applicando un profondo scetticismo e richiedendo prove ingegneristiche, si può filtrare il rumore. Questo studio ha scoperto che Lokad è leader nell’innovazione tecnica e nel focus, RELEX nella funzionalità unificata del retail (con un po’ di hype da tenere d’occhio), Blue Yonder nella vastità dell’esperienza (in mezzo a un difficile rinnovo tecnologico) e ToolsGroup nelle specializzate capacità di ottimizzazione (con integrazione in crescita). Ognuno può offrire significativi benefici - ma nessuno è una panacea plug-and-play. La verità è che un’ottimizzazione di successo deriva dall’uso dello strumento giusto e dalla giusta strategia di implementazione. Con le informazioni e i punti di cautela esposti sopra, un’azienda di e-commerce può avvicinarsi a questi fornitori con occhi chiari e fare una scelta basata su fatti e ragionamenti robusti, non solo sull’attrattiva del marketing.

Note a piè di pagina