Software di Ottimizzazione eCommerce

Di Léon Levinas-Ménard

Ultima modifica: 2 febbraio 2025

Introduzione

Il mercato del software di ottimizzazione eCommerce è pieno di audaci affermazioni di magia guidata dall’IA, ma uno sguardo attento sotto il cofano rivela che solo pochi fornitori mantengono davvero la promessa di ottimizzare congiuntamente l’inventario, i prezzi e gli assortimenti con tecnologia all’avanguardia. In questo studio, valutiamo le soluzioni leader per l’eCommerce puro (rivenditori online senza negozi fisici) e classifichiamo i fornitori più rilevanti - tra cui Lokad, RELEX Solutions, Blue Yonder e ToolsGroup - per i loro meriti tecnici e le insidie. 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 dell’IA a scatola nera e bagaglio legacy, rispettivamente. ToolsGroup fornisce una comprovata ottimizzazione dell’inventario basata su solide matematiche ma affronta sfide di integrazione mentre si espande nel pricing e nell’assortimento. In tutto, applichiamo una lente profondamente scettica: tagliando attraverso il fluff del marketing, esaminando criticamente le affermazioni dei fornitori rispetto alle prove indipendenti e mettendo in evidenza le riserve spesso taciute (ad es. la mancanza di ottimizzazione olistica delle decisioni, o la dipendenza da architetture costose). L’obiettivo è un’analisi tecnica guidata da una narrazione che mette la verità sopra l’hype, in modo che i player dell’eCommerce possano capire chi avanza realmente lo stato dell’arte - e chi rimane indietro.

I Criteri Standard Oro: Ottimizzazione Congiunta & Tecnologia Avanzata

Qualsiasi fornitore può vantarsi di AI o big data, ma ottimizzare veramente un’attività di eCommerce richiede il rispetto di un alto standard di criteri tecnici e funzionali. Primo tra tutti è l’ottimizzazione congiunta: la capacità di ottimizzare simultaneamente le decisioni sui livelli di inventario, i prezzi e l’assortimento dei prodotti. Trattare questi aspetti in modo isolato - come fanno molti sistemi più vecchi - è fondamentalmente sbagliato, poiché sono strettamente interdipendenti (il pricing influisce sulla domanda che influisce sull’inventario, i cambiamenti dell’assortimento influenzano entrambi, ecc.). Una soluzione di ottimizzazione eCommerce deve coordinare tutti e tre; ad esempio, potrebbe decidere di tenere meno stock di un prodotto e scontarlo prima se le previsioni rivelano vendite lente, o alzare i prezzi su certi articoli per evitare esaurimenti di stock. Le soluzioni che ottimizzano l’inventario ma ignorano il pricing, o viceversa, lasciano soldi sul tavolo e sono subottimali per progettazione.

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

Previsione probabilistica: Piuttosto che previsioni di domanda a punto singolo, utilizzare distribuzioni di probabilità per catturare l’incertezza della domanda. Questo è fondamentale per l’eCommerce 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 uno stock di sicurezza spesso giudicano erroneamente la reale 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, costo, obiettivi di livello di servizio) e non solo da regole euristiche. Ad esempio, un sistema veramente ottimizzato considererà i margini di profitto e i costi di detenzione 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’incorporamento dei parametri di costo/reddito negli algoritmi.
Scalabilità ed efficienza dei costi: I dati dell’eCommerce 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. Le architetture che ingenuamente mantengono tutto in memoria (RAM) possono diventare proibitivamente costose su larga scala. I design moderni utilizzano saggiamente il cloud computing, ad es. elaborazione distribuita, data store basati su disco e algoritmi efficienti. Una soluzione che necessita di una gigantesca fattoria di server o piattaforme costose (come l’uso eccessivo del data cloud di Snowflake) potrebbe erodere il ROI. Al contrario, un’ingegneria intelligente può elaborare dataset di scala terabyte entro poche ore su istanze cloud di commodity ³ ⁴.
Effetti di cannibalizzazione e sostituzione: Nelle decisioni di assortimento e prezzi, il sistema deve tenere conto dei prodotti che influenzano la domanda reciproca. Ad esempio, se due prodotti sono sostituti stretti, l’eliminazione di uno sposterà la domanda sull’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 attacco. Molti strumenti legacy assumono che la domanda di ogni 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 l’apprendimento automatico sui dati delle transazioni per inferire le affinità dei prodotti).
Impatti del marketplace e della concorrenza: I puri player dell’eCommerce sono spesso influenzati dalle dinamiche del marketplace - ad esempio, la concorrenza su Amazon o eBay, i venditori terzi, ecc. Il software di ottimizzazione dovrebbe idealmente incorporare segnali come i prezzi dei concorrenti o le esaurimenti di stock nel marketplace. Pochi lo fanno bene. È un fronte complesso ma sempre più rilevante: ad es. se un concorrente esaurisce le scorte di un articolo popolare, il tuo sistema dovrebbe rilevare quell’opportunità e adeguare di conseguenza il tuo prezzo o la spesa pubblicitaria. Allo stesso modo, se vendi sia direttamente che sui marketplace, il sistema dovrebbe ottimizzare attraverso i canali (evitando, ad esempio, di sovrastoccare per il tuo sito quando il prodotto si vende tramite Amazon FBA).
Capacità multicanale e omnicanale: Anche senza negozi fisici, un commerciante di eCommerce potrebbe avere più canali online (sito web proprio, marketplace, forse siti regionali). Il motore di ottimizzazione dovrebbe gestire la domanda e l’inventario multicanale in modo olistico - riconoscendo, ad esempio, che l’inventario è condiviso o che le decisioni sui prezzi su un canale potrebbero influenzare un altro. La pianificazione “end-to-end” non è solo un termine di moda; significa che il software vede l’intero quadro (dai fornitori ai clienti, attraverso tutti i flussi di vendita).
Alto grado di automazione (“robotizzazione”): La promessa finale di questi sistemi è la presa di decisioni autonoma. Dovrebbero teoricamente essere in grado di funzionare senza sorveglianza, producendo ordini di rifornimento, aggiornamenti dei prezzi, ecc., senza che gli utenti girino le manopole ogni giorno. In realtà, tutti i fornitori permettono ancora la configurazione dell’utente, ma noi favoriamo quelli che minimizzano la necessità di intervento umano. Diffidate delle soluzioni che si vantano di automazione eppure espongono dozzine di manopole (parametri, fattori di ponderazione, regole) - è una contraddizione interna. La vera automazione deriva dal lasciare che gli algoritmi trovino le impostazioni ottimali, non dal chiedere agli utenti di ricalibrare costantemente. I migliori sistemi utilizzano tecniche come i modelli di auto-apprendimento che si adattano man mano che arrivano nuovi dati, in modo che nel tempo le decisioni rimangano ottimali senza intervento manuale ⁵. Meno “impostazioni driver” un utente deve mantenere, più credibile è l’automazione.
Architettura robusta ed economica: Abbiamo accennato all’efficienza dei costi, ma vale la pena sottolinearlo esplicitamente: alcune soluzioni moderne hanno adottato 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 lavorare su enormi dati su una piattaforma come Snowflake, i costi possono schizzare (simile alla tariffazione basata su MIPS di IBM degli anni ‘90, dove un maggiore uso della CPU significava tariffe esponenzialmente più alte). Una soluzione ideale gestisce i big data con algoritmi intelligenti per mantenere l’uso del cloud (e quindi il costo) ragionevole ⁴. Allo stesso modo, le soluzioni costruite tramite acquisizioni potrebbero finire per essere un patchwork di moduli su diverse pile tecnologiche, portando a pesanti costi di integrazione per il cliente (sia in termini di denaro che di latenza del sistema). Essere nativi del cloud e integrati fin dall’inizio è un vantaggio, ma solo se l’architettura elimina davvero il movimento ridondante dei dati 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 dell’eCommerce, e valutiamo ciascuno rispetto ai benchmark sopra. L’analisi è narrativa nello stile - concentrandosi su come ogni fornitore affronta il problema e dove è giustificato lo scetticismo - piuttosto che una lista di funzionalità. Importante, ci basiamo su prove credibili (e citazioni dirette) ogni volta che è possibile, evitando la trappola comune di prendere per buone le affermazioni dei fornitori.

1. Lokad - Ottimizzazione Quantitativa Unificata con Struttura Probabilistica

Lokad si distingue come un fornitore esplicitamente costruito attorno all’idea di ottimizzazione congiunta utilizzando tecnologie all’avanguardia. A differenza del tradizionale software di supply chain, Lokad non si presenta come un insieme di moduli (previsione, MRP, ecc.) da modificare, ma piuttosto come una piattaforma programmabile dove una logica di ottimizzazione unificata è implementata per ogni cliente. Questo approccio, che chiamano “Supply Chain Quantitativa”, può richiedere più scienza dei dati in anticipo, ma produce una soluzione su misura per ottimizzare tutte le decisioni insieme - inventario, prezzi, rifornimento, tutto in uno. La filosofia di Lokad è che le previsioni sono solo un mezzo per raggiungere un fine; l’obiettivo vero è ottimizzare le decisioni (ad es. quanto acquistare, a che prezzo impostare) considerando tutti i vincoli e i compromessi 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 anche dimostrato le sue capacità nell’arena neutrale delle competizioni di previsione. Nella prestigiosa M5 Forecasting Competition (2020), una squadra di Lokad si è classificata 6ª a livello mondiale su 909 squadre ⁶ - una valida conferma della loro tecnologia dato che M5 si concentrava su dati di vendita al dettaglio granulari (il tipo di dati che le aziende di eCommerce affrontano). Da notare, M5 richiedeva previsioni probabilistiche (quantili), che si allineano con la forza di Lokad. Questo risultato indica non solo una competenza accademica ma anche una rilevanza pratica: le loro previsioni erano tra le migliori, che sottende a qualsiasi ottimizzazione dell’inventario e dei prezzi. Inoltre, l’AD dell’azienda ha sottolineato che oltre un certo punto, i guadagni di precisione della previsione danno rendimenti decrescenti rispetto a una migliore modellazione delle decisioni ⁷. In altre parole, Lokad sottolinea l’ottimizzazione delle decisioni (quantità dell’ordine, allocazioni, ecc.) utilizzando le previsioni probabilistiche, piuttosto che inseguire un piccolo miglioramento nella precisione della previsione che potrebbe non influire materialmente sui risultati. Questa prospettiva è rinfrescante e importante per l’eCommerce: riconosce che gestire cose come le rotture di stock, la domanda intermittente e gli effetti di sostituzione spesso conta più di un piccolo miglioramento percentuale in una metrica di previsione ⁷.

Tecnologicamente, Lokad è all’avanguardia e fortemente orientata all’ingegneria. Hanno costruito la loro propria tecnologia nativa del cloud (incluso un linguaggio specifico del dominio personalizzato chiamato “Envision” per scrivere script di ottimizzazione). Questo stack è progettato per elaborare grandi quantità di dati in modo efficiente ed economico. Ad esempio, il sistema di Lokad elabora regolarmente gigabyte a terabyte di dati dei clienti (ordini, clic, ecc.) in poche ore durante la notte, per produrre decisioni per il giorno successivo ⁸ ³. Per fare ciò, evitano di caricare tutto nella RAM; invece utilizzano file mappati in memoria e archiviazione su disco a colonne, consentendo a set di dati più grandi della memoria di una macchina di essere gestiti in modo trasparente spostandosi su SSD veloci ³ ⁹. Notano esplicitamente che Envision (il loro motore) supporta set di dati più grandi della memoria di tutto il cluster “scaricando intelligentemente su unità NVMe”, e che le operazioni parallelizzabili in modo imbarazzante vengono distribuite automaticamente tra core/macchine ³. L’effetto netto: Lokad può scalare a assortimenti SKU estremamente grandi senza richiedere al cliente di investire in quantità assurde di RAM o apparecchiature specializzate. Infatti, sottolineano la necessità di poca attrezzatura per funzionare - evitando situazioni in cui “fare clic su un pulsante di esecuzione costa centinaia di dollari” in tariffe cloud ⁴. Questo è un punto sottile ma cruciale: li differenzia da alcuni pesanti sistemi aziendali che potrebbero tecnicamente gestire i big data ma a un grande costo. L’approccio di Lokad è più vicino a un pipeline di big data ottimizzato, simile a un Apache Spark o Google BigQuery, ma costruito 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 dei prezzi e dell’assortimento di Lokad non avviene tramite moduli separati ma tramite la stessa logica di ottimizzazione. Poiché la piattaforma è essenzialmente guidata dal codice, si possono modellare le interazioni. Ad esempio, si può scrivere uno script che dice: “per ogni prodotto, considera la domanda probabilistica a diversi livelli di prezzo, tieni conto della disponibilità di stock e del tempo di riordino, poi scegli il prezzo che massimizza il margine atteso meno il costo di detenzione, soggetto a non esaurire troppo spesso lo stock” - questa è una descrizione semplificata, ma illustra che prezzo e inventario possono essere decisi insieme. Se un prodotto è sovrastoccato, il codice potrebbe decidere uno sconto per accelerare le vendite; se è scarso, potrebbe aumentare il prezzo per assegnare 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 adattate ai dati del commerciante.

Gli effetti di cannibalizzazione e sostituzione sono gestiti naturalmente se si forniscono i dati corretti. Ad esempio, si può 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 le rotture di stock passate o i cambiamenti di assortimento) e poi alimentate nell’ottimizzazione. Poiché Envision è un linguaggio di programmazione completo, queste dinamiche complesse della domanda possono essere codificate. La letteratura di Lokad indica che lo fanno attivamente: il sistema “scopre correlazioni tra prodotti, canali e periodi di tempo” e calcola le decisioni di conseguenza, piuttosto che assumere che ogni SKU sia indipendente ¹⁰. Non si basa su una semplice estrapolazione di serie temporali; calcola distribuzioni di probabilità complete per la domanda che tengono conto di promozioni, rotture di stock, cambiamenti di stagionalità, ecc. ¹¹. Catturando questi fattori (incluso quando la domanda è stata persa a causa dell’esaurimento delle scorte), Lokad evita il classico problema dei rifiuti in entrata di previsione su dati di vendita distorti.

Un altro settore in cui Lokad eccelle è l’intelligenza competitiva e l’integrazione di dati esterni. La piattaforma può ingerire qualsiasi dato che è rilevante - ad esempio, i prezzi dei concorrenti, il traffico web, persino i calendari delle campagne di marketing - come segnali di input aggiuntivi. Menzionano esplicitamente la capacità di incorporare “segnali esterni come i prezzi dei concorrenti” e i calendari di marketing, e di sperimentare facilmente nuovi algoritmi o input grazie alla progettazione programmabile ¹². In senso pratico, se un’azienda di eCommerce ha, diciamo, dati raschiati sui prezzi dei concorrenti o sa che il livello di stock di un partner di marketplace è un indicatore, possono inserire tali dati nel modello di Lokad per affinare le decisioni. Questo è molto più flessibile della maggior parte delle soluzioni pronte all’uso che potrebbero gestire solo dati interni. Parla di un approccio “scatola di vetro”: invece di nascondere la logica, Lokad ti permette di personalizzarla. Detto questo, l’approccio di Lokad richiede un “Supply Chain Scientist” per la configurazione - non è un’interfaccia utente point-and-click per un principiante. Questo potrebbe essere visto come uno svantaggio per alcuni; tuttavia, il vantaggio è una soluzione che si adatta esattamente all’azienda e può veramente automatizzare le decisioni date le regole uniche dell’azienda.

Automazione e autonomia: Lokad è probabilmente il più vicino a un pianificatore della supply chain “completamente robotizzato” in questo gruppo. La filosofia è che una volta che gli script (logica) sono impostati e validati, il sistema può funzionare quotidianamente (o intra-giorno) e produrre decisioni consigliate senza intervento umano. Molti utenti di Lokad si fidano effettivamente di esso per produrre ordini di acquisto e suggerimenti di prezzo che i pianificatori poi riesaminano brevemente o addirittura eseguono automaticamente. Poiché il sistema è auto-adattativo (riallena le previsioni ogni giorno con i dati più recenti e ri-ottimizza di conseguenza), non richiede l’aggiustamento manuale dei parametri. Infatti, Lokad critica piuttosto puntualmente l’abitudine dell’industria di sintonizzare senza fine - evidenziano che il loro sistema “non si basa su metodi di serie temporali semplifici” e funziona senza costante “sintonizzazione” manuale da parte degli utenti ¹⁰. Il lavoro pesante di adeguamento per la stagionalità, gli eventi, la domanda erratica è fatto dagli algoritmi, non dai pianificatori che aggiustano le previsioni. Un aspetto chiave è l’azione: Lokad produce decisioni (o raccomandazioni azionabili) piuttosto che semplici diagnosi. Ad esempio, invece di segnalare semplicemente che un certo articolo potrebbe esaurire le scorte (come fanno alcune dashboard “control tower”), raccomanderà direttamente una quantità di ordine o un cambiamento di prezzo per affrontare il problema. Mira a “raccomandare azioni correttive piuttosto che semplicemente lampeggiare un allarme”, che è fondamentale se si desidera un funzionamento non presidiato ¹³. In un ambiente di eCommerce in rapido movimento, un sistema che ti dice semplicemente che c’è un problema non è sufficiente - vuoi che ti dica cosa fare al riguardo, o addirittura che lo faccia. Lokad è costruito per fare quest’ultimo.

Data questa lode, dove dovrebbe uno essere scettico su Lokad? La principale cautela è che l’approccio di Lokad è altamente personalizzato e tecnico. Non è un SaaS plug-and-play dove lo si accende e si vede immediatamente una bella interfaccia utente con tutte le risposte. Richiede un certo livello di maturità dei dati e fiducia nei metodi quantitativi da parte dell’azienda utente. C’è anche una dipendenza implicita dal team di Lokad (“supply chain scientists”) soprattutto durante l’installazione iniziale - effettivamente, agiscono come il tuo team esteso per implementare la soluzione. Questo è un modello diverso da, diciamo, l’installazione di un pezzo di software ben definito. Se un cliente non è preparato a impegnarsi in quel processo collaborativo e pesante di ingegneria, potrebbe avere difficoltà. Tuttavia, questo modello è anche ciò che consente la profondità dell’ottimizzazione. È un classico trade-off: flessibilità e potenza vs. facilità d’uso. Lokad ottimizza chiaramente per potenza e flessibilità.

Da una prospettiva di mercato, la proposta di valore di Lokad sembra particolarmente allineata alle esigenze dell’eCommerce. Le aziende di e-commerce affrontano molte sfide - esaurimento delle scorte, eccesso di scorte, picchi di domanda volatili da promozioni o influencer, ecc. - e spesso ricorrono a strumenti improvvisati (dashboard BI, script Python ad-hoc, ecc.) per colmare le lacune lasciate dal loro ERP o WMS. Lokad si posiziona essenzialmente come il strato specializzato che prende tutti questi segnali e produce un piano quasi ottimale. Si contrappongono esplicitamente agli strumenti semplificati forniti dai mercati o dagli ERP, notando che questi “affrontano solo una frazione” di ciò con cui le aziende di e-commerce devono confrontarsi ¹⁴ ¹⁵. Ad esempio, un mercato Amazon potrebbe darti una previsione della domanda per la prossima settimana - ma non integrerà i tuoi costi di supply chain o il tuo inventario multi-magazzino. La tecnologia di Lokad è progettata per gestire ogni segnale rilevante fino al livello SKU, senza interruzioni, e senza che gli utenti debbano gestire manualmente i fogli di calcolo ¹⁶. Questa è una forte proposta di valore se consegnata come pubblicizzato.

Per riassumere Lokad: Si posiziona in cima alla nostra lista per la sua capacità di ottimizzazione olistica e tecnologia avanzata. Affronta direttamente il criterio di ottimizzazione congiunta - inventario, prezzi e altro possono essere ottimizzati insieme tramite la sua piattaforma programmabile. Sfrutta previsioni probabilistiche e driver economici (stavano facendo previsioni di quantile prima che fosse cool, come dimostrato dal loro successo nella competizione M5 ⁶) 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 memoria a forza bruta ³ ⁴. L’automazione è molto alta, con un minimo di regolazione manuale necessaria e un focus sulla produzione di decisioni, non solo intuizioni ¹³. Lo scetticismo che si potrebbe applicare a Lokad riguarda meno se la tecnologia funziona - le prove suggeriscono che lo fa - ma più se un’organizzazione è pronta ad abbracciare una soluzione così pesante di data science. C’è anche la questione del track record su scale più grandi; Lokad è più piccola di alcuni concorrenti, anche se ha clienti notevoli (ad es. distributori aftermarket industriali, eTailers di moda, ecc., secondo i loro case studies). Data tutta la sopra, Lokad guadagna un posizionamento di primo piano come fornitore di ottimizzazione eCommerce veramente all’avanguardia nel nostro studio.

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

RELEX Solutions è un fornitore nato in Finlandia che è rapidamente salito nel settore della pianificazione al dettaglio, spesso menzionato nello stesso respiro dei giganti legacy 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. Il loro punto di forza principale è stato nel settore alimentare e al dettaglio (incluso il brick-and-mortar), ma commercializzano attivamente anche ai player dell’eCommerce, sottolineando la loro capacità di pianificare attraverso i canali online e offline. Per gli utenti puramente eCommerce, il valore di RELEX risiede nella sua pianificazione end-to-end - garantire il giusto inventario nel posto giusto, con il prezzo e le promozioni giuste, utilizzando algoritmi avanzati per reagire ai cambiamenti della domanda.

RELEX promuove fortemente l’uso di AI e machine learning. Infatti, il suo CEO Mikko Kärkkäinen è un sostenitore convinto dell’ “AI pragmatica” nel retail. Secondo Kärkkäinen, “i sistemi di gestione dell’inventario guidati dall’IA elaborano centinaia di fattori che influenzano la domanda” per aumentare l’accuratezza delle previsioni ¹⁷. Sottolinea addirittura che qualcosa come i dati meteorologici non è un fattore unico, ma * “centinaia di fattori diversi”* (temperatura, umidità, ecc.) che i loro modelli di machine learning considerano ¹⁸. Questo esemplifica l’approccio di RELEX: gettare una rete ampia per i segnali predittivi (meteo, promozioni, festività, tendenze dei social media, ecc.) e utilizzare il ML per correlarli alle vendite. Il vantaggio è che il sistema può rilevare schemi complessi (ad es. come un’improvvisa ondata di calore influisce sulla domanda di certe bevande in combinazione con il fatto che sia un weekend festivo). La visione scettica, tuttavia, è che vantare “centinaia di fattori” potrebbe essere più marketing che miglioramento significativo. Nella previsione, dopo un certo punto, l’aggiunta di 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 essere umano capire un modello che utilizza davvero centinaia di variabili. RELEX cerca di contrastare la preoccupazione della scatola nera promuovendo un approccio * “scatola di vetro”* (trasparenza nell’IA). Hanno parlato di fornire visibilità nelle previsioni e non solo un risultato, permettendo ai pianificatori di vedere i fattori chiave. 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’AI/ML: RELEX è dalla parte di “gettare un sacco di dati al problema e lasciare che gli algoritmi lo capiscano”.

Questo produce risultati? I clienti di RELEX segnalano spesso un miglioramento delle previsioni e meno esaurimenti di scorte, soprattutto in situazioni promozionali e stagionali dove i metodi tradizionali faticavano. Ad esempio, RELEX integra le previsioni meteorologiche e ha dichiarato fino al 75% di riduzione dell’errore di previsione per certi prodotti sensibili al clima durante condizioni meteorologiche insolite ¹⁹. Prendiamo tali affermazioni specifiche con un grano di sale - potrebbero essere scelte a caso. Tuttavia, l’approccio di RELEX probabilmente aggiunge valore nella previsione a breve termine (“sensing della domanda”) aggiustando le previsioni in base alle ultime informazioni. In sostanza, i loro modelli ML stanno continuamente affinando la previsione di base con nuovi segnali di dati. Questo è simile a quello che alcuni chiamano sensing della domanda (utilizzo di dati quasi in tempo reale per aggiornare le previsioni a breve termine). RELEX, nei suoi materiali, fonde il sensing della domanda nella sua previsione ML più ampia piuttosto che trattarlo come un modulo separato. Essi promuovono * “una rielaborazione continua e automatizzata delle previsioni”* man mano che le situazioni cambiano.

Sul fronte dell’ottimizzazione congiunta, quanto bene copre RELEX la prezzi e l’assortimento oltre all’inventario? Storicamente, RELEX era più forte nel rifornimento e nell’allocazione (assicurando che i negozi o i DC non esauriscano le scorte). La pianificazione dell’assortimento (decidere quali prodotti vanno in quali negozi o quali SKU portare) faceva parte anche del loro pacchetto, 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 ²⁰ ²¹. 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 tempismo, ecc., e poi le implicazioni dell’inventario vengono automaticamente considerate. Questo sta sicuramente andando verso l’ottimizzazione congiunta. Tuttavia, non è chiaro se RELEX ottimizza veramente prezzo e inventario insieme o se lo fa ancora in sequenza (prima decide sul prezzo, poi l’inventario si adatta). In un’ottimizzazione congiunta ideale, considereresti i vincoli di inventario quando stabilisci i prezzi (ad esempio, non promuovere aggressivamente un articolo se l’offerta è limitata). La piattaforma integrata di RELEX probabilmente consente un tale pensiero cross-funzionale - ad esempio, il loro sistema noterebbe “non abbiamo abbastanza scorte nel DC per supportare questa promozione in tutti i negozi” e potrebbe segnalarlo o regolarlo. Menzionano l’allineamento dei prezzi e delle promozioni con la supply chain per garantire che i piani siano eseguibili ²². Quindi, RELEX è consapevole della necessità di rompere i silos.

Una prospettiva interna: l’attrattiva di RELEX è che riunisce tutto (domanda, offerta, operazioni) in una sola piattaforma per l’utente. Ad esempio, i pianificatori di merci possono vedere previsioni e vincoli condivisi tra i dipartimenti ²². 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 isolati. Ma la visibilità non è la stessa cosa dell’ottimizzazione completamente algoritmica. Sospettiamo che, mentre RELEX fornisce un’esperienza utente e un modello di dati molto coerenti, parte del processo decisionale potrebbe essere ancora sequenziale. L’ottimizzazione dei prezzi potrebbe produrre un prezzo ideale, poi il modulo dell’inventario pianifica intorno ad esso. L’integrazione stretta garantisce che non si scontrino, ma non sta necessariamente risolvendo un singolo problema di ottimizzazione che massimizza il profitto considerando i costi dell’inventario simultaneamente. Raggiungere quest’ultimo è complesso e non molti fornitori (tranne forse Lokad, come discusso) lo tentano esplicitamente.

Da un punto di vista dell’architettura tecnologica, RELEX è piuttosto avanzata. Hanno costruito il loro motore di database in memoria nei primi giorni (un DB a colonne ottimizzato per serie temporali e dati gerarchici) che ha permesso loro di calcolare previsioni per migliaia di negozi x SKU velocemente. Molti case study citano RELEX che sostituisce fogli di calcolo e sistemi legacy e immediatamente in grado di gestire molta più granularità dei dati (come passare da una pianificazione settimanale a giornaliera, o da una pianificazione specifica per negozio invece di una taglia unica per tutti). Per l’eCommerce, questo significa che RELEX può probabilmente gestire previsioni a livello di SKU per un negozio online globale senza problemi. Hanno implementazioni cloud e possono scalare. Non abbiamo trovato specifiche lamentele sui costi della tecnologia di RELEX; se non altro, si vantano di un calcolo 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 in modo errato, potrebbe richiedere molta RAM - ma è speculativo. In generale, la scalabilità di RELEX non è stata un problema nel mercato; servono enormi catene di supermercati con decine di migliaia di SKU e molti negozi, che è un volume di dati analogo o maggiore di quello che molti e-tailer hanno.

Automazione e il ruolo dei pianificatori: RELEX parla spesso di “pianificazione autonoma” ma anche di “decisioni aumentate”. Non posizionano il loro strumento come una scatola nera che rimuove il pianificatore. Infatti, enfatizzano l’usabilità - ad esempio, la loro interfaccia utente, i cruscotti configurabili e la gestione delle eccezioni. Il sistema genererà automaticamente ordini di acquisto o raccomandazioni di trasferimento, ma di solito un pianificatore le rivede e le approva (soprattutto nelle prime fasi 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 “a causa del caldo, prevediamo un aumento del 50%”). Mikko Kärkkäinen ha dichiarato: “le soluzioni di classe migliore sfruttano l’IA pragmatica e la potenza di calcolo per ottimizzare i compiti… autonomamente senza intervento umano” ²³, e descrive anche “la pianificazione del retail autonoma che è auto-apprendente e auto-regolante rompe i silos” ⁵. Quindi, almeno in visione, RELEX mira a un sistema in gran parte autoguidato. Rimaniamo leggermente scettici sulla piena autonomia qui: i grandi rivenditori che utilizzano RELEX hanno ancora squadre di pianificazione. Ma quelle squadre probabilmente gestiscono per eccezione ora, che è una forma di autonomia parziale.

Una delle contraddizioni da osservare con RELEX (e fornitori simili) è la promessa di estrema flessibilità ed estrema automazione. Affermano che il sistema è molto flessibile (ad esempio, si può 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 manualmente molto, il sistema in pratica potrebbe fare affidamento su quelle impostazioni manuali. Se si fidano veramente dell’IA, dovrebbero dover sovrascrivere sempre meno. Il riferimento di RELEX a “auto-regolazione” implica quest’ultimo - che il sistema avrà bisogno di meno regolazioni 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 dai compiti manuali per concentrarsi su mosse strategiche ²⁴. Tuttavia, una fonte di SelectHub ha recensito che alcuni utenti hanno trovato parti di RELEX “ingombranti” e hanno avuto problemi come la previsione di certi vincoli (limiti di trasporto) che richiedono soluzioni alternative ²⁵. Questo indica che non è tutto magia; gli utenti incontrano ancora 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 ci sono per alcuni (nessun titolo di causa). L’azienda ha generalmente un buzz positivo. Tuttavia, chiacchiere interne anonime a volte menzionano che l’implementazione di RELEX in ambienti molto grandi e complessi può far emergere problemi. Ad esempio, l’integrazione dei dati può essere impegnativa (spazzatura in, spazzatura fuori - se i dati del cliente sono un disastro, RELEX potrebbe produrre piani cattivi, e la colpa va allo strumento o ai dati). Inoltre, la crescita aggressiva di RELEX (hanno imbarcato molti clienti rapidamente) significa che alcuni clienti potrebbero non ottenere la stessa assistenza che, ad esempio, fornisce Lokad. Questo non è una critica al software in sé, ma ai risultati reali: quanti progetti RELEX soddisfano gli KPI promessi? I fornitori amano citare miglioramenti nel caso migliore (“riduzione delle scorte dell’X% al cliente Y!”), ma raramente menzionano i casi in cui i numeri non si sono materializzati. Sospettiamo che RELEX, come tutti i fornitori, abbia avuto alcuni progetti che hanno sottostimato, possibilmente a causa di una cattiva gestione del cambiamento o del fatto che il rivenditore non si fida abbastanza del sistema per agire su di esso. In un summit di partner, anche Blue Yonder ha ammesso che una gestione inefficace del cambiamento e problemi di dati causano la maggior parte dei fallimenti del progetto ²⁶ - lo stesso probabilmente vale per le implementazioni di RELEX.

Un altro aspetto notato: RELEX tende ad incorporare un sacco di dati esterni, inclusi cose come Google Trends, dati di localizzazione mobile per le previsioni di affluenza, ecc. Per un player di eCommerce, alcuni di questi (come l’affluenza) sono irrilevanti, ma altri (meteo, tendenze) lo sono. Ci si dovrebbe chiedere: ho davvero bisogno di tutti questi flussi di dati? Per alcuni e-business, modelli semplici sulla storia delle vendite potrebbero essere quasi altrettanto buoni. RELEX venderà certamente l’idea che più dati producono previsioni migliori. I risultati della competizione M5 (a cui RELEX non ha partecipato pubblicamente, per quanto ne sappiamo) hanno mostrato che i modelli sofisticati hanno superato quelli più semplici, ma spesso con margini piccoli. I metodi migliori erano spesso insiemi di molti modelli, non diversamente da quello che RELEX potrebbe fare internamente. Ma interessantemente, un approccio puro di apprendimento automatico non ha schiacciato categoricamente i metodi tradizionali in quelle competizioni - una combinazione di modelli statistici accuratamente sintonizzati tendeva a vincere. Quindi, se confrontiamo le affermazioni di RELEX con benchmark come M5: vediamo che la previsione probabilistica è davvero preziosa (cosa che fanno), ma vediamo anche che non c’è una singola salsa segreta tra i migliori approcci - si tratta di modellazione accurata. In assenza di pubblicazioni di RELEX sulla loro accuratezza su tali set di dati standard, rimaniamo prudenti. Il consiglio dello scettico a chiunque stia considerando RELEX è: chiedere prove specifiche di miglioramento, e definire un chiaro punto di riferimento. Ad esempio, se RELEX dice “abbiamo migliorato l’accuratezza delle previsioni del 30%”, chiarire “30% rispetto a quale metrica e punto di riferimento?” Molte volte i fornitori misurano l’incremento rispetto a uno scenario che lusinga il loro strumento (ad esempio, rispetto a previsioni naive o a un anno negativo). La guida di questo studio: esigere chiarezza sui punti di riferimento per qualsiasi affermazione di performance.

In sintesi, RELEX Solutions si classifica come un fornitore di punta perché affronta le aree chiave (domanda, inventario, prezzi) in modo integrato e utilizza ampiamente tecniche moderne di AI/ML. I suoi punti di forza includono previsioni molto dettagliate che tengono conto di una miriade di fattori, forti capacità di pianificazione promozionale e stagionale, e una piattaforma unificata che offre a tutti gli stakeholder una singola fonte di verità. Spunta la casella sulla scalabilità (provata nel grande retail), sulla gestione della cannibalizzazione (attraverso modelli di previsione avanzati che considerano gli effetti cross-prodotto ²⁷), sul marketplace/omni-channel (il sistema può pianificare online e offline contemporaneamente e probabilmente ingerire dati dei concorrenti se forniti). RELEX spinge anche verso l’automazione, con affermazioni di modelli auto-regolanti e decisioni autonome, anche se nella pratica rimane una certa supervisione dell’utente. I principali caveat sono la complessità e l’opacità che derivano dal suo approccio pesante sull’IA - gli utenti devono fidarsi della scatola nera fino a un certo punto - e la necessità di separare l’hype dalla realtà nel suo marketing. Classifichiamo RELEX in alto ma con un asterisco: è uno strumento potente, ma che richiede un’implementazione attenta e una cultura basata sui dati per essere pienamente sfruttato. Incoraggiamo anche gli utenti potenziali a stare attenti al “lavaggio dell’IA” nel settore; il messaggio di RELEX è tra i più credibili (dato che hanno una vera tecnologia sotto il cofano), ma anche le affermazioni di Mikko su “centinaia di fattori” ¹⁷ dovrebbero essere viste come entusiasmo per l’IA piuttosto che una garanzia di risultati drasticamente migliori rispetto a un concorrente. In un contesto di eCommerce, RELEX può certamente fare il lavoro, basta assicurarsi di misurare rigorosamente i suoi risultati e tenere d’occhio se tutte quelle caratteristiche sofisticate vengono effettivamente utilizzate nel tuo caso o se stanno semplicemente rimanendo inattive nel software.

3. Blue Yonder - Colosso Legacy in Trasformazione (Reclami vs. Realtà)

Blue Yonder (precedentemente conosciuta come JDA Software) è un gigante nel software di supply chain, con decenni di storia nei sistemi di pianificazione del retail e della produzione. Ha una suite completa che copre previsioni, rifornimento, gestione del magazzino, trasporto, forza lavoro e prezzi (dopo aver acquisito il specialista dei prezzi Revionics nel 2020). Per i player di eCommerce, Blue Yonder offre soluzioni originariamente costruite per grandi rivenditori e aziende di beni di consumo - pensala come il colosso aziendale in questo spazio. Tuttavia, con quel retaggio arrivano sia punti di forza (funzionalità robuste, scalabilità, esperienza nel settore) che debolezze significative (tecnologia obsoleta in alcune parti, problemi di integrazione da molteplici 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 sì componenti per tutti i pezzi: 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 di inventario che i modelli di ottimizzazione dei prezzi, e l’ottimizzazione dei prezzi può tenere conto dell’elasticità della domanda (che è essenzialmente la previsione della domanda a diversi punti di prezzo). Blue Yonder promuove certamente 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 solo recentemente uniti. Il motore di ottimizzazione dei prezzi di Revionics, ad esempio, ha la sua propria eredità ed è stato integrato dopo l’acquisizione. La sfida di Blue Yonder è far sembrare tutto ciò come una soluzione coerente. L’azienda ha riconosciuto che storicamente aveva una suite frammentata; di conseguenza, nel 2023 hanno annunciato una grande trasformazione architettonica: passare a un “singolo modello di dati e piattaforma applicativa” sul cloud Snowflake ²⁸. Questo è un grosso affare - essenzialmente re-ingegnerizzare i loro prodotti per leggere/scrivere tutti da un grande repository di dati cloud (Snowflake) in modo che i silos di dati scompaiano. L’AD ha dichiarato una visione di un “sistema operativo della supply chain per il mondo” dove tutte le applicazioni BY condividono dati fluidamente ²⁸.

Vediamo questa visione come promettente e problematica. Promettente perché se realizzata, risolverebbe davvero molti mal di testa di integrazione (non più interfacce batch tra pianificazione della domanda e prezzi, ad esempio - guarderebbero letteralmente gli stessi dati in Snowflake). Problematica perché è enormemente ambiziosa e rischiosa. Anche la società di consulenza partner di Blue Yonder ha notato, “Sebbene visionaria, crediamo che eliminare completamente le integrazioni possa essere eccessivamente ottimistico per la maggior parte dei clienti.” ²⁹. I clienti hanno dati in molti posti, non tutto si posizionerà ordinatamente in Snowflake, quindi sarà ancora necessaria un’integrazione personalizzata per i sistemi non-Blue Yonder ²⁹. In breve, la strategia di Blue Yonder è un lavoro in corso - una risposta al fatto di essere vista come “legacy”. Hanno detto esplicitamente che non forzeranno “eventi precipitosi” (abbandonando la vecchia tecnologia da un giorno all’altro) ma gradualmente microserviceranno i moduli legacy, permettendo ai clienti di migrare al loro ritmo ³⁰ ³¹. 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 la disponibilità generale solo tra un paio di anni. Nel frattempo, l’ottimizzazione congiunta è più manuale con Blue Yonder: potresti utilizzare i loro strumenti in tandem, ma spesso spetta all’utente coordinare (ad es., assicurarsi che le azioni del team dei prezzi siano inserite nel piano di inventario).

Blue Yonder controlla molte caselle tecnologiche sulla carta: ora incorporano l’apprendimento automatico nelle previsioni (sfruttando la tecnologia dell’azienda Blue Yonder GmbH che hanno acquisito nel 2018, specializzata in AI per il retail). Affermano di utilizzare “AI spiegabile, apprendimento automatico, e persino AI generativa” in varie applicazioni ³². Hanno certamente algoritmi avanzati per cose come l’ottimizzazione del rifornimento, l’allocazione, ecc., sviluppati nel corso dei decenni. Ma bisogna essere scettici perché Blue Yonder ha anche un sacco di debito tecnico. Molti dei loro algoritmi core sono stati sviluppati negli anni ‘90 o all’inizio degli anni 2000 da i2 Technologies o JDA. Sono stati migliorati, sì, ma fino alla recente riscrittura cloud, gran parte di esso girava su vecchie architetture (alcune soluzioni necessitavano di database Oracle, ecc.). Quindi quando Blue Yonder commercializza “pianificazione cognitiva, guidata da ML”, bisogna chiedersi: è davvero nuova tecnologia o solo nuovo branding? Ad esempio, la loro pianificazione della domanda potrebbe ora utilizzare ML per stimare gli incrementi di previsione per le festività, il che è buono, ma l’architettura sottostante sta davvero sfruttando la potenza di calcolo del cloud di oggi, o è limitata dall’essere retrofittata in un sistema legacy?

Un problema storico concreto: Blue Yonder (JDA) ha acquisito i2 Technologies nel 2010. i2 era conosciuta per le soluzioni pesanti di ottimizzazione, ma anche per le implementazioni fallite a volte. Famosamente, dopo che JDA ha comprato i2, Dillard’s (un grande magazzino) ha vinto una causa per $246M sostenendo che il software di i2 non ha mantenuto le promesse ³³ ³⁴. Questo è stato un enorme colpo – essenzialmente il software e il progetto sono falliti così male che il cliente ha ottenuto danni superiori a 30 volte quello che hanno pagato per il software. Quella saga, sebbene 15 anni fa, evidenzia che anche i fornitori altamente reputati possono avere grandi mancanze se la tecnologia promette troppo o non è implementata bene. Blue Yonder ha dovuto assorbire quel costo e ha imparato le lezioni (si spera). Sottolinea perché manteniamo lo scetticismo: i grandi fornitori potrebbero vantare “prodotti di classe mondiale” ma esistono prove di loro che non funzionano come pubblicizzato in alcuni casi. Ogni fornitore ha fallimenti; Blue Yonder almeno ne ha avuto uno trascinato attraverso i tribunali pubblici.

A favore di Blue Yonder, sono diventati più aperti nel risolvere i problemi. Nel loro summit dei partner 2023, hanno discusso apertamente di “progetti rossi” (implementazioni problematiche) e hanno scoperto che le cause principali non erano gli algoritmi per se, ma “gestione del cambiamento inefficace e problemi con la migrazione/integrazione dei dati” ²⁶. Hanno notato che ottenere i dati giusti e supportare il cliente nell’adattare i processi erano critici. Questa introspezione è buona - significa che Blue Yonder non è cieca sul perché i progetti falliscono. Si allinea anche con il nostro tema generale di analisi: spesso non è che la matematica è sbagliata, è che l’integrazione nel mondo reale è difficile. Blue Yonder che individua le sfide dell’integrazione dei dati è significativo: riflette la complessità della loro suite. Perché se i loro moduli fossero veramente integrati senza soluzione di continuità, la migrazione dei dati non sarebbe un tale mal di testa. Il fatto che lo sia implica che i clienti potrebbero aver dovuto fare una grande riconciliazione dei dati per utilizzare la suite completa. Il livello di dati unificato di Snowflake mira a risolvere questo, ma come detto, è presto.

Esaminiamo le attuali capacità 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 (clima, eventi, prezzi). Si sono spostati anche verso previsioni probabilistiche; almeno supportano l’uso di intervalli di confidenza o quantili nella pianificazione. Un esempio dal loro blog: non usano l’IA solo per sovrapporre fattori a una baseline, ma per ricostruire la previsione da zero ogni giorno utilizzando i dati più recenti, tenendo automaticamente conto di cose come i cambiamenti di calendario, e auto-correggendosi man mano che arrivano nuovi dati effettivi ³⁵ ³⁶. Affermano che questo rimuove la necessità per i pianificatori di mantenere aggiustamenti manuali o profili per la stagionalità - il modello li impara e si adatta ³⁶. Questo è molto in linea con la pratica di previsione allo stato dell’arte. L’approccio di Blue Yonder qui è solido in teoria: apprendimento continuo, riconoscimento dell’incertezza (parlano del rischio di sovra/sotto-previsione e dei compromessi di costo ³⁷), e utilizzo di ML per rilevare relazioni complesse (come il modo in cui diversi climi o promozioni guidano la domanda, senza che un umano codifichi esplicitamente tali relazioni).
Inventario & Rifornimento: Questo è da tempo un punto di forza di JDA/Blue Yonder. Offrono un’ottimizzazione dell’inventario a più livelli (MEIO), il che significa che possono ottimizzare i livelli di stock attraverso i DC e i centri di evasione per l’eCommerce, tenendo conto dei tempi di consegna, della variabilità della domanda, ecc., per soddisfare i livelli di servizio target. Gli strumenti di Blue Yonder possono generare quantità d’ordine consigliate, stock 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 potenziati con previsioni basate su ML, ma l’ottimizzazione di base è probabilmente un mix di ricerca operativa e simulazione. BY può certamente gestire la pianificazione di SKU su larga scala; molti rivenditori della Fortune 500 hanno utilizzato JDA per il rifornimento dei negozi, che è analogo in scala a un grande magazzino di e-comm che fornisce ai clienti.
Assortimento: Blue Yonder dispone di strumenti di gestione delle categorie che aiutano a decidere gli assortimenti (quali mix di prodotti in quali negozi). Per un player solo eCommerce, la pianificazione dell’assortimento potrebbe significare decidere quali nuovi prodotti elencare o eliminare. Gli strumenti di BY possono utilizzare attributi e dati di performance per valutare i cambiamenti dell’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 viene utilizzato ampiamente nel retail (in particolare nelle catene di generi alimentari e di merci generali) per fissare i prezzi base, gli sconti promozionali e i ribassi. Revionics utilizza l’IA per modellare l’elasticità dei prezzi e persino gli impatti dei prezzi competitivi, poi raccomanda cambiamenti di prezzo che raggiungono obiettivi come la crescita del margine o del fatturato tenendo conto delle regole dei prezzi (ad es., prezzi finali in .99, ecc.). Come parte di Blue Yonder, Revionics è ora conosciuta come Luminate Pricing. In teoria, quel motore, combinato con le previsioni di domanda di Blue Yonder, chiude il cerchio - si può 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 da IA”, in grado di funzionare ogni volta che è necessario (anche intraday per l’e-commerce se desiderato).

Una grande domanda: Quanto bene queste parti funzionano effettivamente insieme oggi? Blue Yonder sostiene che lo fanno. Ad esempio, potrebbero dire che la loro soluzione di prezzo può prendere le previsioni dalla loro soluzione di domanda e produrre prezzi che la soluzione di inventario poi utilizza per pianificare gli ordini. Ma se queste integrazioni non sono in tempo reale o richiedono un lavoro IT personalizzato, il cerchio potrebbe non essere stretto come si spererebbe. Realisticamente, un utente eCommerce di Blue Yonder nel 2023 potrebbe utilizzare lo strumento di prezzo separatamente dallo strumento di fornitura, forse con aggiornamenti batch settimanali dell’elasticità della previsione. Questa è una pianificazione congiunta, ma non il sacro graal dell’ottimizzazione congiunta istantanea.

Sulle affermazioni AI/ML, Blue Yonder soffre a volte di buzzword-bingo nel marketing. Usano termini come “cognitivo”, “guidato dall’apprendimento automatico”, ecc. Dovremmo verificare se c’è sostanza. C’è qualche prova di sostanza: ad esempio, Blue Yonder (la filiale tedesca originariamente) aveva sviluppato algoritmi che erano stati pubblicati (il loro team ha vinto una competizione di previsione al dettaglio nel 2014 utilizzando reti neurali). Inoltre, il portafoglio di brevetti di Blue Yonder è ampio (400+ brevetti) indicando molta R&D ³⁸. 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 es., hanno partecipato a M5 o a qualche benchmark neutro? Non pubblicamente. Ci sono case study con numeri concreti prima/dopo? Ne hanno alcuni, ma spesso i case study dei fornitori sono rosei e mancano di chiarezza di base. Blue Yonder dice cose come “Il rivenditore X ha visto un aumento del profitto Y% utilizzando i nostri prezzi” - ma senza contesto, è marketing.

Bisogna anche considerare il costo e la complessità con Blue Yonder. Questi sono grandi sistemi aziendali. L’implementazione può richiedere molti mesi o anni, e coinvolge non solo l’installazione del software ma anche la riprogettazione 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 alto (licenza + servizi + IT). Per un puro player di eCommerce, specialmente uno di dimensioni medie, Blue Yonder potrebbe essere eccessivo o troppo lento da implementare rispetto a soluzioni SaaS più agili. Anche le grandi aziende a volte esitano: un evento significativo del settore è stato Lidl (il grande rivenditore globale) che ha annullato un progetto SAP da €500M nel 2018 dopo che non ha soddisfatto le esigenze ³⁹. Quello era SAP, non Blue Yonder, ma illustra che enormi progetti possono fallire, consumando enormi budget. 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 la reimplementazione per la loro nuova piattaforma), mentre BY sta cercando una migrazione più dolce ⁴⁰. Il fatto che Manhattan abbia scelto un percorso di “reimplementazione per passare a nuova tecnologia” suggerisce che queste transizioni non sono banali. Blue Yonder sta cercando di evitare aggiornamenti da incubo evolvendo lentamente - ma ciò significa anche che i clienti potrebbero essere su una tecnologia non del tutto moderna ora, in attesa delle novità.

Da un punto di vista dell’automazione, Blue Yonder oggi è probabilmente meno automatizzato di quanto Lokad o RELEX mirano ad essere. Molti clienti BY utilizzano gli strumenti per generare raccomandazioni che i pianificatori poi approvano o regolano. Blue Yonder promuove il concetto di una “supply chain autonoma” (soprattutto da quando è stata acquisita da Panasonic nel 2021, parlano di collegare i dati IoT a decisioni automatizzate) ⁴¹. Ma è sicuro dire che gran parte della loro base di clienti è ancora in una modalità ibrida: fidarsi del sistema per alcune decisioni, sovrascrivere manualmente altre. Ad esempio, uno scenario comune è che il sistema suggerisce ordini ma un pianificatore esamina le eccezioni (proprio come con RELEX). O il sistema di prezzi suggerisce cambiamenti di prezzo, ma un responsabile del merchandising li esamina, forse respingendo alcuni che non si allineano con la strategia del marchio. Il software può fare molto, ma le aziende hanno processi stabiliti che non cambiano dall’oggi al domani.

Intelligence competitiva e marketplace: la soluzione di prezzo di Blue Yonder (Revionics) incorpora dati di prezzo competitivi - ha una funzione per la risposta competitiva e può ingerire i prezzi dei rivali per regolare i propri ⁴². Quindi per l’eCommerce, se hai un feed dei prezzi dei concorrenti, Revionics può includerlo nella sua ottimizzazione (ad esempio, non prezzare sopra un concorrente di più di X% per mantenere l’immagine del prezzo, o abbinare il prezzo più basso dove necessario). Questo è un vantaggio nell’ottimizzazione congiunta dei prezzi. Sui marketplace, Blue Yonder non ha specificamente un modulo di gestione del marketplace come fanno alcuni fornitori specifici per l’e-comm (come gli strumenti di tipo channel advisor per Amazon). Quindi si potrebbe utilizzare Blue Yonder per la pianificazione di base ma avere ancora bisogno di uno strumento separato per gestire le tattiche specifiche del marketplace (pubblicità, buy-box, ecc.). Questo è al di fuori dell’ambito di Blue Yonder e non è un colpo a loro, solo una nota che l’eCommerce ha aspetti che questi fornitori tradizionali non affrontano (Lokad o RELEX non coprono nemmeno le offerte pubblicitarie, ecc., per essere giusti).

Dato l’ampiezza e l’eredità di Blue Yonder, si dovrebbe anche esaminare le contraddizioni interne nel loro messaggio. Ad esempio, Blue Yonder potrebbe vantare “personalizzazione e prezzi in tempo reale” sulla loro piattaforma di commercio, eppure le loro soluzioni di pianificazione storicamente funzionavano su cicli batch (pianificazione notturna, replan settimanali, ecc.). Si stanno muovendo verso un uso dei dati più in tempo reale (la loro partnership con Snowflake serve in parte a consentire la condivisione dei dati quasi in tempo reale). Ma se un fornitore afferma “prezzi dinamici in tempo reale e ottimizzazione dell’inventario”, chiedi: intendono che il sistema ricalcola continuamente, o solo che può rispondere rapidamente se attivato? E hai davvero bisogno del tempo reale per le decisioni di assortimento? Probabilmente no - è più strategico. Quindi un orecchio critico coglierà quando il linguaggio di marketing è incoerente. Il marketing ampio 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 routing dei trasporti potrebbe reagire a un ordine in pochi minuti) rispetto a quelle che sono intrinsecamente batch (come la pianificazione dell’assortimento è stagionale).

Preoccupazione per il costo di Snowflake: Dovremmo evidenziare un punto sottile ma importante: Blue Yonder che si basa su Snowflake potrebbe cambiare il modello di costo per i clienti. Invece delle licenze tradizionali, i clienti potrebbero finire per pagare per l’uso del cloud (crediti Snowflake) in base al volume dei dati e alla frequenza delle query. Se le app di Blue Yonder fanno pesanti calcoli su Snowflake, la fattura di Snowflake del cliente potrebbe aumentare. Questo è analogo alla vecchia fatturazione dei mainframe IBM per MIPS - paghi di più quanto più lo usi, il che può disincentivare l’uso completo del sistema. Blue Yonder e Snowflake presumibilmente elaborano un prezzo, ma l’utente dovrebbe stare attento allo “shock della fattura” se gli scenari di pianificazione vengono eseguiti molto spesso su grandi dati. È una considerazione molto reale perché la pianificazione della supply chain può essere computazionalmente intensiva (soprattutto se si fanno simulazioni di scenari o calcoli probabilistici). Un processo inefficiente su Snowflake potrebbe bruciare molti crediti. Probabilmente Blue Yonder ci ha pensato (devono farlo funzionare commercialmente), ma è qualcosa di cui essere consapevoli. Un modello di costo non allineato con il valore aziendale (come addebitare per i dati elaborati piuttosto che per il risultato) ricorda le insidie delle ere precedenti.

In conclusione, Blue Yonder è classificato appena sotto le soluzioni più recenti in termini di realizzazione della visione “next-gen”. Ha indubbiamente una ricca funzionalità e molte implementazioni di successo, ma da una prospettiva tecnica e scettica, vediamo un’azienda in transizione. Stanno cercando di modernizzarsi e nel farlo parlano molto di AI, 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 allo sforzo reale necessario per ottenere i risultati promessi. Il set di strumenti di Blue Yonder può certamente supportare le operazioni di eCommerce (molti grandi rivenditori con business omnicanale utilizzano BY per il loro lato e-com), e la sua ampiezza è ineguagliabile (nessuno degli altri fornitori ha un campo di applicazione così ampio, incluso cose come la logistica). Tuttavia, se un’azienda di eCommerce ha bisogno solo 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 la utilizzino già in altre aree. Il nostro studio scettico trova le affermazioni di Blue Yonder di essere all’avanguardia piuttosto dubbie fino a prova contraria - la tecnologia ha pedigree, ma l’onere è su di loro di 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, una che si sceglie 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 in cima alla lista.

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

ToolsGroup è un veterano nello spazio della pianificazione della supply chain, noto in particolare per la sua competenza nella previsione della domanda e nell’ottimizzazione dell’inventario (stock). La sua soluzione di punta, storicamente chiamata SO99+ (Service Optimizer 99+), è stata ampiamente utilizzata per la pianificazione dell’inventario basata sul livello di servizio e l’ottimizzazione multi-echelon. In termini più semplici, ToolsGroup eccelleva nell’aiutare le aziende a determinare “qual è l’inventario minimo di cui ho bisogno in ogni posizione per raggiungere il livello di servizio X?” in condizioni di incertezza - un problema critico per la distribuzione e l’eCommerce allo stesso modo. ToolsGroup è stato tra i primi a implementare la previsione probabilistica commercialmente, e ha a lungo sostenuto l’abbandono delle previsioni deterministiche e l’uso della distribuzione completa della domanda ⁴³ ². Questo approccio è molto allineato con quello che consideriamo all’avanguardia oggi (e che altri fornitori hanno adottato successivamente).

In un contesto di eCommerce, il punto di forza di ToolsGroup significa che può gestire un alto numero di SKU con domanda erratic, e produrre comunque obiettivi di stock ottimali. Molti e-tailer hanno articoli “a coda lunga” che vendono raramente - i modelli probabilistici di ToolsGroup sono naturalmente adatti a pianificare per questi (catturando la natura sporadica della domanda piuttosto che mediandola in modo errato). Gestiscono anche nuove introduzioni di prodotti, stagionalità e promozioni attraverso 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.

Sebbene ToolsGroup fosse storicamente concentrato su inventario e domanda, negli ultimi anni ha riconosciuto che prezzi, promozioni e assortimento sono pezzi complementari che non offriva. Per affrontare questo, ToolsGroup ha acquisito una società chiamata JustEnough nel 2018/2019 (JustEnough è stata successivamente parte di Mi9 Retail e poi venduta a ToolsGroup). Il software di JustEnough copriva la pianificazione finanziaria della merce, la pianificazione dell’assortimento, l’allocazione e l’ottimizzazione del markdown - essenzialmente funzioni di merchandising al dettaglio compresi i markdown dei prezzi. Con questa acquisizione, ToolsGroup ha ampliato la sua impronta dalla pura supply chain a quello che potrebbe essere chiamato pianificazione al dettaglio. Ora commercializzano una suite integrata 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 diverse piattaforme software non è banale. ToolsGroup ha lavorato per integrare i modelli di dati (menzionano di avere “lo stesso modello di dati per la pianificazione tattica e operativa” per garantire una versione unica della verità ⁴⁴). 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 ⁴⁵ ⁴⁶. L’idea è che non appena avvengono le vendite (o si sposta l’inventario), quegli eventi fluiscono immediatamente 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: ToolsGroup che chiama la loro soluzione “Real-Time Retail, l’unica soluzione che risponde al comportamento di acquisto nel momento” ⁴⁵ è una forte affermazione. Implica sostanzialmente che possono aggiustare il piano non appena qualcosa cambia. Forse il sistema può innescare automaticamente un trasferimento di stock o accelerare un ordine se le vendite aumentano inaspettatamente oggi. Se vero, è potente - sfuma la pianificazione e l’esecuzione. Tuttavia, la visione scettica è che “in tempo reale” è probabilmente limitato a certe funzioni (come la riallocazione dell’inventario, che è più facile da fare rapidamente) e non ad altre (come la ri-ottimizzazione completa di un assortimento, che non si farebbe in tempo reale). Vale anche la pena notare che ogni fornitore sta usando “in tempo reale” nel marketing ora (spesso significa un aggiornamento ogni pochi minuti o ogni ora, il che va bene). La stessa CEO di ToolsGroup ha notato che i rivenditori devono pivotare rapidamente per prevenire l’erosione dei margini quando la domanda si sposta ⁴⁷, il che è vero. Il sistema presumibilmente ricalcola automaticamente e raccomanda ordini o trasferimenti non appena arrivano nuove informazioni ⁴⁸.

Supponendo 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, poi farlo alimentare negli obiettivi di inventario in SO99+, e anche pianificare i prezzi di markdown per i prodotti a fine vita utilizzando la loro ottimizzazione. Questo copre gli aspetti di ottimizzazione congiunta - specialmente se le previsioni della domanda e i parametri dell’inventario tengono conto del programma di markdown pianificato. È ancora possibile un processo sequenziale (prima decidere i markdown, poi vedere l’esito dell’inventario) a meno che non abbiano costruito un modello di ottimizzazione combinato (il che è improbabile su quella larghezza). 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 insistito per anni sul fatto che le previsioni a numero singolo sono insufficienti e che bisogna pianificare con le probabilità. Ad esempio, produrranno non solo “domanda prevista = 100” ma una curva che mostra che c’è il 10% di possibilità che la domanda sia >120, ecc. Poi la loro ottimizzazione usa questo per decidere i livelli di stock in modo tale che, ad esempio, il 95% del tempo la domanda può essere soddisfatta ⁴⁹ ⁵⁰. Questo approccio gestisce intrinsecamente l’incertezza e anche la cannibalizzazione fino a un certo punto (soprattutto se si utilizza la loro modellazione per gli articoli correlati). Un aspetto interessante: ToolsGroup ha spesso sostenuto che l’uso della previsione probabilistica può estendere la vita dei sistemi di pianificazione ERP legacy (come SAP APO) fornendo loro informazioni migliori ¹ ⁵¹. Questo sottolinea che il differenziatore di ToolsGroup era principalmente nella matematica della previsione e dell’inventario piuttosto che essere un’interfaccia di pianificazione all-in-one.

E per quanto riguarda l’automazione e la facilità d’uso? ToolsGroup era tradizionalmente più un “motore back-end” con un’interfaccia utente un po’ goffa, secondo alcuni utenti. Da allora hanno migliorato l’interfaccia (nuova interfaccia web, ecc.). Ma, cosa più importante, enfatizzano l’automazione nella pianificazione. I loro materiali affermano, ad esempio, “l’automazione integrata riduce il carico di lavoro della pianificazione fino al 90%” ⁵². Citano anche spesso i clienti che hanno ottenuto “40-90% di riduzione del carico di lavoro del pianificatore” e “20-30% di riduzione dell’inventario” dopo aver utilizzato ToolsGroup ⁵³ ⁵⁴. Questi sono numeri grandi. L’affermazione sulla riduzione dell’inventario è plausibile se un’azienda era molto inefficiente prima o se manteneva buffer eccessivi a causa della mancanza di fiducia nelle previsioni. La riduzione del carico di lavoro del pianificatore implica che il sistema sta facendo molto di più automaticamente. Questo è in linea con quello che ci aspettiamo: un sistema probabilistico dovrebbe ridurre i pompieri (dal momento che si pianifica per l’incertezza, succedono meno sorprese, quindi i pianificatori non stanno accelerando tanto o riallocando manualmente le scorte all’ultimo minuto). Tuttavia, uno scettico noterebbe che la riduzione del carico di lavoro del 90% è probabilmente l’estremo superiore (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 inizialmente l’azienda che trasportava troppo “giusto nel caso”. Nella supply chain, una volta che ottimizzi, spesso vedi forse riduzioni del 10-15% se le cose erano moderatamente ok prima. Quindi sospettiamo che le gamme pubblicizzate da ToolsGroup ⁵³ siano i migliori scenari possibili. È istruttivo che li presentino come range - implica che i risultati variano molto da cliente a cliente.

Una cosa che ToolsGroup ha a suo favore è la stabilità e l’attenzione specifica. Si occupano di 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 competenza nel dominio. Per un’azienda di eCommerce principalmente preoccupata per la redditività dell’inventario - cioè, non avere troppi stockout o sovrastocchi - la soluzione di ToolsGroup è molto matura. La loro ottimizzazione multi-echelon potrebbe beneficiare particolarmente gli e-tailer con più centri di evasione o quelli che stoccano anche 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 l’ottimizzazione del markdown (decidendo gli sconti per la liquidazione). Questo è utile per l’eCommerce con prodotti stagionali o di moda. Ma mancano ancora di una vera ottimizzazione dei prezzi dinamici come quella di Revionics/Blue Yonder o di alcuni fornitori di prezzi specializzati. L’ottimizzazione del markdown riguarda i prezzi di fine vita o promozionali. L’ottimizzazione dei prezzi quotidiani regolari (per il margine o il posizionamento competitivo) non è un forte noto di ToolsGroup. Potrebbero avere capacità di base o sfruttare i partner. Questo significa che se l’ottimizzazione congiunta del prezzo + inventario è una priorità, ToolsGroup potrebbe non essere forte come Blue Yonder o RELEX che hanno motori di prezzo dedicati. ToolsGroup potrebbe comunque ottimizzare l’inventario assumendo un dato prezzo, ma non ti dirà il miglior prezzo da impostare per massimizzare il profitto (a parte gli scenari di liquidazione di fine vita). Questa è una distinzione importante: la loro “ottimizzazione” è principalmente orientata alla fornitura (livelli di stock, rifornimento) piuttosto che alla formazione della domanda (prezzi, promozione) - nonostante l’aggiunta di alcuni strumenti di formazione della domanda tramite acquisizione.

In termini di stack tecnologico, ToolsGroup offre ora un’opzione cloud SaaS e posiziona anche alcune delle sue offerte con nomi accattivanti come “Inventory Hub” e “Fulfill.io”. Questo mostra che stanno cercando di modernizzare 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 il calcolo. Non abbiamo sentito parlare di ToolsGroup che raggiunge i limiti di prestazione; hanno referenze di clienti con milioni di combinazioni SKU-posizione. Se c’è un tallone d’Achille di ToolsGroup, potrebbe essere che è visto come uno “strumento per ottimizzatori” - potente ma che richiede la configurazione da parte di esperti. Hanno cercato di semplificare con più ML fuori dalla scatola. Ad esempio, incorporano il sensing della domanda (utilizzando le tendenze a breve termine per regolare le previsioni) e affermano di utilizzare l’apprendimento automatico per identificare quali fattori influenzano di più la domanda ⁵⁵. Hanno anche sfatato un mito nel loro blog secondo cui le previsioni probabilistiche non possono essere regolate dagli umani - chiarificando che possono incorporare il giudizio, ma la matematica terrà conto del bias storico ⁵⁶. Questo riflette un approccio equilibrato: non rimuovono completamente l’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, una parte della domanda si sposta su un altro). Tuttavia, questo richiede probabilmente uno sforzo per impostare le relazioni o utilizzare il loro ML per raggruppare gli articoli. Non è chiaro quanto automatico sia questo. Ma ToolsGroup ha sottolineato la necessità di affrontare “la coda lunga, la domanda intermittente e più canali” in un blog del 2017, dicendo sostanzialmente che queste condizioni rompono gli strumenti tradizionali e richiedono metodi probabilistici ⁵⁷. Menzionano specificamente “più canali di mercato, con domanda aggregata proveniente da più flussi” come uno scenario in cui le previsioni di un singolo numero si rompono, suggerendo che la loro soluzione gestisce meglio il multicanale ⁵⁷. Quindi un e-tailer che vende sul suo sito web e su Amazon, ad esempio, potrebbe utilizzare ToolsGroup per pianificare la domanda combinata. Lo strumento produrrebbe una previsione totale e forse ti permetterebbe di allocare l’inventario per canale in modo ottimale (anche se l’allocazione del canale è spesso più semplice quando viene spedito tutto dagli stessi centri di evasione, ma nel caso di stock separati, conta).

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

In termini di track record, ToolsGroup ha molti casi di studio di successo, spesso evidenziando la riduzione dell’inventario e il miglioramento del livello di servizio. Non hanno un fiasco importante noto pubblicamente come SAP o JDA. Sono più piccoli, quindi ogni progetto potrebbe ricevere più attenzione. Detto questo, poiché spesso vendevano a aziende di produzione/distribuzione, alcune persone del settore retail/ecommerce non li conoscono così bene. La loro spinta nel retail tramite JustEnough significa che alcuni vecchi clienti di JustEnough ora usano ToolsGroup. JustEnough aveva recensioni miste (era decente nella pianificazione ma forse limitato nella scalabilità - non chiaro). Quindi ToolsGroup ha dovuto rafforzare quei moduli. Da scettici, consiglieremmo di controllare 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 “gli insight del sensing della domanda aiutano a perfezionare la previsione statistica” ⁵⁸ il che implica che tengono conto di cose come le promozioni o le tendenze recenti per regolare le previsioni di base.

Per riassumere la valutazione di ToolsGroup: è molto forte nel suo settore originale (previsione e inventario) - probabilmente il migliore nel suo genere nell’ottimizzazione probabilistica dell’inventario - e si sta allargando per coprire prezzi e 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, ne sono stati i campioni ⁴⁹ ⁴³.
Ottimizzazione economica? Implicitamente sì per l’inventario (ottimizzano rispetto ai trade-off servizio vs. costo), anche se non così esplicitamente 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? Generalmente 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.
Marketplace/competitivo? Non intrinsecamente - lo gestiresti esternamente o tramite input. ToolsGroup non raccoglierà per te i prezzi dei concorrenti o simili.
Automazione? Sì, alta. Dopo l’installazione, molte attività di pianificazione possono essere automatizzate con il loro sistema che emette proposte d’ordine che i pianificatori approvano semplicemente. Loro vantano enormi tagli al carico di lavoro e meno pregiudizi umani.
Scetticismo sulle affermazioni del fornitore: Il marketing di ToolsGroup è in realtà piuttosto mite rispetto ad altri, a parte quelle statistiche di 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 fuffa). Ma si uniscono al gioco delle parole chiave dell’IA, chiamando tutto “alimentato dall’IA”. Notiamo però, che mantengono un piede nella tradizionale OR (ricerca operativa) e un altro nel ML, che è un mix salutare.

Un punto di dati esterno: Le recensioni delle aziende di analisi (come Gartner) spesso mettono ToolsGroup in leadership 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 risolto ora (nuova interfaccia, integrazione).

Per un puro player dell’eCommerce, la decisione di andare con ToolsGroup dipenderebbe probabilmente da se l’ottimizzazione dell’inventario è il punto dolente principale e se hanno bisogno di una soluzione provata, piuttosto autonoma per questo. Se sì, ToolsGroup potrebbe essere un’ottima scelta, fornendo rapidi successi nella riduzione delle scorte e nel miglioramento del servizio. Tuttavia, se l’azienda di eCommerce sta anche cercando di ottimizzare pesantemente i prezzi o di attuare strategie di sconto omnicanale all’avanguardia, ToolsGroup potrebbe non essere così ricco di funzionalità come un Blue Yonder o RELEX o uno strumento di prezzo dedicato. Potrebbe richiedere l’abbinamento con un’altra soluzione di prezzo, che poi porta sfide di integrazione. (Interessantemente, ToolsGroup potrebbe non opporsi a questo - storicamente a volte coesistevano con altri, concentrandosi sull’inventario mentre un altro sistema si occupava dei prezzi.)

In conclusione, ToolsGroup si classifica come un fornitore specialista diventato suite tecnicamente solido. Apprezziamo il suo rigore ingegneristico nella previsione e il suo approccio senza fronzoli all’incertezza (hanno da tempo smontato il problema “la previsione è sempre sbagliata” pianificando con le probabilità). Rimaniamo cauti riguardo all’espansione recente: se i loro nuovi moduli retail integrati si comportano allo stesso livello del loro core. La contraddizione interna che osserviamo è la loro affermazione di essere completamente integrati ora - se si mostrano delle crepe (come dati che necessitano di esportazione/importazione manuale tra i moduli), ciò minerebbe il discorso. Ma a partire dalle informazioni disponibili, ToolsGroup sembra offrire un’esperienza più unificata dopo JustEnough. Si allineano anche con la tendenza all’uso dei dati in tempo reale nella pianificazione, che è lodevole.

Infine, proprio come abbiamo fatto con gli altri: controllo delle affermazioni del fornitore per ToolsGroup. Quando dicono, ad esempio, “disponibilità del prodotto superiore al 90%, 20-30% meno inventario, 40-90% riduzione del carico di lavoro” ⁵³ ⁵⁴ - un sano scetticismo è considerare questi risultati come raggiungibili ma non garantiti. Probabilmente questi numeri provengono da diversi clienti che raggiungono ciascuno uno di questi alti livelli, non un cliente che raggiunge tutti contemporaneamente. Nessuno dovrebbe aspettarsi che il proprio inventario diminuisca del 30% mentre il servizio salta a >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 guidare un miglioramento significativo, ma consiglieremmo di stabilire obiettivi realistici e misurare man mano che si procede. La buona notizia è che l’attenzione di ToolsGroup sugli esiti misurabili (servizio %, inventario $$) si adatta a un approccio alla ricerca della verità - è molto chiaro se sta funzionando o meno guardando quelle metriche.

Tagliare l’Hype: Lezioni & Raccomandazioni

Tra questi fornitori, sono emersi alcuni temi comuni di hype vs realtà che un decision maker dell’eCommerce dovrebbe tenere a mente:

Attenzione ai Buzzwords: Termini come “guidato dall’IA, cognitivo, sensing della domanda, in tempo reale, autonomo” vengono usati liberamente. Assicurati che siano supportati da capacità concrete. Ad esempio, “sensing della domanda” suona spesso bene - utilizzare le vendite di ieri o il chiacchiericcio sui social media per aggiustare la previsione di oggi - ma nella pratica potrebbe solo leggermente modificare i numeri ed è fondamentalmente solo una previsione a breve termine. Gli esperti del settore hanno etichettato il sensing della domanda come possibile “mootware” - qualcosa che esiste ma non fornisce materialmente valore oltre a quello che una buona previsione già fa ⁵⁹. Non comprare concetti di “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 se quei fattori muovono davvero l’ago o fanno solo una bella slide.
Baseline e Benchmark: Stabilisci sempre una chiara baseline (ad es. i giri di stock dell’anno scorso, tasso di evasione, margine lordo) e vedi se il fornitore accetterà di misurare il miglioramento rispetto ad essa. Molti rivendicano miglioramenti percentuali che suonano 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 stato un tale 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 ed è eccelluto ⁶⁰. Questo ti dice chi è sicuro della propria tecnologia.
Complessità dell’Integrazione: Se un fornitore è cresciuto attraverso acquisizioni (Blue Yonder, ToolsGroup), diffida delle promesse che “ora è tutto una piattaforma”. Spesso ci vogliono anni per integrare veramente. Durante quel tempo, potresti effettivamente utilizzare 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 nozione di certi dati (ad es., uno usa bucket settimanali, un altro giornalieri, o diverse definizioni di gerarchia di prodotto). Questo 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 applicabili) e l’infrastruttura necessaria. Come notato, una soluzione che si basa su qualcosa come Snowflake potrebbe passare a te quei costi di esecuzione cloud. O una soluzione che è molto pesante sulla memoria potrebbe costringerti a istanze cloud di alto livello. Un fornitore potrebbe quotare una tariffa di abbonamento più alta ma include tutti i calcoli; un altro potrebbe essere più economico ma tu paghi un grosso conto AWS/Azure per il calcolo necessario. Assicurati di confrontare il costo totale di proprietà. Abbiamo menzionato come il modello di Snowflake potrebbe rispecchiare le insidie del mainframe IBM - tieni d’occhio le tariffe basate sull’uso e richiedi trasparenza ai fornitori che utilizzano quel modello.
Ogni Fornitore Ha Fallimenti: È importante ricordare, nessun fornitore metterà in evidenza i loro progetti falliti, ma tutti ne hanno. L’implementazione è importante quanto lo strumento. Abbiamo visto come anche i migliori fornitori come SAP o i2 (ora sotto Blue Yonder) hanno avuto fallimenti da milioni di dollari ³⁹ ³³. 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 stanno raggiungendo gli obiettivi. Hanno esempi (anonimizzati) di lezioni apprese? Blue Yonder ha mostrato un po’ di umiltà nel riconoscere le cause comuni di fallimento ²⁶. Un fornitore che dice “abbiamo un tasso di successo del 100%” non è realistico. Insisti per discussioni su cosa potrebbe andare storto e come lo mitigano.
Contraddizioni tra Tempo Reale e Profondità Analitica: Come notato, alcune analisi (come la pianificazione dell’assortimento a livello di rete) non possono essere veramente in tempo reale - richiedono un notevole crunching dei dati e una riflessione aziendale. Se un fornitore afferma sia la “reazione in tempo reale” che l’“ottimizzazione olistica”, devi discernere quali parti della loro soluzione corrispondono a quale promessa. Ad esempio, ToolsGroup può aggiornare le posizioni di inventario in tempo reale, ma la sua ottimizzazione di base potrebbe essere eseguita quotidianamente. RELEX può ingerire dati in tempo quasi reale ma pianificare certe cose (come l’ottimizzazione dei prezzi basata sull’IA) potrebbe ancora essere un processo batch notturno. Comprendi il ritmo di ogni parte della soluzione rispetto alle tue esigenze aziendali. Il tempo reale è fondamentale per l’esecuzione (come l’aggiornamento dell’inventario disponibile per la promessa o la determinazione dinamica dei prezzi al volo), ma per le decisioni strategiche, la profondità e la rigore contano più della velocità.
Sovrascrittura Umana vs Autonomia: Tutti i fornitori rivendicano un certo livello di autonomia, ma anche che permettono l’input umano. È uno spettro. La domanda chiave: Il sistema predefinisce l’operazione non presidiata con solo le eccezioni segnalate, o predefinisce la necessità di una revisione dell’utente per ogni decisione? Per veri guadagni di efficienza, vuoi il primo. Un segnale d’allarme è se il fornitore enfatizza quanti leve e opzioni di configurazione l’utente ha - questo può segnalare che lo strumento potrebbe aver bisogno di molta assistenza per ottenere buoni risultati (che contraddice la promessa di automazione). Idealmente, lo strumento dovrebbe auto-regolare quelle leve (come Blue Yonder che elimina la necessità di profili stagionali impostati manualmente utilizzando ML ³⁶). Fidati ma verifica: durante le demo o i test, vedi quanto tweaking manuale è stato necessario per far sembrare buoni i risultati della demo.
Specifiche AI/ML: Approfondisci le affermazioni del fornitore sull’IA. Chiedi: Stanno usando l’apprendimento automatico per le previsioni? Quali algoritmi (se possono dire)? Usano delle librerie open-source (se tutto è proprietario, a volte è un segno che non hanno tenuto il passo con le ultime tecniche; tutte le principali soluzioni di IA incorporano open-source come TensorFlow/PyTorch o almeno algoritmi ben noti). Se un fornitore fa gesti vaghi su un “motore AI proprietario” ma non può spiegarlo in termini semplici, sii scettico. Al contrario, se possono articolare per esempio “usiamo il gradient boosting per le previsioni di base e un modello di apprendimento rinforzato per i prezzi”, ciò mostra un investimento concreto nella tecnologia. Inoltre, verifica se il loro team ha pubblicato o partecipato a forum accademici o industriali sui loro metodi - un segno di serietà.

Infine, sottolineiamo un atteggiamento orientato alla ricerca della verità: insisti sui dati e sui risultati delle prove piuttosto che sulle promesse luccicanti. Se possibile, fai un progetto pilota o una prova di concetto in cui a ciascun fornitore viene dato un sottoinsieme dei tuoi dati per fare previsioni o ottimizzazioni, e valuta i risultati quantitativamente. Ad esempio, alimenta due anni di storia e lascia che prevedano il terzo anno (per il quale hai i dati reali) - vedi chi si avvicina di più o chi identifica i modelli di domanda difficili. Oppure, fai in modo che ottimizzino uno scenario e poi simula i risultati di costo/servizio utilizzando la tua domanda reale per validare. Pochi fornitori si offriranno volontari per un confronto diretto, ma quelli buoni spesso lo faranno perché sostengono la loro scienza. Lokad, ad esempio, si impegna spesso tramite progetti pilota. Blue Yonder e RELEX a volte fanno fasi di “scoperta” che assomigliano a progetti pilota. Assicurati solo di avere criteri di successo chiari per questi.

Alla fine, il mercato del software di ottimizzazione per l’eCommerce non manca di autoproclamati “miracoli dell’IA”, ma applicando un profondo scetticismo e richiedendo prove di ingegneria, si può filtrare il rumore. Questo studio ha scoperto che Lokad è leader nell’innovazione tecnica e nella focalizzazione, RELEX nella funzionalità retail unificata (con un po’ di hype da monitorare), Blue Yonder nell’ampiezza e nell’esperienza (in mezzo a una difficile revisione tecnologica), e ToolsGroup nelle forze di ottimizzazione specializzate (con l’integrazione in crescita). Ognuno può offrire benefici significativi - ma nessuno è una panacea plug-and-play. La verità è che l’ottimizzazione di successo proviene dal giusto strumento e dalla giusta strategia di implementazione. Con le intuizioni e i punti di cautela esposti sopra, un’azienda di eCommerce può avvicinarsi a questi fornitori con occhi limpidi e fare una scelta basata su fatti e ragionamenti robusti, non solo sull’attrazione del marketing.