Revisione di Asper.ai, Fornitore di Software per la Supply Chain

Di Léon Levinas-Ménard

Ultimo aggiornamento: aprile 2025

In un mondo della supply chain sempre più basato sui dati, Asper.ai emerge come una soluzione SaaS basata su cloud volta a perfezionare la previsione della domanda e la presa di decisioni operative per i settori beni di consumo e retail. Fondata nel 2022 e integrata nella suite di Fractal Analytics, la piattaforma “Dynamic Demand.ai” di Asper.ai sfrutta dati interni ed esterni diversificati - che vanno dalle vendite storiche e livelli di inventario a indicatori macroeconomici e calendari delle festività - per fornire previsioni e raccomandazioni guidate dall’IA. Vantando implementazioni rapide di prova del valore tipicamente entro otto settimane e con un focus sull’esplicabilità, la piattaforma automatizza processi decisionali a basso rischio mentre segnala scenari più critici per l’intervento umano. Progettata per integrarsi senza soluzione di continuità con i sistemi legacy di Sales & Operation Planning e implementata su infrastruttura AWS (utilizzando servizi come Redshift, EMR e ElastiCache), Asper.ai si posiziona come un abilitatore pratico e dinamico per i dirigenti della supply chain che cercano di migliorare l’accuratezza delle previsioni, la gestione dei ricavi e l’efficienza operativa.

Panoramica dell’azienda

1.1 Storia e Contesto

Asper.ai è stata fondata nel 2022, come confermato dai profili delle startup su YNOS ¹. La piattaforma è offerta sotto l’ombrello di Fractal Analytics, supportata da un investimento segnalato di $20 milioni dettagliato nelle pubblicazioni del settore ². Piuttosto che cercare di essere posizionata come un unicorno autonomo, Asper.ai è presentata come uno strumento progettato appositamente che migliora la presa di decisioni per i mercati dei beni di consumo e del retail ottimizzando la previsione della domanda, l’inventario e i processi di pricing.

Panoramica del Prodotto

2.1 Cosa Offre la Soluzione

La funzionalità principale della piattaforma Dynamic Demand.ai di Asper.ai si concentra su: • Migliorare la previsione della domanda consolidando segnali interni come vendite, inventario e calendari promozionali con dati esterni come festività e indicatori economici ³. • Ottimizzare i ricavi e l’inventario attraverso raccomandazioni basate sull’IA che regolano il pricing, le strategie promozionali e i livelli di stock per ridurre i costi del capitale circolante. • Automatizzare decisioni a basso rischio e routine in modo che i pianificatori della domanda possano dedicare più attenzione a eccezioni complesse e ad alto impatto.

2.2 Come Funziona

Asper.ai acquisisce molteplici fonti di dati strutturati e non strutturati per catturare interazioni non lineari latenti tra diversi driver della domanda. Il suo motore di previsione guidato dall’IA enfatizza l’esplicabilità offrendo approfondimenti su come i singoli fattori influenzano i risultati delle previsioni. Con cicli rapidi di aggiornamento delle previsioni - fornendo previsioni quasi definitive per un orizzonte di quattro mesi in pochi giorni e successivi aggiornamenti in poche ore - la soluzione è progettata per implementazioni accelerate di prova del valore (spesso entro otto settimane) e per un’integrazione semplice con i sistemi esistenti di S&OP. La piattaforma funziona come un prodotto SaaS basato su cloud su AWS, con dettagli di implementazione disponibili tramite il Marketplace AWS ⁴.

Aspetti Tecnici e di Intelligenza Artificiale

3.1 Stack Tecnologico e Infrastruttura

Asper.ai sfrutta i servizi cloud AWS (inclusi Redshift, EMR e ElastiCache) per garantire scalabilità e rapida implementazione. Indicatori provenienti da annunci di lavoro e profili tecnici suggeriscono un ambiente di sviluppo moderno supportato da strumenti collaborativi e monitoraggi delle prestazioni digitali ⁵. Questa infrastruttura supporta la necessità della piattaforma di gestire grandi volumi di dati su più canali mantenendo una robusta integrazione con i sistemi legacy aziendali.

3.2 Capacità di Apprendimento Automatico e Intelligenza Artificiale

La piattaforma impiega modelli di apprendimento automatico che regolano le previsioni in base a metriche interne (come il volume delle vendite e i calendari promozionali) e variabili esterne (come indicatori macroeconomici). Anche se Asper.ai vanta un “AI spiegabile” per una attribuzione più chiara dei driver delle previsioni, la documentazione tecnica rimane scarsa riguardo alle architetture specifiche dei modelli o alle metodologie di addestramento. Il sistema distingue inoltre tra scenari di domanda ad alto rischio e a basso rischio, automatizzando le decisioni per quest’ultimi garantendo che i casi critici ricevano un’analisi umana ³⁶. Sebbene le metriche di performance citate negli studi di caso dei clienti includano miglioramenti del 5-15% nell’accuratezza delle previsioni e fino al 40% di miglioramenti nella produttività del pianificatore, le divulgazioni dettagliate sulla validazione del modello e sui margini di errore sono limitate ⁷.

Analisi Critica e Scettica

Un’analisi più approfondita rivela che, sebbene Asper.ai adotti una moderna implementazione basata su cloud e integri efficacemente diverse fonti di dati, diverse affermazioni tecniche mancano di dettagli granulari. La dipendenza della piattaforma da componenti AWS standard del settore sottolinea la sua scalabilità, tuttavia l’assenza di divulgazioni approfondite sulle architetture dei modelli o sui set di dati di addestramento lascia spazio a scetticismo riguardo a se la sua “AI costruita appositamente” rappresenti una svolta o semplicemente un’applicazione ben integrata delle tecniche di previsione esistenti. I miglioramenti nell’accuratezza delle previsioni e nella produttività del pianificatore, citati in vari studi di caso ⁸⁹, sono promettenti ma potrebbero dipendere fortemente dalla qualità dei dati del cliente e dai contesti di mercato specifici. Quindi, sebbene Asper.ai fornisca benefici operativi tangibili, le sue affermazioni sull’AI all’avanguardia rimangono, in qualche misura, promozionali senza una sostanziazione tecnica completa.

Asper.ai vs Lokad

Confrontando Asper.ai con Lokad - un pioniere fondato nel 2008 nel settore dell’ottimizzazione della supply chain - emergono chiare differenze. L’approccio di Lokad è profondamente radicato in una metodologia quantitativa e programmabile utilizzando il suo DSL proprietario Envision e tecniche avanzate tra cui il deep learning e la programmazione differenziabile. Operando su Microsoft Azure con uno stack tecnologico centrato su F#, C# e TypeScript, Lokad mira a una vasta gamma di settori (dall’aerospaziale alla moda) e enfatizza l’automazione delle decisioni end-to-end della supply chain.

Al contrario, Asper.ai, fondata solo pochi anni fa e allineata con Fractal Analytics, si concentra specificamente sui settori dei beni di consumo e del retail. Sfruttando l’infrastruttura AWS, enfatizza l’implementazione rapida, la spiegabilità nei risultati dell’AI e l’automazione dei processi decisionali di routine piuttosto che una piattaforma di ottimizzazione della supply chain altamente personalizzabile e basata sul codice. Fondamentalmente, mentre Lokad difende un approccio profondamente tecnico, quasi “costruisci il tuo”, all’ottimizzazione della supply chain, Asper.ai fornisce una soluzione più integrata, pronta all’uso con un’enfasi sulla trasparenza e sulla facilità di implementazione. Ciò rende ciascuno attraente per segmenti di mercato diversi: Lokad per le imprese disposte a investire in un sistema altamente personalizzato e programmabile e Asper.ai per le organizzazioni che cercano di implementare rapidamente previsioni migliorate e supporto decisionale senza un pesante ingegnerizzazione iniziale.

Conclusione

Asper.ai presenta una soluzione moderna e promettente per automatizzare e perfezionare le previsioni della domanda e i processi decisionali correlati nei settori dei beni di consumo e del retail. Integrando diverse fonti di dati in un motore di previsione guidato dall’IA con un focus sulla spiegabilità e sull’implementazione rapida, la piattaforma offre benefici pratici in termini di maggiore accuratezza delle previsioni e migliorata efficienza operativa. Tuttavia, la relativa mancanza di divulgazioni tecniche dettagliate significa che, sebbene i risultati siano incoraggianti, i potenziali adottanti dovrebbero valutare se i metodi della piattaforma rappresentino veramente una svolta nell’IA o piuttosto un’applicazione ben integrata delle tecniche esistenti. Confrontando Asper.ai con attori consolidati come Lokad, diventa chiaro che nonostante le differenze di approccio e infrastruttura - AWS e implementazione rapida rispetto all’ottimizzazione profondamente programmabile alimentata da Azure - ognuno ha i propri punti di forza unici adattati al proprio mercato di riferimento.