Software di ottimizzazione per il retail

Di Léon Levinas-Ménard

Ultima modifica: 2 febbraio 2025

Introduzione: I rivenditori oggi affrontano complessi problemi di ottimizzazione che riguardano i livelli di inventario, le strategie di prezzo e gli assortimenti di prodotti. Una serie di fornitori di software promettono soluzioni “alimentate da AI” per affrontare queste sfide, ma separare la vera innovazione tecnologica dai sistemi legacy e dall’hype di marketing richiede un esame attento. Questo studio valuta i principali fornitori di software di ottimizzazione per il retail secondo criteri rigorosi. Ci concentriamo sulle capacità di ottimizzazione congiunta (inventario, prezzo e assortimento insieme), previsione probabilistica (vere previsioni AI/ML vs. metodi semplificati), modellazione decisionale economica (decisioni basate su profitto e costo opportunità piuttosto che regole statiche), scalabilità ed efficienza dei costi (capacità di gestire grandi reti di vendita al dettaglio senza esorbitanti requisiti hardware), gestione di fattori di vendita al dettaglio complessi (ad es. cannibalizzazione del prodotto, effetti di sostituzione, prodotti deperibili/scadenza), automazione (livello di decision-making autonomo vs. intervento manuale richiesto), integrazione tecnologica (un coerente stack tecnologico vs. piattaforme “Frankenstein” assemblate da acquisizioni), e uno sguardo scettico verso le parole d’ordine (“sensing della domanda”, “plug-and-play”, ecc.). Ogni fornitore viene analizzato con profondità ingegneristica, utilizzando prove credibili e minimizzando la dipendenza dal marketing del fornitore. Di seguito, classifichiamo i fornitori dal più avanzato al meno avanzato, evidenziando i punti di forza, le debolezze e la verità dietro le loro affermazioni.

Criteri di valutazione per le piattaforme di ottimizzazione del retail

Prima di immergerci nei profili dei fornitori, riassumiamo i principali criteri di valutazione applicati:

Ottimizzazione congiunta (Inventario + Prezzo + Assortimento): La soluzione ottimizza queste dimensioni in modo olistico, riconoscendo la loro interdipendenza? O queste funzioni sono isolate? Le piattaforme veramente avanzate trattano prezzo, inventario e assortimento come leve integrate di un unico problema di ottimizzazione, piuttosto che come moduli separati ¹. Ad esempio, cambiare un prezzo dovrebbe influire sulle previsioni di inventario e sulle decisioni di assortimento in un modello unificato.
Previsione probabilistica & AI: Il fornitore utilizza l’AI/machine learning moderna per produrre previsioni probabilistiche (distribuzioni della domanda piuttosto che previsioni a punto singolo)? La previsione probabilistica è fondamentale per decisioni robuste in condizioni di incertezza ². Cerchiamo prove di modelli di machine learning, reti neurali o altre AI che migliorano l’accuratezza delle previsioni imparando schemi complessi (stagionalità, tendenze, promozioni, ecc.) e quantificano l’incertezza. I fornitori che si affidano ancora a metodi semplificati (come l’intonazione manuale o formule di base) o che trattano le previsioni come punti deterministici vengono penalizzati.
Decisioni economiche: Le decisioni della piattaforma sono guidate da obiettivi economici (massimizzazione del profitto, trade-off costo-di-stock vs. costo-di-stockout, ROI dello spazio sugli scaffali, ecc.)? Ottimizzare il retail richiede più che raggiungere i tassi di riempimento - significa massimizzare il profitto atteso in condizioni di incertezza. Favoriamo le soluzioni che incorporano margini, costi di detenzione, costi di svalutazione e costi opportunità nei loro algoritmi. Le euristiche basate su regole o gli obiettivi di livello di servizio possono essere insufficienti se ignorano l’obiettivo finale di redditività ³.
Scalabilità ed efficienza dei costi: Il software può gestire dati di vendita al dettaglio su scala aziendale (migliaia di negozi, milioni di SKU, alti volumi di transazioni) in modo efficiente? Le soluzioni che dipendono da calcoli monolitici in memoria (ad es. caricamento di interi set di dati in RAM) possono avere difficoltà a grande scala o richiedere hardware proibitivamente costoso ⁴. Preferiamo architetture native del cloud, microservizi e calcolo distribuito che scalano in modo economicamente efficiente, e penalizziamo quelli noti per alti costi hardware o prestazioni lente su big data.
Gestione di fattori di vendita al dettaglio complessi: La domanda di vendita al dettaglio reale è disordinata - cannibalizzazione del prodotto (la promozione di un prodotto che ruba vendite ad un altro ⁵ ⁶), effetti di sostituzione (quando un articolo è esaurito, la domanda di un articolo simile aumenta), effetti “halo” (prodotti complementari che si potenziano a vicenda ⁷), picchi stagionali, variazioni regionali e beni deperibili con date di scadenza. Valutiamo se gli algoritmi di ciascun fornitore affrontano esplicitamente queste complessità - ad es. utilizzando il machine learning per identificare relazioni tra prodotti ⁸ ⁹, o monitorando l’inventario per lotto di scadenza. Le soluzioni che assumono che la domanda di ciascun prodotto sia indipendente o ignorano la deperibilità sono meno future-proof per il retail moderno.
Automazione e funzionamento non presidiato: La promessa del “retailing autonomo” è che il sistema può prendere la maggior parte delle decisioni operative (ordini, cambi di prezzo, sconti, cambi di assortimento) automaticamente, lasciando agli umani il focus sulle eccezioni strategiche. Valutiamo se il software consente una pianificazione “senza tocco” - ad es. ordini di rifornimento automatici basati su previsioni, aggiustamenti automatici dei prezzi entro limiti di sicurezza - o se si basa ancora su pianificatori per rivedere e sovrascrivere costantemente le decisioni. I fornitori che vantano l’IA dovrebbero idealmente ridurre il carico di lavoro manuale (“la fatica della pianificazione” come la definisce uno ¹⁰), non aumentarlo.
Integrazione tecnologica vs. Piattaforme Frankenstein: Molti grandi fornitori sono cresciuti attraverso acquisizioni, aggiungendo strumenti separati di previsione, prezzi e pianificazione sotto un unico marchio. Esaminiamo se la soluzione del fornitore è una piattaforma coerente o un insieme di moduli con diverse interfacce utente e modelli di dati. L’integrazione “Frankensoft” spesso porta ad alta complessità e tempi di implementazione ¹¹. Le soluzioni veramente moderne tendono ad essere costruite su un unico stack tecnologico o almeno integrate in modo fluido tramite microservizi. Penalizziamo i fornitori dove i pezzi non si integrano ancora completamente (nonostante le affermazioni di marketing di una piattaforma “unificata”).
Scetticismo verso le parole d’ordine e l’hype: Lo spazio tecnologico del retail è pieno di parole d’ordine come “sensing della domanda”, “integrazione plug-and-play guidata dall’IA”, “supply chain cognitiva”, ecc. La nostra analisi filtra le affermazioni vaghe e cerca sostanziazione. I fornitori che si appoggiano al gergo senza spiegazioni chiare o supporto peer-reviewed sono visti criticamente. Ad esempio, il “sensing della domanda” è spesso citato come una panacea, ma alcuni esperti lo etichettano come un trucco di marketing che non riesce a fornire un valore nuovo ¹². Segnaliamo tali casi e favoriamo i fornitori che forniscono prove concrete e credibili delle loro capacità.

Con questi criteri in mente, esaminiamo i principali fornitori di ottimizzazione del retail e li classifichiamo. Ogni sezione del fornitore evidenzia come si misurano su ogni dimensione, con uno sguardo particolarmente scettico alle affermazioni esagerate.

1. Lokad – Ottimizzazione unificata, probabilistica con AI scettica

Lokad è un nuovo entrante (fondato nel 2008) che ha costruito la sua piattaforma da zero attorno alla previsione probabilistica e all’ottimizzazione delle decisioni per il retail e la supply chain. A differenza di molti concorrenti, Lokad ha esplicitamente cercato di unificare i prezzi, l’inventario e la pianificazione della domanda in un unico sistema, piuttosto che trattarli come silos separati ¹³ ¹⁴. Questo approccio è radicato nella comprensione che le decisioni sui prezzi influenzano direttamente la domanda e le esigenze di inventario, e viceversa. Il fondatore di Lokad ha notato che storicamente la previsione e i prezzi erano gestiti da strumenti diversi, ma in realtà “la domanda e i prezzi sono profondamente interconnessi”, portando Lokad a fondere queste funzioni in un unico framework analitico ¹⁵ ¹⁶. Hanno persino sviluppato il loro linguaggio di programmazione specifico per il dominio (“Envision”) per modellare le decisioni della supply chain, consentendo un’ottimizzazione altamente personalizzata che può comprendere la logica dei prezzi, dell’inventario e dell’assortimento insieme ¹⁷ ¹⁶.

Ottimizzazione congiunta: La filosofia di Lokad è che non si può ottimizzare l’inventario senza tenere conto della strategia dei prezzi, e viceversa. Hanno integrato la pianificazione dei prezzi e della domanda in una sola piattaforma - ad esempio, il loro sistema può ottimizzare le quantità di riordino suggerendo contemporaneamente aggiustamenti dei prezzi, garantendo che i prezzi non spingano la domanda fuori sincrono con l’inventario ¹. Un caso studio interno discute una strategia di “prezzi basati sullo stock” in cui i prezzi vengono regolati dinamicamente in base ai livelli di inventario, coordinando efficacemente i prezzi con la disponibilità dell’inventario. Condividendo gli stessi dati (storico delle vendite, informazioni sul prodotto, ecc.) sia per i modelli di prezzi che per quelli di previsione, Lokad evita i silos di dati visti nel tradizionale IT del retail ¹⁸ ¹⁶. Questo approccio congiunto è all’avanguardia, sebbene richieda ai rivenditori di abbracciare la tariffazione algoritmica - un significativo aspetto di gestione del cambiamento. La disponibilità di Lokad ad affrontare insieme prezzi e inventario le conferisce una capacità veramente prospettica che pochi fornitori legacy hanno raggiunto.

Previsione probabilistica e AI: Lokad è un forte sostenitore della previsione probabilistica. La loro piattaforma produce distribuzioni di probabilità complete della domanda (per ogni articolo e periodo) piuttosto che previsioni a singolo punto. Lokad sostiene - e noi concordiamo - che “per le supply chain, le previsioni probabilistiche sono essenziali per produrre decisioni robuste contro condizioni future incerte”, permettendo l’ottimizzazione delle decisioni basata su valori attesi e rischio ³. Catturando l’intervallo di possibili risultati della domanda e le loro probabilità, le previsioni di Lokad supportano naturalmente la decisione economica: “la prospettiva probabilistica si presta naturalmente alla priorizzazione economica delle decisioni basata sui loro ritorni attesi ma incerti.” ³ In pratica, questo significa che Lokad può valutare, ad esempio, la redditività attesa di stoccare un caso extra di un prodotto rispetto al rischio di spreco, utilizzando la distribuzione completa della domanda. Tecnicamente, Lokad utilizza modelli di apprendimento automatico all’avanguardia (inclusa la regressione quantile e l’apprendimento profondo) per generare queste previsioni, e hanno pubblicato prove dell’uso di tecniche come la programmazione differenziabile per le serie temporali. Poiché il loro focus è sull’accuratezza dell’AI e sulla quantificazione dell’incertezza, evitano metriche semplistiche; in particolare, criticano misure come MAPE (Mean Absolute Percentage Error) quando applicate a previsioni probabilistiche come concettualmente non valide ¹⁹. Questo dimostra una profondità di comprensione della previsione che li distingue dai fornitori che appiccicano “AI” su statistiche legacy. La tecnologia di previsione di Lokad è chiaramente all’avanguardia, sebbene a volte richieda una configurazione qualificata utilizzando il loro linguaggio di scripting.

Logica di decisione economica: L’intero framework di Lokad è costruito attorno all’ottimizzazione economica. Spesso inquadrano i problemi della supply chain come “massimizzazione del profitto atteso” in condizioni di incertezza, piuttosto che raggiungere tassi di riempimento arbitrari o minimizzare le mancanze di stock. Ad esempio, i loro algoritmi considerano i costi di opportunità delle mancanze di stock, i costi di detenzione e i costi di svalutazione esplicitamente quando raccomandano acquisti di inventario o cambiamenti di prezzo. Poiché generano previsioni probabilistiche, possono calcolare la redditività attesa di ogni decisione (ad es. quanto profitto si guadagna stoccando un’unità in più rispetto alla possibilità che rimanga invenduta). Questo è un passo avanti rispetto a molti strumenti che si basano su obiettivi di livello di servizio impostati dall’utente; Lokad cerca di calcolare il livello di servizio ottimale per articolo dinamicamente dall’economia. In sostanza, le loro decisioni sono direttamente legate ai risultati finanziari (ad es. massimizzare il contributo marginale atteso), allineandosi con il criterio dell’ottimizzazione guidata dalla redditività. Questo focus è radicato nella loro convinzione che l’ottimizzazione della supply chain non riguarda solo il taglio dei costi ma l’allocazione delle risorse per massimizzare i rendimenti. Una conseguenza è la capacità di fare cose come l’ottimizzazione dei prezzi con la previsione della domanda combinata - evitando la trappola degli strumenti di prezzo che ignorano i vincoli di inventario. Lokad stessa avverte che “ottimizzare i prezzi in isolamento - indipendentemente dalla previsione della domanda - è un passo indietro” ²⁰ ²¹. Incorporando i prezzi nel ciclo di previsione/ottimizzazione, assicurano che i calcoli di profitto riflettano la vera risposta della domanda. Nel complesso, l’orientamento economico di Lokad è il migliore in classe; tuttavia, richiede fiducia nell’algoritmo. I rivenditori devono essere disposti a lasciare che un algoritmo faccia compromessi di redditività che i pianificatori gestivano manualmente, il che può essere un ostacolo culturale.

Scalabilità & Architettura: Lokad offre la sua soluzione come un servizio basato su cloud (spesso sull’infrastruttura di Microsoft Azure). Piuttosto che richiedere ai clienti di eseguire pesanti server in memoria on-premise, Lokad esegue i calcoli sul loro cluster cloud, scalando secondo le necessità. Questo modello di calcolo on-demand evita l’approccio “hardwired in-memory cube” che alcuni strumenti legacy utilizzano, che “fornisce report in tempo reale impressionanti ma garantisce alti costi hardware” ²². Al contrario, Lokad può elaborare grandi set di dati distribuendo il carico di lavoro nel cloud, e i clienti pagano solo per il tempo di calcolo utilizzato. Questo è efficiente in termini di costi e scalabile - si possono lanciare più nodi di calcolo su un grosso problema per poche ore piuttosto che dimensionare un server permanente per il picco di carico. L’architettura di Lokad è code-first (tramite script Envision), il che significa che i calcoli complessi vengono compilati ed eseguiti in modo efficiente lato server, non realizzati in un’interfaccia desktop goffa. Questo design si è dimostrato capace su set di dati al dettaglio ragionevolmente grandi (citano clienti con decine di milioni di combinazioni SKU-location). Tuttavia, vale la pena notare che Lokad è un fornitore più piccolo, e la sua scalabilità, sebbene generalmente solida, potrebbe non essere ancora testata sul campo sui dati al dettaglio più grandi (ad esempio, su scala Walmart) al grado di un SAP o Oracle. Detto questo, il loro approccio cloud è fondamentalmente più scalabile rispetto ai sistemi legacy on-premise legati alla memoria. L’efficienza dei costi è anche alta: gli utenti non sono costretti a licenziare hardware massiccio o a pagare per il calcolo inattivo, poiché il pricing SaaS di Lokad è basato sull’uso. In sintesi, l’architettura cloud moderna di Lokad le conferisce un vantaggio in termini di scalabilità e costi, a condizione che i clienti siano aperti a un sistema meno tradizionale, guidato dal codice.

Gestione di Fattori Retail Complessi: Poiché la piattaforma di Lokad è essenzialmente un ambiente di programmazione flessibile per l’ottimizzazione, può essere configurata per gestire esplicitamente fenomeni retail complessi. Ad esempio, gli utenti possono modellare interrelazioni tra prodotti (sostituti o complementi) nei loro script Envision in modo che le previsioni e gli ordini tengano conto degli effetti di cannibalizzazione o halo. Se il prodotto A e B sono sostituti, il sistema di Lokad può ingerire dati transazionali e apprendere che quando A è esaurito, le vendite di B aumentano, regolando di conseguenza le previsioni. Questa non è necessariamente una funzionalità out-of-the-box attivata da una casella di controllo - richiede un lavoro di data science per impostare il modello giusto - ma la capacità c’è. Allo stesso modo, gli effetti promozionali possono essere modellati: Lokad può utilizzare calendari promozionali come input e persino ottimizzare i prezzi promozionali. Su prodotti deperibili e date di scadenza, Lokad può incorporare la durata residua della scaffalatura nella sua logica di ottimizzazione (ad esempio, aumentando la priorità di vendita degli articoli man mano che si avvicinano alla scadenza attraverso sconti sul prezzo o evitando il sovrastoccaggio di prodotti a breve vita). La forza chiave è la flessibilità: a differenza dei rigidi sistemi legacy, l’approccio di Lokad può codificare praticamente qualsiasi vincolo o fattore, a condizione che si disponga di dati e competenze. Il lato negativo è che potrebbe non avere un modulo “cannibalizzazione” preconfezionato - l’utente (o il team di Lokad) deve implementare la logica. Tuttavia, molti fornitori ignorano semplicemente queste sfumature. Il team di Lokad ha pubblicato su argomenti come l’integrazione della cannibalizzazione nelle previsioni tramite machine learning (ad es. identificando i sostituti tramite correlazioni di vendita), indicando che sono consapevoli e in grado di affrontarlo in modo simile ai principali specialisti del retail ⁸ ⁹. In pratica, per un rivenditore con dinamiche di categoria complesse, Lokad probabilmente farebbe un progetto di modellazione personalizzato. Questo approccio su misura può produrre una gestione molto accurata di fattori come la cannibalizzazione, ma richiede l’adesione a un setup più consulenziale piuttosto che plug-and-play. Data la traccia di Lokad (ad es. lavorando con rivenditori di moda su curve di taglia, rivenditori di alimentari su promozioni), hanno dimostrato di poter gestire questi fattori almeno tanto bene quanto i principali concorrenti.

Automazione: La visione di Lokad è fortemente orientata verso la presa di decisioni non assistita. La loro piattaforma è spesso descritta come “Ottimizzazione della supply chain come servizio”, il che implica che l’utente la configura e questa produce automaticamente decisioni (come ordini di rifornimento o cambi di prezzo) su base continua ²³. L’obiettivo è che i pianificatori passino dal calcolo manuale dei numeri alla supervisione delle decisioni guidate dall’IA. Il sistema di Lokad può generare quotidianamente o settimanalmente raccomandazioni di ordine che possono essere integrate direttamente nel ERP del rivenditore per l’esecuzione, con un minimo di intervento umano. Poiché le previsioni sono probabilistiche e l’ottimizzazione è guidata dal profitto, l’idea è che il sistema stia facendo la scelta ottimale e non ha bisogno del controllo intuitivo di un pianificatore su, ad esempio, ogni quantità di ordine. Naturalmente, nella realtà le aziende spesso esaminano le raccomandazioni inizialmente, ma molti clienti di Lokad hanno apparentemente raggiunto un alto grado di automazione (gestendo solo eccezioni come nuovi prodotti o grandi eventi manualmente). L’enfasi sulla modalità “pilota automatico” è un fattore distintivo - mentre alcuni strumenti più vecchi sono di supporto alla decisione e si basano sui pianificatori per interpretare, Lokad mira a essere un software di presa di decisioni. Un esempio di successo dell’automazione: un rivenditore di alimentari che utilizza Lokad è stato in grado di gestire il rifornimento automatico del negozio che si adattava alle variazioni della domanda, ottenendo una significativa riduzione degli sprechi e della mancanza di stock simultaneamente ²⁴. Questo è in linea con i risultati del settore che indicano che il rifornimento automatico guidato dalle previsioni può ridurre gli sprechi di una percentuale a due cifre ²⁴. Lo scripting di Lokad permette agli utenti di codificare le regole aziendali (ad esempio, non lasciare mai che le scorte scendano al di sotto di un minimo di stock di presentazione) in modo che l’automazione rispetti i vincoli del mondo reale. Nel complesso, Lokad ottiene voti alti per la spinta verso una vera ottimizzazione non assistita. L’unico avvertimento è che l’installazione iniziale (codifica e test del modello) richiede un grande impegno; fino a quando il modello non è corretto, non vorresti automatizzare le decisioni. Ma una volta sintonizzato, il sistema può funzionare con un minimo di intervento umano, ben oltre il livello di automazione dei sistemi MRP o di pianificazione legacy.

Integrazione Tecnologica: Lokad è costruita interamente in-house su uno stack tecnologico coerente. Non è cresciuta acquisendo il software di altre aziende; invece, ha sviluppato il proprio motore di previsione, risolutore di ottimizzazione e linguaggio di scripting. Questo produce una piattaforma integrata - tutte le funzionalità (previsione, prezzi, ottimizzazione dell’inventario) operano sullo stesso modello di dati e linguaggio. Non ci sono “moduli” da integrare tramite interfacce; tutto è fatto nell’ambiente Envision. Questo è un netto contrasto con alcuni concorrenti che devono cucire insieme uno strumento di prezzo acquisito con uno strumento di pianificazione separato. L’approccio unificato di Lokad riduce la complessità ed evita incongruenze. Ad esempio, l’output della previsione della domanda fluisce direttamente nella logica di ottimizzazione dei prezzi all’interno dello stesso script - non c’è bisogno di trasferimenti di file batch o di chiamate API scomode tra sistemi diversi. Inoltre, la piattaforma di Lokad è relativamente snella (non richiede un database relazionale completo o un cubo OLAP; la loro memorizzazione e calcolo sono ottimizzati per il loro scopo specifico). Si potrebbe dire che lo stack di Lokad è “a prova di futuro” in quanto viene continuamente migliorato come un tutto, piuttosto che avere componenti legacy che necessitano di sostituzione. Il compromesso di questa tecnologia altamente originale è che è unica - i clienti devono imparare il modo di lavorare di Lokad, che è diverso dagli strumenti di pianificazione GUI tipici. Ma da un punto di vista ingegneristico, la coesione dello stack tecnologico è eccellente. Non c’è un Frankenstein di pezzi acquisiti; anche la loro interfaccia utente e le analisi sono costruite intorno al loro motore centrale. Questa semplicità significa anche meno punti di fallimento nell’integrazione - un grande vantaggio quando si mira alla piena automazione.

Scetticismo verso l’hype: In particolare, Lokad è esplicitamente scettico nei confronti dei buzzword del settore e questo atteggiamento permea la loro posizionamento del prodotto. L’azienda ha pubblicato critiche a concetti come il “sensing della domanda”, definendolo “un altro buzzword nella supply chain che non rispetta le aspettative”, essenzialmente mootware (software che esiste ma non fornisce valore) ¹². Questa lente scettica è in realtà un punto di forza: suggerisce che Lokad cerca di basare il suo prodotto su una scienza solida piuttosto che su un marketing guidato dalle tendenze. Ad esempio, Lokad non ha aderito alla moda della “blockchain supply chain” o ha esagerato la retorica del “gemello digitale” (che anche il loro fondatore ha criticato). Invece, si concentrano su capacità tecniche tangibili come la previsione probabilistica e l’ottimizzazione del quantile. In termini di affermazioni del fornitore, quelle di Lokad sono generalmente concrete. Evitano di affermare un’implementazione “plug-and-play” impossibilmente facile o una magica AI pronta all’uso. Infatti, spesso avvertono che l’implementazione di un’ottimizzazione avanzata è complessa e richiede un adattamento a ciascuna azienda (da qui l’enfasi su un linguaggio di programmazione per codificare le specifiche di ciascun cliente). Questa onestà è rinfrescante in un dominio pieno di promesse elevate. Il lato negativo è che un messaggio timido dal punto di vista del marketing potrebbe far sembrare Lokad meno appariscente rispetto ai concorrenti che esaltano rumorosamente la “supply chain autonoma con AI cognitiva”. Ma da una prospettiva di ricerca della verità, le affermazioni di Lokad tendono ad essere sostanziate - ad es. se parlano di una riduzione del 5% delle scorte presso un cliente, di solito è in uno studio di caso dettagliato, non in un’affermazione generica. Discutono apertamente anche delle limitazioni delle tecniche (si possono trovare post sul blog di Lokad che dissezionano dove falliscono i metodi classici). Questa trasparenza costruisce credibilità. Nel complesso, Lokad emerge come una soluzione del tecnologo - costruita su solidi principi di ingegneria e analisi, combinando previsione e ottimizzazione, e schivando l’hype. L’approccio è argomentabilmente lo standard oro in termini di sofisticazione tecnica (probabilistica, orientata al profitto, architettata nel cloud). La principale riserva è che Lokad è più piccola e meno provata su larga scala rispetto ad alcuni concorrenti consolidati, e il suo modello richiede un’implementazione personalizzata e competente per cliente piuttosto che una preconfezionata. Ma in termini di capacità grezze e design prospettico, Lokad si classifica come un fornitore di punta nell’ottimizzazione del retail.

Riassunto: Lokad è leader nell’ottimizzazione congiunta (prezzi integrati con l’inventario), utilizza una vera previsione AI probabilistica ³, ottimizza per profitto e costo opportunità, scala attraverso un’architettura efficiente in termini di costi nativa del cloud, gestisce le complessità del retail attraverso la modellazione flessibile, consente un’alta automazione, ha un coerente stack tecnologico interno, e mantiene una posizione scettica rinfrescante sull’hype. Rappresenta un approccio a prova di futuro, sebbene possa richiedere più lavoro analitico iniziale.

Fonti: L’integrazione di Lokad dei dati di prezzo e pianificazione ²⁵; enfasi sulle previsioni probabilistiche per decisioni robuste e orientate al profitto ³; critica dei buzzword come il sensing della domanda ¹².

2. RELEX Solutions – Pianificazione Unificata Orientata al Retail con AI Avanzata (e Alcuni Pesanti Sollevamenti)

RELEX Solutions (fondata nel 2005) è un fornitore in rapida crescita specializzato nella pianificazione e ottimizzazione del retail, che copre previsioni, rifornimento, allocazione, assortimento e ora ottimizzazione dei prezzi. RELEX si è costruita una reputazione nei settori del grocery e del retail specializzato fornendo miglioramenti misurabili in termini di disponibilità e riduzione degli sprechi. La loro piattaforma è specificamente costruita per le sfide del retail (prodotti a breve durata di conservazione, enormi conteggi SKU, pianificazione a livello di negozio) ed è conosciuta per l’uso di avanzati machine learning e un motore di elaborazione dati in memoria per una reattività in tempo reale. RELEX offre una soluzione unificata che copre previsioni della domanda, rifornimento automatico, pianificazione di spazio e assortimento, e recentemente i prezzi - rendendola uno dei pochi fornitori oltre a Lokad che può affermare di affrontare tutti e tre i pilastri (inventario, prezzi, assortimento) in modo integrato. L’azienda ha una forte cultura dell’ingegneria (fondata da tre dottori di ricerca in informatica) e ha investito pesantemente in R&D di AI per il retail. Classifichiamo RELEX molto in alto a causa delle sue capacità specifiche per il retail e dei risultati provati, pur notando alcuni potenziali svantaggi in termini di pesantezza del sistema e del fatto che anche essa deve sostenere il suo marketing con prove.

Ottimizzazione Congiunta: La piattaforma di RELEX è relativamente olistica per le operazioni di retail. Ha iniziato con previsioni e rifornimento ma si è espansa nell’ottimizzazione dell’assortimento e planogrammi, e offre anche moduli di ottimizzazione dei prezzi ²⁶. Questo significa che un rivenditore può utilizzare RELEX per decidere quali prodotti tenere in ogni negozio (assortimento), quanto stock (inventario), e a quale prezzo vendere (prezzi), tutto all’interno di un unico sistema. L’integrazione tra questi è un lavoro in corso - RELEX ha storicamente eccelso nell’ottimizzazione dell’inventario (rifornimento di negozi/DC) e nella pianificazione dello spazio, e solo più recentemente ha aggiunto capacità di ottimizzazione dei prezzi. Tuttavia, pubblicizzano che la loro ottimizzazione dei prezzi è allineata con il loro motore di previsione, permettendo decisioni sui prezzi da prendere con piena conoscenza degli impatti sulla domanda ²⁷. Ad esempio, RELEX può simulare come un cambiamento di prezzo su un articolo chiave-valore influenzerà non solo le vendite di quell’articolo, ma anche prodotti complementari o sostitutivi, grazie agli stessi modelli di previsione sottostanti. Inoltre, la funzione di pianificazione delle promozioni di RELEX lega le promozioni dei prezzi al processo di pianificazione della domanda: le promozioni vengono inserite nel sistema che poi regola le previsioni e suggerisce accumuli di inventario, e può persino raccomandare meccanismi di promozione. Questo livello di considerazione congiunta è forte. Un punto di forza è la capacità di RELEX di coordinare lo spazio (capacità dello scaffale) con le previsioni - ad es. se si prevede che cambiamenti nell’assortimento o nei prezzi porteranno a un maggior volume, il sistema segnalerà se lo spazio sugli scaffali è insufficiente. Detto questo, RELEX potrebbe non ottimizzare ancora il prezzo e l’inventario simultaneamente in un unico algoritmo (probabilmente prevede iterativamente la domanda per un dato prezzo, poi ottimizza il rifornimento di conseguenza, piuttosto che ottimizzare prezzo e stock insieme per il profitto). Tuttavia, all’interno di una sola piattaforma, i feedback loop sono più stretti rispetto a un rivenditore che utilizza strumenti separati. RELEX pubblicizza esplicitamente la “pianificazione unificata del retail”, e i casi studio mostrano clienti che la utilizzano end-to-end (dalle decisioni di assortimento a lungo termine agli ordini giornalieri del negozio). Diamo a RELEX voti alti per l’ampiezza; nessuna lacuna funzionale evidente nell’ambito del retail. La riserva è che integrare tutti questi pezzi può essere complesso - è un unico pacchetto, ma implementare ogni modulo (merchandising, supply chain, prezzi) è un progetto di grande portata.

Previsione probabilistica e IA: RELEX è noto per il suo intenso utilizzo di IA/ML per migliorare l’accuratezza e la granularità delle previsioni. Hanno sviluppato modelli di apprendimento automatico che incorporano una varietà di driver di domanda: “stagionalità, tendenze, schemi settimanali, promozioni, cambiamenti di display, festività, meteo, azioni dei concorrenti,” ecc. ²⁸ ²⁹. Questo approccio multifattoriale va oltre i metodi tradizionali di serie temporali. Gli algoritmi ML di RELEX rilevano automaticamente quali fattori contano per ogni prodotto (selezione delle caratteristiche) e possono rilevare cambiamenti nei modelli di domanda (rilevamento del punto di cambiamento per improvvisi cambiamenti di tendenza) ³⁰ ³¹. Una tecnica impressionante che utilizzano è il raggruppamento dei dati per dati sparsi - per gli articoli a lenta vendita, il modello raggruppa prodotti simili per cogliere il segnale e migliorare le previsioni ³¹. Tutti questi sono metodi moderni di IA che ci si aspetterebbe in un contesto accademico, ora implementati in uno strumento commerciale. Il risultato, come affermano, sono previsioni che “superano i metodi tradizionali in termini di velocità, accuratezza e granularità” ³². Infatti, RELEX spesso vanta metriche come un significativo miglioramento percentuale nell’accuratezza delle previsioni o nel livello di servizio dopo l’implementazione. Gestiscono l’incertezza fino a un certo punto - ad esempio, il loro sistema può produrre diversi scenari o intervalli di confidenza per le promozioni (incorporano effetti di cannibalizzazione e aureola nelle previsioni promozionali utilizzando ML per interpretare i dati storici ⁹). Durante le promozioni, regolano esplicitamente le previsioni dei prodotti correlati verso il basso o verso l’alto in base alle relazioni di cannibalizzazione/aureola apprese ⁹, riducendo così le scorte in eccesso per gli articoli cannibalizzati ed evitando carenze per gli articoli aureola. Questo dimostra una sofisticata comprensione probabilistica degli effetti tra prodotti. Non è chiaro se RELEX produca distribuzioni di probabilità complete per tutti gli articoli (potrebbero simulare internamente scenari, ma i pianificatori vedono principalmente previsioni puntuali regolate). Tuttavia, la loro gestione della variabilità è avanzata - ad esempio, menzionano di tenere conto della “volatilità tipica dei dati di vendita al dettaglio” utilizzando algoritmi adatti a questo ³⁰. Un altro esempio di IA è la previsione per nuovi prodotti o venditori lenti utilizzando profili di articoli simili, che è un approccio guidato dall’IA al classico problema di previsione “come articolo”. L’impegno di RELEX per ML è evidenziato anche dai progetti di ricerca dell’UE e dai white paper che hanno realizzato (hanno partecipato a un progetto Horizon 2020 dell’UE sull’IA per il retail). Nel complesso, la tecnologia di previsione di RELEX è all’avanguardia tra i fornitori di vendita al dettaglio, probabilmente leader nell’adozione dell’IA per la pianificazione del retail. Potrebbero non utilizzare il termine “previsione probabilistica” tanto quanto Lokad, ma in pratica incorporano l’incertezza tramite simulazione (per le promozioni) e analisi di sensibilità. Utilizzano persino l’IA per compiti non di previsione come il riconoscimento di immagini nell’audit degli scaffali (attraverso un’acquisizione). Il principale svantaggio: tali modelli complessi di IA possono essere una “scatola nera” per gli utenti, e la fiducia deve essere guadagnata. Ma i loro risultati (ad es. riduzione del 30% degli sprechi per una catena di supermercati grazie a previsioni più accurate dei prodotti freschi ²⁴) testimoniano l’efficacia della loro IA.

Decisioni Economiche: L’attenzione di RELEX all’ottimizzazione si è storicamente concentrata sui livelli di servizio e freschezza piuttosto che sull’ottimizzazione esplicita del profitto - comprensibile dato il loro mercato di riferimento, la spesa alimentare (dove evitare scaffali vuoti e sprechi è fondamentale). Tuttavia, hanno aggiunto analisi più orientate economicamente. Ad esempio, la loro razionalizzazione dell’assortimento utilizza l’IA per valutare la redditività end-to-end di ogni prodotto per negozio: identifica gli articoli a basso rendimento che non giustificano il loro spazio sugli scaffali analizzando le vendite, i margini e i costi che comportano ³³. Sottolineano che questa IA “individua la redditività end-to-end per ogni articolo per negozio, evidenziando i cattivi performer” ³³ - collegando efficacemente le decisioni sull’assortimento ai risultati finanziari (tagliare la coda che non è redditizia). Questo dimostra che RELEX comprende che l’ottimizzazione deve essere legata al profitto, non solo ai volumi. Nell’ottimizzazione dell’inventario, RELEX consente di impostare diversi obiettivi di livello di servizio per prodotto, potenzialmente informati dal margine (articoli critici vs quelli meno redditizi). Non è puramente guidato dal costo opportunità come Lokad, ma può approssimare la priorità economica concentrandosi su una maggiore disponibilità dove conta finanziariamente. Sul lato dei prezzi, dato che RELEX ora ha un modulo di ottimizzazione dei prezzi, la redditività è lì in primo piano: l’ottimizzazione dei prezzi mira a impostare i prezzi per raggiungere gli obiettivi aziendali, che spesso consiste nel massimizzare il margine o il fatturato entro determinati vincoli. Possiamo supporre che la loro IA dei prezzi guardi all’elasticità e ai compromessi di margine (simile a Revionics o Blue Yonder pricing). Inoltre, la pianificazione delle promozioni di RELEX cerca di massimizzare il successo delle promozioni - che include la valutazione dell’incremento rispetto al sacrificio del margine. Un indicatore significativo dell’orientamento economico sono i loro case study: ad es. Franprix (un negozio di alimentari francese) ha ottenuto una riduzione degli sprechi del 30% E il 67% in meno di esaurimenti di scorte utilizzando RELEX, migliorando la redditività attraverso meno sprechi e più vendite ²⁴. Hanno essenzialmente ottimizzato l’equilibrio tra il costo degli sprechi e il livello di servizio, che è un’ottimizzazione guidata dal profitto se la si inquadra in questo modo. Un altro esempio è l’uso di dati esterni (come le previsioni dei passeggeri aeroportuali per i negozi WHSmith) per allineare l’offerta con la domanda effettiva e prevenire il sovrastoccaggio di cibo fresco ³⁴ - ancora una volta, riducendo gli sprechi (costo) mentre si catturano le vendite. Tutto ciò implica che le decisioni di RELEX, pur non risolvendo una formula formale di massimizzazione del profitto, sono molto orientate ai risultati economici (costi di spreco più bassi, vendite più alte, miglior turnover dell’inventario). Potrebbero non produrre esplicitamente calcoli di “profitto atteso” per ogni decisione come farebbe Lokad, ma raggiungono risultati simili mirando ai KPI aziendali che correlano con il profitto (ad es. percentuale di sprechi, percentuale di esaurimento delle scorte, fatturato). Man mano che incorporano la tariffazione, ci aspettiamo che RELEX si sposterà ulteriormente verso l’ottimizzazione unificata del profitto (ad esempio, ottimizzando i programmi di sconto per vendere gli articoli stagionali al margine più alto possibile senza rimanenze di magazzino). In sintesi, il DNA di RELEX è un po’ più operativo (livello di servizio e sprechi) che finanziario, ma riconoscono chiaramente e incorporano l’economia del retail nei loro algoritmi, rendendoli molto più di un motore di regole cieco.

Scalabilità & Performance: L’architettura di RELEX è famosamente costruita su un database ad alte prestazioni in-memory con storage a colonne per tutti i dati di vendita al dettaglio, consentendo calcoli molto veloci su grandi set di dati (una necessità chiave per la pianificazione a livello di SKU-negozio). Il vantaggio è l’analisi in tempo reale - gli utenti possono, ad esempio, vedere immediatamente l’impatto di un cambio di parametro sugli ordini, o ricalcolare una previsione al volo per migliaia di negozi. Questo design ha impressionato molti rivenditori, ma comporta un elevato utilizzo dell’hardware. Infatti, un’analisi critica ha notato che “il design in-memory, simile a un cubo BI, offre impressionanti capacità di reporting in tempo reale ma garantisce alti costi di hardware.” ²². Questo si riferisce all’approccio di RELEX: memorizzare i dati in memoria garantisce velocità, ma scalare a, diciamo, una catena di supermercati nazionale con milioni di combinazioni SKU-negozio può richiedere una grande memoria e potenza di calcolo. RELEX si implementa tipicamente come una soluzione cloud per i clienti (ospitano su cloud, possibilmente AWS o Azure, non dichiarato pubblicamente), e possono sicuramente scalare a grandi clienti (hanno diversi clienti di vendita al dettaglio multi-miliardari). La questione è l’efficienza dei costi - RELEX potrebbe richiedere più risorse cloud (e quindi costi) per raggiungere le sue prestazioni rispetto a una soluzione più orientata ai batch. Da un punto di vista della scalabilità, RELEX ha dimostrato di essere capace per i grandi rivenditori in Europa e Nord America. Il sistema può gestire gli ordini per negozio per migliaia di negozi quotidianamente. Un cliente RELEX di medie dimensioni gestisce spesso decine di migliaia di SKU con ricalcoli sub-giornalieri. Il collo di bottiglia può essere quando si aggiungono più moduli: l’integrazione dei dati di assortimento e planogramma (che sono enormi) con il motore di previsione può ulteriormente aumentare i volumi di dati. RELEX ha affrontato questo ottimizzando i loro algoritmi e forse scaricando alcuni calcoli su disco o nodi distribuiti, ma è intrinsecamente un’applicazione intensiva. Forniscono anche cruscotti e strumenti di simulazione what-if che sfruttano i calcoli veloci - ma ancora una volta, l’intero set di dati in memoria è il fattore abilitante. Dovremmo notare che i prezzi della memoria sono diminuiti e la scalabilità del cloud sta migliorando, quindi l’approccio pesante di RELEX è più fattibile ora rispetto a un decennio fa. Tuttavia, i clienti attenti ai costi potrebbero trovare le esigenze infrastrutturali di RELEX ripide rispetto a strumenti più semplici. Ci sono prove aneddotiche che le implementazioni di RELEX necessitano di server robusti o di spese elevate per il cloud per mantenere la reattività in tempo reale. A questo proposito, RELEX sacrifica un po’ di efficienza dei costi per velocità e granularità. Per quanto riguarda la scalabilità del software, RELEX è modulare (non è necessario implementare tutti i moduli se non necessario) ma è tutta una piattaforma. Hanno dimostrato di essere in grado di supportare operazioni globali (multi-paese, multi-valuta, ecc.). Nel complesso, RELEX ottiene un punteggio alto per pura potenza e velocità, moderato per l’efficienza dei costi - è la macchina sportiva di fascia alta dell’ottimizzazione al dettaglio: prestazioni fantastiche, ma pagherai per il carburante premium.

Gestione di fattori retail complessi: Questo è il punto in cui RELEX eccelle - ha una ricca funzionalità appositamente creata per gli scenari retail. Cannibalizzazione ed effetti aureola sono gestiti esplicitamente nelle loro previsioni per le promozioni: come discusso, il sistema apprende le relazioni dai dati transazionali (come quali prodotti sono sostituti rispetto ai complementi) e regola le previsioni di conseguenza ⁸ ⁹. Pochi fornitori hanno questa funzionalità integrata; il team di data science di RELEX ha pubblicato come utilizzano l’apprendimento delle regole di associazione sui dati del carrello per dedurre queste relazioni, piuttosto che fare affidamento su ipotesi manuali ⁸. Questo significa che quando si lancia una promozione sul prodotto X, RELEX automaticamente abbasserà la previsione di base del prodotto Y se Y è solitamente cannibalizzato da X (e viceversa per l’effetto aureola). Questo non solo migliora l’accuratezza delle previsioni, ma guida anche decisioni di inventario migliori (stoccare meno di Y perché venderà meno durante la promozione di X) ⁹. Sulla sostituzione, RELEX può tenere conto degli effetti di esaurimento delle scorte: se il prodotto A è esaurito, la loro previsione per il prodotto B può aumentare temporaneamente se B è un sostituto. Questo è probabilmente fatto attraverso le stesse relazioni apprese; alcuni clienti forniscono a RELEX le posizioni di inventario del loro negozio in modo che possa rilevare le vendite perse e i modelli di sostituzione. Scadenza e deterioramento sono un punto focale per RELEX, specialmente nel retail di alimenti freschi. La loro soluzione può monitorare l’età dell’inventario e ha funzionalità per la gestione delle date di scadenza ³⁵. Ad esempio, RELEX può dare priorità alla vendita di lotti più vecchi prima (FEFO - first-expire, first-out), e le loro previsioni per gli articoli freschi considerano la durata limitata della conservazione (tendono a consigliare rifornimenti più piccoli e più frequenti per beni a breve vita). Forniscono anche strumenti per monitorare il deterioramento e allertare se le scorte si stanno avvicinando alla scadenza senza vendite ³⁶. Un cliente di RELEX, Franprix, ha visto una grande riduzione del deterioramento utilizzando previsioni a livello giornaliero e ordini automatici di negozio per prodotti freschi ²⁴ ³⁷ - una testimonianza che RELEX gestisce i prodotti deperibili molto meglio dei sistemi tradizionali che spesso ignorano la scadenza. RELEX considera anche lo spazio di esposizione e il visual merchandising nelle previsioni: se un prodotto viene dato un’esposizione secondaria, la previsione può essere aumentata di conseguenza (il loro ML rileva quella correlazione). Inoltre, i loro moduli di forza lavoro ed esecuzione assicurano che se le previsioni o i piani cambiano (come un improvviso picco di domanda), il personale del negozio viene allertato per, diciamo, cuocere più pane o rifornire più velocemente (chiudendo il ciclo operativamente). Un altro fattore complesso è il clima - RELEX ha integrato regolazioni delle previsioni basate sul clima, cruciali per le categorie stagionali (ad es. gelati nelle giornate calde). Molti affermano di fare previsioni sul clima; RELEX lo ha effettivamente implementato con l’ottimizzazione dell’apprendimento automatico per ogni località ²⁹. Sommando, RELEX probabilmente ha la suite più completa per gestire le realtà disordinate del retail: dagli effetti tra prodotti ai driver esterni alla durata di conservazione. Affrontano questi in modo in gran parte automatizzato utilizzando l’IA, che è un differenziatore chiave. Bisogna essere consapevoli, però, che sfruttare tutte queste funzionalità richiede di fornire a RELEX un sacco di dati (dati del carrello, feed meteo, stati dell’inventario, ecc.) e di fidarsi delle raccomandazioni del sistema. Ma per i rivenditori che cercano di gestire la complessità, RELEX offre una cassetta degli attrezzi collaudata. Gli diamo pieni punti su questo criterio.

Automazione: RELEX supporta un alto grado di automazione, anche se spesso è configurato per consentire un controllo umano. In pratica, molti clienti RELEX utilizzano riapprovvigionamento automatico a livello di negozio e DC: il sistema genera ordini giornalieri o intraday per ogni SKU-negozio che vanno direttamente all’esecuzione a meno che non siano segnalati per la revisione. Come notato, solo il 24% dei negozi di alimentari in un sondaggio aveva l’automazione dell’ordine del negozio guidata dalle previsioni, ma coloro che l’hanno implementata (con sistemi come RELEX) hanno visto i rifiuti diminuire dal 10 al 40% ³⁸ ²⁴. L’esempio di Franprix - riduzione del 30% degli sprechi con ordini automatizzati - sottolinea che l’automazione di RELEX funziona ²⁴. Il sistema ha un meccanismo di allerta per attirare l’attenzione umana sulle eccezioni (ad es. “previsione significativamente ridotta a causa di un fattore inspiegato” o “ordine limitato dal limite di spazio di archiviazione”), ma altrimenti può funzionare in pilota automatico. La filosofia di RELEX è spesso descritta come “vendita al dettaglio algoritmica” dove le decisioni sono guidate dal sistema. Automatizzano anche revisioni dell’assortimento suggerendo quali articoli aggiungere o rimuovere per negozio ogni periodo, e persino automatizzano raccomandazioni di riduzione del prezzo per la liquidazione. Un’area di automazione che si distingue è l’adempimento della promozione: RELEX può spingere automaticamente l’inventario nei negozi in previsione delle promozioni e poi ritirarsi se le vendite non vanno bene, senza l’intervento del pianificatore. Inoltre, a causa del motore in tempo reale, ai pianificatori non è richiesto di fare noiosi batch o ricalcoli manuali - il sistema aggiorna previsioni e piani continuamente man mano che arrivano nuovi dati (vendite, inventario, ecc.). Questo consente di passare a pianificazione continua con minimi trigger manuali. Vale la pena notare che RELEX coinvolge tipicamente ancora i pianificatori nel controllo - ad esempio, un pianificatore potrebbe approvare un cambiamento di assortimento o regolare un ordine eccessivamente aggressivo, soprattutto all’inizio dell’adozione. Ma la tendenza tra i suoi utenti è l’aumento della fiducia nell’IA e quindi l’aumento dell’automazione. RELEX fornisce strumenti di simulazione in modo che i pianificatori possano testare “se lascio che il sistema ordini automaticamente, cosa succede alle mancanze di stock rispetto all’inventario?” per costruire fiducia. Rispetto ai sistemi legacy che spesso producono un piano che un umano deve massaggiare, RELEX è molto più vicino alle operazioni autonome. Hanno anche iniziato il marketing intorno alla “pianificazione autonoma” simile a Blue Yonder. Nel nostro punto di vista scettico, diremmo che RELEX ha dimostrato automazione nel riapprovvigionamento, buona automazione nelle previsioni (non è necessaria la previsione manuale), automazione parziale nell’assortimento (le raccomandazioni sono ancora esaminate dal merchandising) e automazione emergente nei prezzi (ad es. ribassi dinamici). Man mano che le capacità di IA crescono, ci aspettiamo che RELEX riduca ulteriormente la necessità di interventi umani. Pertanto, ottengono un punteggio molto alto sull’automazione, secondo solo a soluzioni come Lokad che sono progettate da zero per il pilota automatico. La riserva rimane che le organizzazioni devono adattare i loro processi - RELEX offre la capacità di automatizzare, ma spetta al rivenditore fidarsi e riorganizzare i ruoli di conseguenza.

Integrazione Tecnologica: RELEX è una piattaforma unificata sviluppata in gran parte internamente. Non hanno assemblato il loro motore di pianificazione principale tramite acquisizione - è stato costruito dall’azienda. Le diverse funzionalità (previsione della domanda, rifornimento, allocazioni, planogrammi, forza lavoro) condividono una piattaforma di dati comune. Ciò significa meno problemi di integrazione all’interno della suite: ad esempio, il modulo di pianificazione dell’assortimento si collega direttamente al modulo di previsione in modo che quando si elimina un prodotto dall’assortimento, le previsioni e gli ordini cadono automaticamente a zero dopo che è stato eliminato. La coesione è generalmente forte; gli utenti accedono a queste funzioni attraverso un’unica interfaccia. RELEX ha effettuato alcune acquisizioni (un’app mobile per l’esecuzione del negozio, una tecnologia di riconoscimento delle immagini, ecc.), ma queste sono aggiunte piuttosto che logica di pianificazione principale. Una potenziale complessità è l’architettura in memoria - tutto ciò che vive in un gigantesco modello di memoria può rendere le modifiche o l’integrazione di nuovi tipi di dati complicati. Ma sembrano gestirlo con tecniche di database moderne. Rispetto ai fornitori più vecchi che hanno prodotti distintamente separati (spesso da acquisizioni) per i prezzi rispetto all’inventario, le soluzioni di RELEX sembrano coesive. Ad esempio, la loro ottimizzazione dei prezzi è un componente più recente ma è stato probabilmente sviluppato o strettamente integrato in modo che utilizzi gli stessi dati di previsione e UI. Non c’è bisogno di esportare le previsioni in uno strumento di prezzi di terze parti - è all’interno di RELEX. Questo riduce le ipotesi inconsistenti tra i moduli. Un altro punto di integrazione: RELEX si collega con i sistemi di esecuzione (ERP, POS, ecc.) tramite API, e hanno strumenti di integrazione ragionevolmente robusti (ma questo è normale per qualsiasi fornitore). Poiché RELEX è cresciuto come un singolo prodotto, evita l’etichetta “Frankenstein” che affligge i concorrenti più vecchi come JDA/Blue Yonder e SAP. Detto questo, man mano che RELEX si espande (soprattutto nei prezzi), mantenere la purezza della piattaforma unica è uno sforzo continuo. Non abbiamo visto segnalazioni di problemi importanti, quindi deduciamo che l’abbiano mantenuto integrato. Una dimensione da monitorare è se i microservizi di RELEX (se hanno suddiviso la loro applicazione in servizi) comunicano senza problemi. Gartner ha notato gli “strumenti di gestione dei dati e di modellazione dei vincoli” di RELEX come notevoli ³⁹ - indicando che hanno un modo integrato per gestire tutte le regole aziendali e i dati. Questo suggerisce un alto livello di integrazione in cui diversi vincoli (come lo spazio sugli scaffali, i tempi di consegna, le dimensioni dei pacchi, ecc.) alimentano tutti lo stesso risolutore piuttosto che quelli separati. In sintesi, RELEX è una delle soluzioni più tecnicamente coerenti in questo spazio, con poche prove della frammentazione che deriva dai prodotti pesanti di M&A. Questo è un punto di forza significativo rispetto alle suite legacy.

Scetticismo sulle affermazioni di marketing: RELEX, come molte giovani aziende, utilizza liberamente parole d’ordine come AI/ML nel marketing, ma nel loro caso la sostanza sostiene in gran parte ciò. Parlano di “Living Retail” e “liberare l’IA” - sicuramente linguaggio di marketing - ma pubblicano anche risultati concreti e metodologie. Ad esempio, hanno post sul blog e risorse che dettagliano come funziona il loro apprendimento automatico per il retail (discutendo di pooling, rilevamento delle tendenze, ecc.) ⁴⁰ ³⁰. Questa trasparenza è positiva; non è solo una scatola magica di IA, delineano almeno l’approccio. RELEX tende anche a lasciare parlare i clienti - molte delle loro affermazioni sono sotto forma di statistiche di casi studio (ad es., il rivenditore XXXX ha migliorato la disponibilità sugli scaffali di Y% riducendo allo stesso tempo le scorte di Z%). Queste sono più credibili di affermazioni vaghe. Usano termini come “autonomo”, “cognitivo”, ecc., ma finora non hanno promesso oltre ciò che il loro software può fare. Un’area da monitorare è “la percezione della domanda” - RELEX a volte usa questo termine per descrivere la loro capacità di previsione a breve termine (assorbendo le vendite recenti per regolare le previsioni a breve termine). Sappiamo che la percezione della domanda come concetto è stata criticata come esagerazione ¹², ma nel caso di RELEX, il loro approccio è essenzialmente solo una previsione più frequente con i dati più recenti, il che va bene. Finché non rivendicano una previsione impossibile, è accettabile. L’integrazione plug-and-play non è qualcosa che RELEX esagera; riconoscono che l’implementazione richiede lavoro (integrazione dei dati, regolazione dei parametri). Infatti, alcuni clienti hanno notato che i progetti RELEX richiedono uno sforzo significativo (che è previsto per strumenti potenti). Quindi RELEX non spinge troppo una falsa narrazione di “valore istantaneo”. Evitano anche un gergo eccessivamente fantasioso - non li vedrete promuovere la blockchain o il calcolo quantistico senza motivo (anche se, divertentemente, la loro acquisizione “Evo” usa il termine “apprendimento quantistico” per la loro IA - ma questo è a parte). Se c’è una cosa, la più grande affermazione di marketing di RELEX è che possono gestire tutti gli aspetti della pianificazione del retail in una soluzione unificata e fornire rapidamente grandi risultati. Applichiamo lo scetticismo: può un solo sistema eccellere veramente in tutto, dalla strategia di assortimento a lungo termine al rifornimento quotidiano alla determinazione dei prezzi? È un ordine alto. RELEX ha forti capacità in molte aree, ma alcune (come la determinazione dei prezzi) sono più recenti e non così collaudate come i concorrenti specializzati. Quindi, mentre offrono tutti i pezzi, un rivenditore potrebbe trovare un pezzo meno maturo. Questa è una sfumatura che i loro materiali di vendita potrebbero trascurare. Inoltre, eseguire così tante funzioni su un unico sistema potrebbe diventare ingombrante - un problema non evidenziato nel marketing. Tuttavia, nel bilancio tra esagerazione e realtà, RELEX è tra i migliori: le loro affermazioni di miglioramenti guidati dall’IA sono supportate da algoritmi e prove dei clienti, e in genere evitano l’abuso più eccessivo delle parole d’ordine. Valutiamo la loro onestà di marketing come relativamente alta.

Riassunto: RELEX Solutions è una potenza dell’ottimizzazione del retail con una piattaforma unificata che copre la previsione, il rifornimento, l’assortimento e la determinazione dei prezzi. Sfrutta ampiamente l’apprendimento automatico per tenere conto dei fattori del retail del mondo reale (promozioni, meteo, cannibalizzazione ⁹, ecc.), e ha dimostrato miglioramenti significativi dei risultati per i rivenditori (più disponibilità, meno sprechi ²⁴). Il sistema supporta la pianificazione congiunta di assortimento, inventario e, in una certa misura, dei prezzi, anche se l’ottimizzazione dei prezzi è più recente per loro. La previsione probabilistica e AI è un punto di forza eccezionale ²⁸ ³¹, così come la loro capacità di gestire prodotti freschi e complessità in modo elegante. La scalabilità è generalmente provata, sebbene con un alto utilizzo delle risorse ²². RELEX consente un alto grado di automazione (soprattutto nel rifornimento) e ha un stack tecnologico coeso costruito per il retail. Mentre alcuni aspetti (ad es. decisioni ottimali per il profitto, ottimizzazione completamente unificata di prezzo+stock) potrebbero non essere incorporati in modo nativo come con l’approccio di Lokad, RELEX rappresenta una delle soluzioni più innovative e future-proof per i grandi rivenditori. Il suo focus sulla realtà (non solo sulla teoria) e sulle applicazioni tangibili dell’IA lo rende un concorrente di primo livello - probabilmente il leader tra i fornitori specializzati nel retail. I principali rischi sono la sua complessità (l’implementazione di tutte le funzionalità non è banale) e l’assicurazione che l’hype (IA ovunque!) si traduca in soluzioni user-friendly e mantenibili. Finora, le prove suggeriscono che RELEX mantiene in gran parte le sue promesse, rendendolo una scelta di primo piano per l’ottimizzazione del retail orientata al futuro.

Fonti: Fattori di previsione guidati dall’IA di RELEX (modelli di domanda, promozioni, eventi esterni) ²⁸; gestione della cannibalizzazione tramite ML nella previsione delle promozioni ⁹; dimostrata riduzione degli sprechi attraverso il rifornimento automatizzato basato su previsioni ²⁴; analisi della redditività dell’assortimento guidata dall’IA ³³.

3. o9 Solutions – Pianificazione integrata ambiziosa con grandi promesse (e avvertenze)

o9 Solutions (fondata nel 2009) si presenta come il creatore di un “Cervello Digitale” per la pianificazione aziendale - una piattaforma che unifica la previsione della domanda, la pianificazione della supply chain, la gestione del reddito, e altro ancora su un modello di dati basato su grafi. La visione di o9 è di essere la piattaforma unica per la pianificazione end-to-end, abbattendo i silos tra la pianificazione della domanda, l’inventario/fornitura, la pianificazione commerciale, e persino la pianificazione finanziaria. Nel contesto del retail, o9 può essere configurato per la pianificazione di merchandising e assortimento, la previsione della domanda, la pianificazione della fornitura, e ha capacità per la Gestione della Crescita del Reddito (RGM) che include l’ottimizzazione dei prezzi e delle promozioni ⁴¹. In teoria, questo spunta tutte le caselle dell’ottimizzazione congiunta. o9 ha guadagnato terreno nel CPG, nella produzione, e in alcune aziende rivolte al consumatore, spesso enfatizzando il suo moderno approccio AI/ML e knowledge graph rispetto ai più vecchi APS (Advanced Planning Systems). Tuttavia, da un punto di vista ingegneristico scettico, o9 è un po’ un paradosso: è molto avanzata tecnologicamente nell’architettura, eppure alcuni esperti si chiedono quanto della sua IA sia sostanza rispetto al buzz. Classifichiamo o9 in alto per la sua ampiezza e l’approccio della piattaforma, ma con note di cautela sulla sua effettiva esecuzione sulla previsione e l’infrastruttura pesante che potrebbe richiedere.

Ottimizzazione congiunta: la proposta di valore centrale di o9 è la pianificazione integrata attraverso tutte le funzioni. Per un rivenditore, questo significa che un sistema o9 potrebbe gestire la pianificazione finanziaria del merchandising, le decisioni di assortimento, la previsione della domanda, la pianificazione della fornitura/riapprovvigionamento, e la strategia dei prezzi, tutto collegato. Promuovono esplicitamente la loro soluzione per la Gestione della Crescita del Reddito (RGM) che “integra RGM, Pianificazione della Domanda, Supply Chain, e IBP in una singola piattaforma” ⁴¹. Questo suggerisce che i prezzi e le promozioni (RGM) non sono standalone - si alimentano nella pianificazione della domanda che si alimenta nella pianificazione della fornitura, tutto all’interno di o9. In pratica, o9 ha moduli o app per ogni area ma sotto un unico ombrello. Ad esempio, un’implementazione di o9 potrebbe includere un modello di elasticità dei prezzi all’interno del modulo di pianificazione della domanda, così i pianificatori possono vedere come le variazioni di prezzo influenzerebbero la previsione e poi vedere immediatamente come ciò influenzerebbe l’inventario o i piani di produzione. Il loro concetto di Enterprise Knowledge Graph (EKG) significa che tutti i dati (prodotti, località, fornitori, vincoli, ecc.) sono collegati come una rete, consentendo a qualsiasi cambiamento (come una nuova decisione di assortimento o un cambiamento di prezzo) di propagare gli impatti attraverso il grafo. Questo è potente in teoria: potrebbe permettere una ottimizzazione concorrente - regolando i prezzi e riordinando simultaneamente per il massimo profitto e servizio. Tuttavia, non è chiaro se o9 attualmente ottimizza automaticamente attraverso queste dimensioni o permette solo un’analisi unificata. Spesso, i clienti usano o9 per eseguire scenari: ad es., scenario 1 - prezzo x, ordine y; scenario 2 - prezzo x+5%, ordine z - poi confrontano i risultati. Questa è una pianificazione integrata ma non necessariamente un singolo algoritmo di ottimizzazione. Detto questo, o9 è in grado di calcolare scenari complessi data la sua potenza di calcolo. È uno dei pochi che può realisticamente portare la pianificazione dell’assortimento (merchandising) insieme alla supply chain - così un rivenditore può pianificare una strategia di categoria (quali SKU in quali negozi) e o9 pianificherà simultaneamente l’inventario e il riapprovvigionamento per loro, assicurando che la fornitura corrisponda al piano di merchandising. Molte configurazioni legacy fanno questo in passaggi disconnessi. o9 vanta anche la collaborazione con i fornitori e la pianificazione multi-livello nella stessa piattaforma, il che significa che i problemi di fornitura a monte possono informare le decisioni di merchandising a valle. Tutta questa integrazione olistica è un punto di forza chiave e molto proiettato verso il futuro. La principale sfida è la complessità: modellare tutti questi elementi in un unico sistema richiede una significativa configurazione e integrazione dei dati. Alcuni utenti riferiscono che mentre o9 può fare tutto, la loro implementazione potrebbe concentrarsi su una o due aree prima (ad esempio la domanda e la pianificazione della fornitura), lasciando i prezzi o l’assortimento per fasi successive. Quindi, l’ottimizzazione congiunta è più un potenziale che una realtà istantanea. Diamo a o9 voti forti per la visione e l’architettura sull’ottimizzazione congiunta, temperati dalla domanda su quanti clienti la usano veramente per decisioni di prezzo-inventario completamente integrate. Tuttavia, la capacità della piattaforma è lì, e questo è più di quanto si possa dire per la maggior parte.

Previsione Probabilistica & AI: o9 si presenta sicuramente come una piattaforma guidata dall’IA. Ha un motore ML dedicato che può ingerire molte variabili esterne (fanno dimostrazioni di cose come Google Trends, meteo, dati socio-economici) nella previsione. Il Knowledge Graph viene a volte presentato come un abilitatore di una migliore IA - collegando tutti i dati, aiuta presumibilmente gli algoritmi di apprendimento automatico a trovare predittori della domanda. Tuttavia, è necessario uno sguardo critico. Un’analisi indipendente ha notato: “Molte affermazioni sulla previsione riguardanti il database del grafico (EKG) sono dubbie e non supportate dalla letteratura scientifica. Un sacco di hype sull’IA, ma gli elementi trovati su Github suggeriscono tecniche pedonali.” ⁴². Questo suggerisce che i metodi di previsione effettivi di o9 potrebbero non essere così rivoluzionari come suggerisce il loro marketing - possibilmente utilizzando modelli di serie temporali abbastanza standard o regressione sotto il cofano, nonostante li avvolgano in termini sofisticati. Infatti, o9 è stata criticata per aver etichettato anche semplici funzionalità interattive come “IA”. Ad esempio, la generazione rapida di scenari è un tratto distintivo del loro strumento (grazie al calcolo in memoria), ma la pianificazione degli scenari in sé non è IA - è solo simulazione. Detto questo, o9 ha capacità di apprendimento automatico: possono costruire modelli ML per promozioni, per introduzioni di nuovi prodotti (utilizzando previsioni basate su attributi), ecc. Hanno acquisito una piccola azienda di IA (Fourkind) per potenziare la loro data science. Quindi non è tutto fumo; hanno implementato ML per il riconoscimento di pattern e il rilevamento di anomalie nelle previsioni. È solo che queste potrebbero essere simili a ciò che fanno altri fornitori moderni. C’è poca evidenza che il modello a grafo migliora intrinsecamente l’accuratezza della previsione - aiuta principalmente con l’organizzazione dei dati. Le previsioni di o9 possono essere probabilistiche nel senso che supportano le simulazioni di Monte Carlo per gli scenari (ad es. simulare 1000 percorsi di domanda per vedere la distribuzione dei risultati), ma non li abbiamo visti enfatizzare l’emissione di distribuzioni di probabilità complete per impostazione predefinita come fa Lokad. Quindi, sulla maturità della previsione probabilistica pura, potrebbero essere in ritardo rispetto ai giocatori specializzati. Tuttavia, o9 incorpora l’IA in altri modi: ad esempio, hanno uno strumento di rischio della supply chain alimentato da IA per prevedere potenziali interruzioni, che è al di fuori della previsione classica. Hanno anche un nuovo assistente AI generativo (interfaccia chatbot per interrogare il sistema), che è più UI che previsione di base ma mostra che investono in tecnologia IA. In sintesi, valutiamo o9 come dotata di buone capacità di IA ma forse non così differenziate come affermano. Sicuramente superano i sistemi AP legacy che si basano sulla previsione manuale, ma rispetto a pari come RELEX o Lokad, l’approccio di previsione di o9 potrebbe sembrare meno focalizzato (dato che o9 sta anche bilanciando molti altri aspetti della pianificazione). Lo scetticismo degli esperti ⁴² indica che non si dovrebbero prendere tutte le affermazioni di o9 sull’IA per buone. Vogliamo vedere più validazione indipendente dei loro guadagni di accuratezza delle previsioni. Fino ad allora, consideriamo la loro IA credibile ma un po’ troppo pubblicizzata.

Decisioni economiche: la piattaforma di o9, essendo molto flessibile, può essere configurata per ottimizzare vari obiettivi, compresi quelli finanziari. Nei contesti di pianificazione aziendale integrata (IBP), o9 aiuta spesso le aziende a valutare gli scenari in termini di ricavi, margini, servizio, ecc. Per il retail, il loro modulo RGM dovrebbe considerare esplicitamente l’elasticità dei prezzi e il margine - collegando così direttamente le decisioni ai risultati di profitto e ricavi. Hanno la capacità di eseguire scenari ipotetici sulla redditività: ad esempio, “Cosa succede se riduciamo il prezzo di questa categoria del 5%? Come cambiano profitto e volume? E i nostri fornitori riescono a stare al passo?” Questo allinea la pianificazione con le metriche finanziarie. Tuttavia, se o9 ottimizza automaticamente o fornisce solo l’ambiente di prova è una questione. Parte del valore di o9 deriva dalla possibilità di prendere decisioni cross-funzionali: ad esempio, un utente può vedere che un certo piano di promozione causerebbe perdite di vendite a causa di vincoli di fornitura, e decidere di adeguarlo per massimizzare il profitto dati tali vincoli - tutto all’interno dello strumento di o9. Questo facilita la presa di decisioni economiche (fornendo trasparenza e simulazioni rapide). o9 ha anche solutori di ottimizzazione incorporati (per la supply chain e presumibilmente anche per i prezzi). Possono fare cose come ottimizzazione dell’inventario multi-livello (bilanciamento delle scorte tra DC e negozi per minimizzare i costi per un livello di servizio target) e ottimizzazione del calendario delle promozioni (scegliere il miglior programma di promozioni per raggiungere gli obiettivi). Questi comportano compromessi economici. Un esempio: o9 può ottimizzare l’allocazione dell’assortimento - determinando quante facciate o quali prodotti in ogni negozio per massimizzare una certa metrica (come le vendite o il profitto) sotto vincoli di spazio. Questa è un’ottimizzazione matematica in linea con gli obiettivi economici. Poiché la piattaforma di o9 è personalizzabile, un rivenditore potrebbe configurare una funzione obiettivo di “massimizzare il margine atteso meno il costo di detenzione” per l’inventario, mentre un altro potrebbe fare “massimizzare i ricavi soggetti a X”. Lo strumento può supportare entrambi. Quindi è flessibile, ma ciò significa anche che o9 di per sé non impone un approccio economico - può essere utilizzato in modo più manuale/euristico se un cliente lo sceglie. Il loro marketing intorno alla “pianificazione centrata sulle decisioni” e al “cervello digitale” implica che il sistema ti guiderà verso la migliore decisione. Eppure alcuni critici dicono che le dimostrazioni sofisticate di o9 si basano ancora su molte analisi umane piuttosto che su decisioni ottimali completamente automatizzate ⁴². Sospettiamo che l’uso tipico di o9 sia presentare ai pianificatori scenari e KPI (costo, profitto, ecc.) e i pianificatori decidono, piuttosto che il sistema che sputa una sola risposta ottimale. In termini di costo opportunità, non è chiaro se o9 calcoli intrinsecamente questi (ad es. il costo di stockout in termini di profitto perso - probabilmente può se configurato). Sull’ottimizzazione dei prezzi, se si utilizza l’RGM di o9, probabilmente ottimizza matematicamente i prezzi per raggiungere un obiettivo finanziario dato le curve di elasticità della domanda, simile ad altri strumenti di ottimizzazione dei prezzi. Quindi sì, può essere guidato economicamente. Nel complesso, o9 abilita fortemente la presa di decisioni economiche (poiché è destinato a combinare la pianificazione operativa e finanziaria), ma quanto sia automatizzato, varia. Gli diamo credito per aver collegato la pianificazione ai risultati aziendali (il loro discorso di vendita è spesso quello di abbattere il muro tra finanza e pianificazione della supply chain). Basta essere consapevoli che raggiungere decisioni veramente ottimali in termini di profitto con o9 potrebbe richiedere una significativa costruzione e sintonizzazione del modello durante l’implementazione.

Scalabilità & Architettura: l’architettura di o9 è uno dei suoi tratti distintivi - utilizzano un moderno motore di calcolo in memoria e l’Enterprise Knowledge Graph per rappresentare i dati in una struttura altamente connessa ma efficiente. Questo permette un rapido attraversamento e calcoli. Spesso dimostrano una propagazione quasi istantanea dei cambiamenti (ad esempio, cambia una previsione e immediatamente si aggiorna il piano di fornitura). È concettualmente simile a come Kinaxis raggiunge la concorrenza, ma con un tocco di DB a grafo. Tuttavia, come lo scettico ha sottolineato in precedenza, “la massa tecnologica di o9 è fuori scala, anche per gli standard aziendali. Il design in memoria garantisce alti costi hardware.” ⁴. In altre parole, o9 imballa una enorme quantità di dati e calcoli in memoria, quindi farlo funzionare per una grande azienda potrebbe richiedere server robusti o alte spese cloud, simili alla situazione di RELEX. o9 è basato su cloud (hanno la loro offerta SaaS, spesso su Azure), che fornisce elasticità. Ma se un rivenditore usa o9 per modellare l’intera loro rete, più dettagliati dati finanziari e commerciali, il modello può essere estremamente grande. Un vantaggio: il modello a grafo può essere più efficiente in termini di memoria rispetto a tabelle di dati naive perché memorizza le relazioni in modo elegante. Ma il critico suggerisce che è comunque piuttosto pesante. Infatti, all’inizio alcuni deployment di o9 erano notori per l’alto utilizzo della memoria. Probabilmente hanno migliorato questo, e con il cloud, possono scalare orizzontalmente fino a un certo punto (anche se certi calcoli hanno ancora bisogno di una grande memoria condivisa). La scalabilità nel conteggio degli utenti è buona - molti utenti possono collaborare nel sistema, ognuno visualizzando diverse fette, grazie al suo back-end ad alte prestazioni. o9 è utilizzato da aziende Fortune 500, il che attesta la sua scalabilità per le grandi imprese (compresi i CPG molto grandi e una catena di fast food globale). L’efficienza dei costi è un altro discorso: le prove aneddotiche suggeriscono che o9 non è economico da gestire, dato il suo prezzo aziendale e le necessità di risorse. Se uno è sensibile ai costi, una soluzione più snella potrebbe essere preferita per un sottoinsieme di compiti. Ma se uno apprezza la pianificazione integrata in tempo reale in tutta l’impresa, o9 offre, e questo costa intrinsecamente più calcolo. In termini di prestazioni, o9 può ricalcolare i piani molto frequentemente (alcuni lo fanno quotidianamente o addirittura intra-giorno per certi orizzonti a breve termine), il che è un miglioramento rispetto, ad esempio, ai cicli di pianificazione batch settimanali di una volta. Utilizzano anche microservizi e un approccio “piattaforma”, il che significa che parti del piano possono essere aggiornate senza eseguire tutto da zero. Il Knowledge Graph viene aggiornato incrementalmente man mano che arrivano nuovi dati. Questo è moderno e scalabile nel design. Sommando, o9 è tecnicamente scalabile a problemi molto grandi, ma gli utenti dovrebbero essere preparati per un significativo utilizzo di hardware/cloud (la piattaforma è potente ma affamata). Rispetto a soluzioni veramente leggere e specializzate, o9 probabilmente userà più memoria perché sta risolvendo un problema integrato più grande. Quindi, sulla scalabilità diamo a o9 voti alti per la capacità, medio per l’efficienza dei costi.

Gestione di fattori retail complessi: Di base, o9 potrebbe non avere tante funzionalità predefinite specifiche per il retail come RELEX, ma può essere configurato per gestirle. Ad esempio, cannibalizzazione e halo - i modelli ML di o9 possono rilevare questi se alimentati con dati transazionali, in modo simile a come fa RELEX. Probabilmente richiede al team di data science di definire le caratteristiche giuste o di utilizzare l’assistente ML di o9. Non abbiamo trovato riferimenti espliciti alla modellazione della cannibalizzazione promozionale incorporata nei materiali di o9; è probabile che venga fatto tramite le loro previsioni ML piuttosto che un modulo separato. Gli effetti di sostituzione possono essere gestiti perché o9 può monitorare i livelli di inventario - potresti impostare una regola o un modello ML che quando un SKU è esaurito, la domanda di un SKU correlato aumenta. Ma ancora, potrebbe essere necessario modellarlo esplicitamente. Scadenza/prodotti deperibili: o9 può gestire attributi di lotti (il suo modello di dati può incorporare attributi di articoli come la data di scadenza). Un rivenditore potrebbe utilizzare o9 per pianificare la produzione e la distribuzione in linea con i vincoli di durata (ad esempio, garantire che gli articoli vengano spediti ai negozi con una vita residua sufficiente). Ma potrebbe richiedere la personalizzazione dei vincoli e degli obiettivi. Non è una soluzione dedicata al cibo fresco, quindi non calcolerà automaticamente le previsioni di deterioramento a meno che tu non implementi quella logica. Al contrario, alcuni altri fornitori hanno questo incorporato. Quindi o9 può farlo, ma l’utente deve sapere di includerlo nel loro modello. Promozioni e stagionalità sono sicuramente gestite - le previsioni e la pianificazione di o9 tengono conto degli incrementi promozionali (hanno un modulo di pianificazione promozionale per inserire promozioni che poi regolano le previsioni e i piani di fornitura). Consentono anche la pianificazione dell’inventario multi-echelon, il che significa che possono ottimizzare i livelli di stock tra i DC e i negozi tenendo conto della variabilità - un modo per gestire elegantemente l’incertezza della domanda. Sospettiamo che o9, essendo cross-industry, non abbia tanti algoritmi specializzati nel retail preconfezionati (come non suggerirà automaticamente “questo articolo è un sostituto per quello” a meno che tu non imposti quella logica). Ma la loro flessibilità significa che qualsiasi fattore retail può essere modellato. Forniscono anche quello che chiamano “torri di controllo” - essenzialmente cruscotti per monitorare cose come esaurimenti di scorte, vendite perse, eccessi - che aiutano a identificare problemi come la cannibalizzazione o assortimenti scadenti. Inoltre, il grafo di conoscenza di o9 può integrarsi con dati esterni, quindi qualcosa come il tempo può essere incorporato per regolare le previsioni (se l’utente lo imposta). Molti clienti retail di o9 probabilmente utilizzano segnali di domanda esterni. L’ottimizzazione dell’assortimento fa esplicitamente parte della loro offerta (elencano soluzioni di “merchandising e pianificazione dell’assortimento”), il che significa che possono utilizzare l’analisi per capire gli assortimenti ideali specifici per il negozio, e tener conto delle preferenze locali e dei vincoli di spazio. Combinato con il loro IBP, possono garantire che le modifiche all’assortimento siano fattibili dal punto di vista della fornitura. Questo affronta la complessità della domanda localizzata. Tutto sommato, o9 è capace su fattori complessi, ma richiede un team di implementazione capace per sfruttare queste capacità. Potrebbe non essere così pronto all’uso per i dettagli del retail come un fornitore solo per il retail, ma una volta configurato, può competere con loro. Una critica da notare: il commento esperto precedente implica che alcune delle tecnologie avanzate di o9 potrebbero in realtà fare affidamento su metodi più semplici (menzionano progetti open source come tsfresh, ARIMA, ecc. nel contesto di o9) ⁴³, il che potrebbe significare che alcuni fenomeni complessi vengono affrontati con tecniche piuttosto basiche (come la regressione lineare per le promozioni - che funziona ma non è all’avanguardia). Se vero, o9 potrebbe aver bisogno di approfondire il suo approccio per catturare veramente, diciamo, gli impatti della cannibalizzazione non lineari. Tuttavia, date le loro risorse e l’attenzione sull’IA, è probabile che stiano migliorando in questo senso. Li valuteremo buoni sulla flessibilità per la complessità, moderati sulla comprovata esperienza specificamente nei casi limite del retail (cibo fresco ecc.).

Automazione: la piattaforma di o9 è principalmente uno strumento di pianificazione e supporto decisionale - eccelle nel creare piani e scenari rapidamente. Se esegue automaticamente dipende in gran parte dall’organizzazione utente. Molti utenti di o9 coinvolgono ancora i pianificatori per scegliere gli scenari e approvare i piani. Tuttavia, o9 fornisce la capacità di pianificazione continua. Enfatizzano concetti come “what-if in tempo reale” e “ripianificazione continua” che suggeriscono l’automazione (il sistema aggiorna costantemente il piano man mano che le condizioni cambiano). Ad esempio, se la domanda aumenta in una regione, o9 può riallocare automaticamente l’inventario nel piano e suggerire accelerazioni. Alcuni hanno definito l’approccio di o9 “pianificazione autonoma” nel marketing, ma realisticamente, spesso aumenta i pianificatori piuttosto che sostituirli. Detto questo, o9 ha introdotto funzionalità come agenti AI che possono monitorare i dati e fare raccomandazioni. E il loro nuovo GenAI Orchestrator dovrebbe “permettere alle aziende di prendere decisioni più veloci e intelligenti e aumentare la produttività dei pianificatori” ⁴⁴ - accelerando principalmente il modo in cui i pianificatori possono ottenere intuizioni. L’automazione non presidiata completa (come l’esecuzione automatica di ordini o cambi di prezzo) non è comunemente citata con o9. Tipicamente, o9 alimenterebbe piani ottimizzati in un ERP o sistema di esecuzione che poi li esegue. Quindi l’automazione nel contesto di o9 riguarda più l’automazione del processo di pianificazione (nessuna elaborazione manuale di fogli di calcolo, aggiornamenti automatici delle previsioni, avvisi automatici quando il piano devia, ecc.) che l’esecuzione. La differenza rispetto a qualcosa come Lokad o RELEX è sottile: o9 automatizza i calcoli e fornisce una raccomandazione decisionale, ma spesso un umano fa partire l’azione; Lokad/RELEX sono spesso impostati per generare automaticamente l’ordine effettivo o il cambiamento di prezzo. Detto questo, se un’azienda decidesse di farlo, potrebbe considerare le uscite di o9 come decisioni autorizzate automaticamente. Ad esempio, o9 potrebbe sputare proposte di ordine che vanno direttamente a un sistema di gestione degli ordini ogni giorno - è fattibile. Oppure potrebbe calcolare nuovi prezzi di trasferimento o suggerimenti di sconto e alimentarli ai negozi. La capacità c’è, ma gli utenti tipici di o9 (spesso grandi aziende) tendono a mantenere un umano nel ciclo per decisioni critiche. Dovremmo notare che la forza della pianificazione degli scenari di o9 riduce effettivamente la necessità di tentativi ed errori da parte degli umani - il sistema stesso può simulare innumerevoli scenari (quasi come un brainstorming automatizzato). Quindi in un certo senso automatizza la valutazione delle opzioni, lasciando all’umano solo la scelta tra le opzioni migliori. Questo accelera notevolmente il processo decisionale. Quindi, in termini di produttività del pianificatore, o9 automatizza il lavoro pesante. Hanno anche flussi di lavoro (come approvazioni, notifiche) che possono indirizzare automaticamente le eccezioni alla persona giusta. Per essere scettici, il marketing di o9 di un “Cervello Digitale” può implicare una supply chain autonoma, ma in realtà è più simile a un ottimo cockpit decisionale che richiede un pilota esperto. Gli diamo voti moderati-alto per l’automazione dei calcoli di pianificazione, ma più bassi per l’esecuzione autonoma senza intervento umano. Rispetto ai sistemi più vecchi che richiedono molti input manuali, o9 è un passo avanti. Rispetto all’ideale di AI che guida autonomamente le operazioni di vendita al dettaglio, o9 non è ancora lì (né la maggior parte).

Integrazione Tecnologica: o9 è stata costruita come una singola piattaforma da zero (da ex veterani di i2 Technologies), quindi non ha ereditato un patchwork di moduli acquisiti - un punto a favore per l’integrazione. La sua architettura a microservizi e il modello di dati unificato significano che tutte le parti del sistema comunicano tra loro senza problemi. Non hai bisogno di database separati per la previsione rispetto alla pianificazione della supply chain; il Knowledge Graph ospita tutto. Questo evita il tradizionale dolore dell’integrazione tra, ad esempio, un sistema di previsione e un sistema di ottimizzazione dell’inventario. Tutti i dati vengono caricati una volta in o9 e poi diverse “app” al suo interno operano su tali dati condivisi. Anche l’esperienza utente è unificata (hanno un’interfaccia utente basata sul web che è comune tra i moduli, con cruscotti configurabili). Quindi, da un punto di vista dell’utente, sembra un unico sistema per tutti i compiti di pianificazione. Questo è un grande vantaggio rispetto a una soluzione Frankenstein. Tuttavia, con la crescita di o9, ha aggiunto molte funzionalità e forse ha acquisito una piccola azienda o due (come la consulenza sull’IA, e una per la progettazione della supply chain forse). Potrebbe essere necessaria un po’ di integrazione in quelle aree marginali, ma la pianificazione di base rimane unificata. Una critica da parte di un esperto ha detto che o9 è “l’archetipo del grande fornitore di tecnologia” con “massa tecnologica fuori dalle classifiche”, suggerendo che è molto complesso sotto il cofano ⁴. Questo suggerisce che, sebbene non sia un Frankenstein acquisito, la propria piattaforma di o9 è massiccia - potenzialmente rendendola complicata da implementare o mantenere. Ma questa è una complessità interna piuttosto che l’integrazione di tecnologie disparate. I compratori aziendali preferiscono spesso una piattaforma integrata come o9 perché riduce il numero di fornitori e interfacce. Questa è la forza di o9 - acquisti una piattaforma invece di previsioni separate, pianificazione della supply chain, S&OP, ecc. Il rischio è che, se una parte della piattaforma non è di prima classe, sei comunque legato ad essa a meno che non integri un altro strumento (che sconfigge lo scopo). Per quanto riguarda la “coerenza del tech stack”, o9 è coerente - è per lo più costruito sul tech stack di Microsoft (.NET, ecc.) e utilizza una struttura di database a grafo che hanno sviluppato. Quindi non vediamo problemi come i dati copiati tra i sottosistemi o la logica inconsistente. Il compromesso: adottare o9 significa allineare i tuoi processi all’approccio della piattaforma o9, che può essere un grande cambiamento. Ma da un punto di vista IT, probabilmente semplifica il panorama rispetto a più sistemi legacy. In breve, o9 non è un Frankenstein - è un cervello ingegnerizzato (sebbene molto complesso). Questo è buono per la manutenibilità a lungo termine se il cliente lo abbraccia completamente, ma può essere travolgente all’inizio. Crediamo che o9 soddisfi bene il criterio del “tech stack coerente”.

Scetticismo verso l’hype: Se c’è un fornitore in questa lista che fa scattare l’allarme “hype”, potrebbe essere o9. Usano liberamente parole d’ordine - Enterprise Knowledge Graph™, Digital Brain, AI/ML, ora Generative AI. Il loro marketing è accattivante e a volte vago sui dettagli tecnici, concentrandosi invece sui benefici di grande portata. Ad esempio, vantano di avere un framework AI/ML ma sentirete meno parlare di quali algoritmi esattamente utilizzano (mentre un fornitore come Lokad o ToolsGroup potrebbe discutere apertamente l’uso di modelli probabilistici o reti neurali, o9 rimane a un livello superiore). Alcuni osservatori del settore hanno effettivamente accusato o9 di essere “AI Theater”, mostrando demo appariscenti con molte analisi ma dietro le quinte utilizzando tecniche piuttosto standard ⁴². Il rapporto citato in precedenza di Lokad ha posizionato o9 vicino al fondo di una classifica, citando “tonnellate di hype AI” e che caratteristiche interattive banali venivano etichettate come AI ⁴². Questa è una critica dura, probabilmente da una prospettiva di concorrente, ma risuona con la sensazione che il marketing di o9 sia avanti rispetto alla sua realtà provata. o9 nomina anche le funzionalità in modi futuristici - ad esempio, affermando un motore di “apprendimento quantico” (un termine preso in prestito dalla loro acquisizione Evo nel 2023) che suona all’avanguardia ma è essenzialmente un approccio ML di insieme. Parlano di “tecnologia del cubo del grafo” che collega i dati ⁴⁵ che va bene, ma potrebbe confondere i clienti. Demand sensing e digital twin sono altri buzzwords che o9 potrebbe lasciar cadere (anche se lo inquadrano come knowledge graph/digital brain piuttosto che twin, per essere giusti). Da scettico, bisognerebbe chiedersi: le aziende stanno ottenendo i risultati drammatici che o9 implica (come aumenti del 10% del fatturato solo da una migliore pianificazione)? Alcuni riportano buoni risultati, ma i riferimenti indipendenti sono meno numerosi poiché o9 è più giovane di, diciamo, SAP. Un altro aspetto dell’hype: o9 si posiziona spesso come una piattaforma cloud plug-and-play che può essere implementata più velocemente dei vecchi sistemi. Tuttavia, si è segnalato che alcune implementazioni richiedono molto tempo e consulenza (perché modellare un’intera impresa non è banale). Quindi l’idea che si possa semplicemente implementare o9 e ottenere immediatamente una pianificazione integrata è ottimistica. È generalmente più veloce rispetto all’implementazione di diversi strumenti separati, ma non “istantanea”. Detto questo, non dovremmo sminuire i successi di o9: hanno introdotto genuinamente tecnologia moderna e UI in uno spazio che ne aveva bisogno, e molti clienti sono soddisfatti. Probabilmente offrono una capacità di pianificazione molto migliore di quella che avevano i clienti. Quindi l’hype è parzialmente giustificato - o9 è un sistema di pianificazione di prossima generazione. La chiave è analizzare le loro affermazioni: se dicono “la nostra AI ottimizzerà autonomamente la tua attività”, prendila con le pinze. Invece, sappi che “la nostra piattaforma ti permetterà di modellare e ottimizzare meglio la tua attività, ma il tuo team sarà coinvolto per guidarla”. Incoraggeremmo i potenziali clienti a richiedere demo concrete o prove per qualsiasi affermazione elevata, soprattutto riguardo l’accuratezza delle previsioni guidate dall’IA o i miglioramenti del ROI. Il framework è forte; come viene utilizzato decide l’esito. In conclusione, il marketing di o9 è certamente aggressivo in termini di parole d’ordine, quindi consigliamo un sano scetticismo. Tuttavia, in termini di sostanza, hanno una potente piattaforma per supportare una buona parte di essa - basta essere consapevoli che non tutto ciò che è etichettato “AI” è veramente AI innovativa (alcune sono solo calcoli efficienti). Diamo a o9 un punteggio medio sull’onestà del marketing: hanno una certa innovazione tecnologica genuina, ma spingono anche l’envelope dell’hype più di altri, richiedendo un’attenta due diligence da parte degli acquirenti.

Sommario: o9 Solutions offre una piattaforma sorprendentemente ampia e integrata per l’ottimizzazione del retail, con l’obiettivo di fungere da “cervello digitale” che collega le decisioni di merchandising, supply chain e prezzi. La sua architettura Knowledge Graph e il suo motore in-memory consentono una pianificazione veloce e simultanea e un’analisi di scenario ricca che pochi possono eguagliare. o9 supporta la considerazione congiunta di prezzi, domanda e offerta, rendendo possibile allineare le strategie di assortimento e prezzi con i vincoli di inventario e supply chain in un unico strumento - una visione di vero IBP. Sfrutta l’AI/ML nella previsione e nell’analisi, anche se l’estensione del suo avanzamento in questo campo è oggetto di discussione ⁴². Il sistema può certamente incorporare fattori complessi e grandi set di dati, sebbene con una forte richiesta computazionale. La scalabilità è di livello enterprise (utilizzata da aziende multi-miliardarie), ma l’efficienza dei costi potrebbe essere una preoccupazione (l’approccio in-memory può essere avido di hardware) ⁴. o9 dà potere ai pianificatori attraverso l’automazione dei calcoli e la pianificazione degli scenari, anche se spesso è un sistema di supporto alle decisioni piuttosto che un decision maker completamente autonomo. Dal punto di vista tecnologico, è una piattaforma coesa costruita internamente, evitando le insidie delle suite Frankenstein. I principali caveat sono la sua propensione per l’hype - alcune affermazioni di magica AI o di trasformazione “istantanea” dovrebbero essere viste criticamente - e la complessità dell’implementazione di un sistema così completo. Per le organizzazioni orientate al futuro disposte a investire in una piattaforma di pianificazione unificata, o9 è un contendente di primo piano, offrendo un’architettura a prova di futuro e flessibilità. Ma un progetto o9 di successo richiede di separare il gloss marketing dalla realtà, e di garantire che la soluzione sia configurata per sfruttare veramente il suo potenziale (piuttosto che replicare vecchi processi su un sistema nuovo e brillante). Nel nostro ranking scettico, o9 ottiene un punteggio alto per visione e integrazione, moderato per la differenziazione AI provata, e necessita di un attento esame delle sue promesse pesanti di buzzword. Rimane una delle piattaforme più avanzate in circolazione - basta avvicinarsi con gli occhi aperti per assicurarsi che la sostanza corrisponda al discorso di vendita.

Fonti: Critica del design in-memory di o9 e delle affermazioni sull’AI ⁴; affermazione di o9 sulla piattaforma di pianificazione integrata RGM (prezzi) ⁴¹; prospettiva di Blue Yonder sull’uso dei dati per collegare l’impatto del prezzo all’inventario (come un approccio simile che o9 utilizzerebbe) ²⁷.

4. ToolsGroup – Ottimizzazione dell’Inventario Provata, Evoluzione in Pianificazione del Retail Unificata (con Add-on AI)

ToolsGroup è un fornitore consolidato (fondato nel 1993) storicamente noto per il suo software Service Optimizer 99+ (SO99+) focalizzato sulla previsione della domanda e sull’ottimizzazione dell’inventario. Ha un forte retaggio nel settore manifatturiero e della distribuzione, ma anche molti clienti nel retail e nei beni di consumo per la pianificazione del riassortimento. Negli ultimi anni, ToolsGroup ha ampliato le sue capacità attraverso acquisizioni - in particolare acquisendo la suite di pianificazione del retail JustEnough e una società AI Evo - per offrire una piattaforma di ottimizzazione del retail più completa che include pianificazione dell’assortimento e della merce, previsione della domanda, ottimizzazione dell’inventario e ora ottimizzazione dei prezzi ⁴⁶ ⁴⁷. Il marchio di fabbrica di ToolsGroup è da tempo l’uso della previsione probabilistica per la pianificazione dell’inventario, e una filosofia di pianificazione della supply chain altamente automatizzata e “guidata dal livello di servizio”. Ora, con i moduli acquisiti e i miglioramenti AI, mira a ottimizzare congiuntamente l’inventario e i prezzi, fornendo una pianificazione del retail end-to-end (marchiano questo come “Pianificazione Centrata sulla Decisione”). Classifichiamo ToolsGroup come un player solido e tecnicamente competente con una profonda competenza nell’ottimizzazione dell’inventario, sebbene notiamo che è in transizione nell’integrare nuovi pezzi. Eccelle in certe aree (incertezza della previsione, automazione) ma necessita di un esame critico riguardo a quanto sia veramente unificata e moderna la sua soluzione combinata (alcune affermazioni di marketing di “AI” hanno suscitato scetticismo ¹⁹).

Ottimizzazione congiunta: Storicamente, ToolsGroup era concentrata sul lato dell’inventario - garantendo i giusti livelli di inventario per soddisfare il servizio target, tenendo conto dell’incertezza. La determinazione dei prezzi e l’assortimento erano al di fuori del suo campo di applicazione. Con l’acquisizione di JustEnough (uno specialista nella pianificazione finanziaria della merce, assortimento e allocazione) e l’integrazione dell’AI di ottimizzazione dei prezzi di Evo, ToolsGroup ora pubblicizza la capacità di ottimizzare prezzi e inventario insieme. Ad esempio, la loro nuova offerta include il software Retail Pricing che può simulare come le variazioni di prezzo influenzano la domanda e si traducono in ricavi ⁴⁸ ⁴⁹, e soprattutto, lo fa con piena visibilità dei livelli di inventario ⁴⁹. L’integrazione dei prezzi con l’inventario significa che il sistema è consapevole delle scorte a disposizione quando suggerisce azioni sui prezzi - un must per l’ottimizzazione congiunta (non ha senso tagliare il prezzo se non si hanno scorte da vendere, ad esempio). Sottolineano che il loro strumento di determinazione dei prezzi fornisce “una visione completa dell’inventario attuale e del tasso di vendita” in modo che le decisioni sui prezzi siano prese nel contesto dell’inventario lungo la supply chain ⁴⁹ ⁵⁰. Questo suggerisce un approccio coordinato: se l’inventario è alto, il sistema potrebbe innescare ribassi; se l’inventario è scarso, potrebbe mantenere il prezzo o addirittura suggerire di aumentarlo (se è all’interno della strategia). Inoltre, la roadmap di ToolsGroup con Evo è quella di fornire un’ottimizzazione dinamica dei prezzi che si integra con la pianificazione della supply ⁵¹ ⁵². L’AI di Evo era specializzata nel collegare le decisioni sui prezzi e sull’inventario - il loro CEO ha detto che l’obiettivo è fornire “calcoli ottimali di prezzo e inventario” in tandem per guidare decisioni migliori lungo la catena del valore ⁵³. Questo indica un algoritmo di ottimizzazione unificato o almeno algoritmi strettamente collegati: uno che trova il prezzo che massimizza il profitto dato i vincoli di inventario e la domanda prevista, e uno che trova il piano di inventario che supporta quella domanda ai prezzi scelti. È presto - Evo è stata acquisita alla fine del 2023 ⁴⁷, quindi l’integrazione è probabilmente ancora in corso - ma ToolsGroup ha chiaramente intenzione di avere l’ottimizzazione dei prezzi e dell’inventario sotto lo stesso tetto, piuttosto che come passaggi sequenziali. Sull’assortimento, il componente JustEnough fornisce strumenti per la pianificazione dell’assortimento e dell’allocazione (decidere quali prodotti vanno in quali negozi, come allocare le scorte iniziali, ecc.). Questo ora si affianca alla previsione della domanda e al rifornimento. Se ben integrato, questo significa che ToolsGroup può ottimizzare l’intero ciclo di vita del prodotto: pianificare l’assortimento, impostare le allocazioni iniziali, prevedere la domanda, monitorare e rifornire l’inventario, e regolare i prezzi (ribassi) verso la fine della vita. I pezzi ci sono tutti sulla carta. La domanda è quanto funzionino bene insieme. Poiché si trattava di prodotti separati, l’integrazione potrebbe non essere ancora perfetta (anche se ToolsGroup afferma una “architettura di soluzione modulare” che stanno adattando in modo coeso ⁵⁴). Prevediamo che l’ottimizzazione congiunta nel caso di ToolsGroup potrebbe attualmente essere più sequenziale (il modulo di prezzo prende una previsione dal modulo di previsione, ottimizza i prezzi; il modulo di inventario prende la domanda risultante e ottimizza le scorte). Nel tempo, con le analisi avanzate di Evo, potrebbero unire questi in un unico ciclo che ottimizza direttamente il profitto (prezzo e quantità). Per ora, daremo a ToolsGroup il merito di muoversi fortemente verso l’ottimizzazione congiunta - pochi fornitori nella sua categoria hanno sia le capacità di prezzo che di inventario. Alcuni risultati preliminari: ToolsGroup (con Evo) ha lavorato con rivenditori come Decathlon sulla determinazione dei prezzi e ha visto aumentare i margini rispettando i vincoli di inventario ⁵⁵ ⁵⁶ (le informazioni sul caso suggeriscono test A/B iterativi per trovare i prezzi ottimali che migliorano il margine senza danneggiare l’immagine del marchio, fatto in modo informato sulle scorte). Questa è una forma pratica di ottimizzazione congiunta (test dei prezzi guidati da dati di inventario e margine). In sintesi, ToolsGroup sta rapidamente evolvendo da un player di nicchia nell’ottimizzazione dell’inventario a una suite di ottimizzazione retail olistica. Probabilmente è indietro rispetto a Lokad o o9 in termini di quanto l’ottimizzazione sia unificata in questo momento, ma è sulla strada giusta e copre già i tre pilastri (inventario, prezzi, assortimento).

Previsione probabilistica e IA: ToolsGroup è stata pioniera nella previsione della domanda probabilistica per la supply chain. Molto prima che diventasse di tendenza, SO99+ generava distribuzioni di domanda piuttosto che singoli numeri, permettendo di calcolare i livelli di inventario ottimali per una probabilità di servizio target. Questo approccio la distingue da molti strumenti legacy che utilizzavano previsioni medie e formule di stock di sicurezza. ToolsGroup ha un vasto IP in questo settore - ad esempio, utilizzando simulazioni di Monte Carlo o modelli di probabilità analitici per prevedere la variabilità della domanda per SKU, e poi determinando le politiche di stock. Questa è stata una delle loro principali forze; i clienti spesso raggiungevano alti livelli di servizio con stock inferiori perché i metodi di ToolsGroup catturavano meglio l’incertezza (rispetto allo stock di sicurezza semplificato). Continuano a educare il mercato sul valore della previsione probabilistica (i loro materiali ne parlano come essenziale in ambienti incerti ⁵⁷). Tuttavia, una nota critica: ToolsGroup in passato spesso riportava ancora metriche come MAPE ai clienti e nel marketing. La recensione di Lokad ha evidenziato un’incoerenza dove ToolsGroup pubblicizza previsioni probabilistiche dal 2018 insieme a rivendicazioni di riduzione del MAPE, anche se “il MAPE non si applica alle previsioni probabilistiche.” ¹⁹. Questo implica o che il loro marketing non ha tenuto il passo con la metodologia (utilizzando una metrica familiare anche se non del tutto applicabile), o che potrebbero ancora generare una previsione di valore atteso per il confronto. In ogni caso, abbracciano chiaramente il pensiero probabilistico. Sul fronte AI/ML, ToolsGroup ha incorporato sempre più machine learning per gestire i driver della domanda e il riconoscimento dei pattern. Tradizionalmente, le loro previsioni potrebbero essere state più statistiche (come il metodo di Croston per la domanda intermittente, ecc.), ma ora hanno caratteristiche come l’incorporazione di fattori causali, regressione per le promozioni, e persino ensemble di machine learning. L’acquisizione di Evo porta un AI molto moderna - l’“apprendimento quantico” di Evo è essenzialmente un algoritmo ML avanzato (possibilmente un ensemble proprietario o una tecnica di apprendimento per rinforzo) mirato a trovare decisioni ottimali rapidamente ⁵⁸. L’integrazione di ToolsGroup di Evo afferma esplicitamente che aggiunge “ottimizzazione non lineare, apprendimento quantico, e analisi prescrittiva avanzata” alle loro soluzioni ⁵². Questo suggerisce un aumento della sofisticazione dell’IA, soprattutto per le decisioni di prezzo e promozione che sono non lineari per natura. Hanno anche acquisito una società chiamata AI.io (precedentemente chiamata Halo Business Intelligence) alcuni anni fa, che ha fornito loro un banco di lavoro per la previsione della domanda guidato dall’IA. Quindi ToolsGroup sta sicuramente infondendo AI. Detto questo, il loro marketing dell’IA è stato a volte un po’ dubbioso, come ha notato lo studio di Lokad: “ToolsGroup presenta ampie capacità, tuttavia le loro rivendicazioni di ‘AI’ sono dubbie. I materiali pubblici accennano a modelli di previsione pre-2000. Le affermazioni sul ‘sensing della domanda’ non sono supportate dalla letteratura scientifica.” ¹⁹. Questo implica che fino a poco tempo fa, ToolsGroup forse stava ribattezzando quello che è essenzialmente decenni di metodi di previsione (come Croston, ARIMA) come “AI” senza vero ML moderno. E che il loro uso di termini come “sensing della domanda” (che hanno menzionato nei depliant) non era supportato da qualcosa di nuovo. Prendiamo questo come un avvertimento per esaminare attentamente le rivendicazioni di AI di ToolsGroup. Tuttavia, con l’aggiunta recente di EvoAI (2023), ci aspettiamo che la sostanza AI di ToolsGroup sia aumentata - Evo era una giovane azienda radicata nel ML per il prezzo/inventario, e ToolsGroup sta pubblicizzando nuove funzionalità concrete da essa (ad es., selezione automatica del modello, algoritmi reattivi che si adattano ai recenti cambiamenti, ecc.). Inoltre, l’approccio probabilistico di ToolsGroup è di per sé una sorta di AI (modellazione stocastica), anche se non “machine learning” - è una tecnica analitica sofisticata che molti altri non avevano. Quindi, in termini di capacità di previsione, ToolsGroup è forte. Nella nuova IA, stanno recuperando terreno rispetto ai pari. In generale, ToolsGroup fornisce qualità di previsione affidabile e ora più intuizioni sui driver della domanda e sulle relazioni prezzo-domanda grazie al ML. Gli diamo un punteggio alto sulla previsione probabilistica (uno dei pochi che l’ha fatto ampiamente), e un medio sull’innovazione AI (stanno migliorando ma hanno una storia di un po’ di eccessiva enfasi). La combinazione di vecchio e nuovo può essere potente se eseguita correttamente: ad esempio, utilizzare ML per rilevare un cambiamento di pattern (ad esempio, spostamento COVID), poi utilizzare il modello probabilistico per regolare di conseguenza i target di inventario. ToolsGroup sta probabilmente facendo tali approcci ibridi. Bisogna solo assicurarsi che sfruttino veramente il ML dove è vantaggioso e non solo nei buzzword.

Decisioni economiche: Tradizionalmente, l’approccio di ToolsGroup all’inventario era inquadrato come ottimizzazione del livello di servizio - si stabilisce un target di servizio o di riempimento e il loro algoritmo trova la scorta minima per raggiungerlo data l’incertezza. Questo è indirettamente economico (un servizio migliore evita perdite di vendita, meno stock evita costi di stoccaggio), ma non massimizza esplicitamente il profitto. Tuttavia, hanno incorporato l’ottimizzazione dell’inventario multi-echelon (MEIO) che bilancia intrinsecamente l’inventario rispetto ai costi di backorder, ecc., un’ottimizzazione economicamente fondata. Con la loro nuova visione, la redditività è più al centro. L’AD di ToolsGroup ha affermato che la combinazione con JustEnough mira a dare ai rivenditori “una visione a 360 gradi che è in tempo reale, predittiva e azionabile… i clienti possono migliorare più efficientemente la disponibilità del prodotto e superare la concorrenza nella gestione della domanda volatile di oggi.” ⁵⁹. Mentre quella citazione enfatizza il servizio e l’agilità, il PR dell’acquisizione di Evo è più diretto: “estende il nostro vantaggio con l’ottimizzazione dinamica dei prezzi… permettendoci di fare il prossimo salto verso la Pianificazione Centrata sulla Decisione … essenziale per realizzare la supply chain autonoma del futuro.” ⁵². Il termine “decision-centric” implica un focus sul risultato della decisione (spesso finanziario). Il fondatore di Evo ha parlato di plasmare la visione per “decisioni più intelligenti per i manager umani attraverso calcoli ottimali di prezzo e inventario” ⁵³ - questo significa chiaramente utilizzare l’ottimizzazione per massimizzare un certo obiettivo (probabilmente profitto o ricavi) piuttosto che semplicemente raggiungere gli obiettivi di servizio. E infatti “L’IA reattiva di Evo fornisce un ingrediente essenziale per realizzare la supply chain autonoma” ⁵⁸ - presumibilmente l’ingrediente è l’adattamento continuo delle decisioni in base ai risultati, che è simile alla massimizzazione delle metriche di performance. Sul lato dei prezzi, la redditività è ovviamente chiave - la soluzione di prezzo di ToolsGroup riguarda “massimizzare la redditività creando una strategia di prezzo basata sui dati” ⁶⁰. Permette una politica di prezzo basata su regole ma anche ML per adattarsi ai cambiamenti della domanda dei consumatori, e per “massimizzare il margine di profitto” entro limiti stabiliti ⁶¹. La menzione di “Possono essere creati prezzi diversi… con una visione completa di … inventario e tasso di vendita, aiutando a soddisfare la domanda e minimizzare i costi lungo la supply chain.” ⁴⁹ mostra che lo strumento di prezzo non sta solo guardando al margine in isolamento, ma sta anche considerando i costi di detenzione dell’inventario e potenzialmente l’evitamento di sconti (minimizzazione dei costi). Questo è un pensiero economico - decisioni di prezzo che considerano i costi della supply chain. Nell’inventario, ToolsGroup può anche incorporare il costo di detenzione vs. il costo di stockout se configurato, ottimizzando così i livelli di servizio economicamente. Infatti, gli obiettivi di servizio possono essere derivati da un modello economico (ad esempio, servizio più alto per prodotti ad alto margine). Non sono sicuro se ToolsGroup lo faccia esplicitamente, ma i clienti spesso fanno tale classificazione esternamente. Ora con l’analisi prescrittiva di Evo, ci aspettiamo che ToolsGroup si muova verso la raccomandazione di decisioni ottimali per il profitto (come quanto stockare e a quale prezzo per massimizzare il profitto atteso, data l’incertezza). I mattoni fondamentali ci sono, e il team di Evo presumibilmente aveva questa metodologia (i loro background accademici suggeriscono competenze in ricerca operativa). Un piccolo avvertimento: il messaggio di ToolsGroup fa ancora spesso riferimento ai tradizionali KPI (servizio, riduzione dell’inventario) più che al profitto diretto. Ma questo è simile ad altri nello spazio della supply chain. Abbiamo prove che stanno incorporando di più la redditività - ad es., la loro funzione di razionalizzazione dell’assortimento (probabilmente da JustEnough) per tagliare gli SKU non redditizi, allineando l’assortimento con il contributo finanziario. Inoltre, le storie dei clienti menzionano la riduzione dell’inventario e il miglioramento delle vendite/del servizio (che si traduce in miglioramenti del profitto). Non c’è un esempio pubblico di ToolsGroup che massimizza esplicitamente una metrica di profitto, ma la combinazione di ottimizzazione del prezzo e dell’inventario tende intrinsecamente in quella direzione. Daremo a ToolsGroup voti abbastanza alti qui, notando il loro approccio di lunga data “servizio al minimo costo” e la nuova spinta verso la tariffazione basata sul margine. Potrebbero non essere ancora ossessionati dal costo opportunità come Lokad, ma sono sicuramente oltre le euristiche semplicistiche. Una critica da menzionare: la recensione di Lokad ha suggerito che i materiali di ToolsGroup sono un po’ indietro - usando MAPE, ecc., che potrebbe indicare che non inquadrano completamente le cose in termini di costo atteso pubblicamente ⁶². Tuttavia, l’aggiunta di Evo e il discorso di “i migliori risultati finanziari possibili” ⁶³ per i clienti che utilizzano l’ottimizzazione combinata di prezzo+inventario ⁶³ è un forte segnale di focus sull’obiettivo economico.

Scalabilità & Efficienza dei costi: L’originale SO99+ di ToolsGroup era tipicamente implementato on-premise o come soluzione ospitata per aziende di medie e grandi dimensioni. Non è pesante come alcuni grandi sistemi APS; per progettazione si concentra sulle “parti difficili” (previsione, calcoli dell’inventario) e non sulla gigantesca integrazione dei dati. Molte aziende di medie dimensioni lo hanno utilizzato con successo. È abbastanza ottimizzato matematicamente, il che significa che il calcolo per l’ottimizzazione dell’inventario non è enorme (risolvendo la distribuzione dell’inventario tramite algoritmi e forse programmazione lineare per il multi-echelon). Per la previsione della domanda, avevano un motore proprio che poteva elaborare un gran numero di serie durante la notte (ad esempio). Ora offrono una completa opzione SaaS in cloud, che probabilmente è più facile da scalare secondo le necessità. Nel rapporto Gartner 2024, ToolsGroup era un nuovo entrante ed è stato notato per il suo “costo di ingresso accessibile” e “prezzi trasparenti”, e per essere utilizzato come una singola soluzione globale per alcuni (implicando che può scalare a livello globale) ⁶⁴ ⁶⁵. Questo suggerisce che ToolsGroup è considerato relativamente efficiente in termini di costi e scalabile per la sua categoria. Infatti, il loro focus sul mercato medio storicamente significava che dovevano essere più pronti all’uso e non richiedere un esercito di IT. Con il retail, i volumi di dati possono essere grandi (livello negozio-SKU). JustEnough (il sistema retail acquisito) era noto per servire grandi rivenditori (aveva clienti come Sephora, credo) quindi può gestire assortimenti di dimensioni considerevoli. Tuttavia, alcuni aspetti come l’ottimizzazione dei prezzi (se si fanno prezzi a livello di negozio molto dettagliati) possono diventare intensivi in termini di dati. È probabile che la tipica implementazione di ToolsGroup sia ancora in qualche modo orientata ai batch - ad es., previsioni notturne o settimanali, aggiornamenti dell’inventario - piuttosto che in tempo reale, il che va bene per molti contesti. Ciò significa che non hanno necessariamente bisogno di avere tutto in memoria 24/7; possono calcolare e rilasciare memoria. Questo è più efficiente in termini di costi rispetto a un approccio costante in memoria. D’altra parte, per integrarsi con la dinamica dei prezzi, potrebbero aver bisogno di cicli di calcolo più frequenti. Fanno pubblicità a un “AI reattiva” con Evo, che significa recalcoli più veloci quando le condizioni cambiano ⁵⁸. La tecnologia di Evo potrebbe permettere una rielaborazione quasi in tempo reale (Evo, essendo una startup, probabilmente ha utilizzato il cloud e forse la computazione GPU per la velocità). ToolsGroup ha anche acquisito Onera nel 2022 per la visibilità dell’inventario in tempo reale e l’ottimizzazione del fulfillment ⁶⁶, il che significa che stanno spingendo verso decisioni di fulfillment di e-commerce in tempo reale. Queste aggiunte potrebbero aumentare la necessità di potenza computazionale. Ma data la loro posizione di mercato, ToolsGroup mirerebbe a farlo in modo efficiente per attrarre anche i rivenditori di medie dimensioni, non solo i mega-rivenditori. L’architettura ora è in qualche modo modulare: il core SO99+ (in C++ forse) più i servizi cloud attorno ad esso che si collegano ai moduli JustEnough (che potrebbero essere .NET o Java). L’integrazione di questi potrebbe temporaneamente aggiungere sovraccarico (due sistemi che parlano). Ma ToolsGroup sta integrando attivamente - ad es., “Grazie al recentemente integrato motore EvoAI, JustEnough guida la carica nella pianificazione retail guidata dall’IA” ⁶⁷, indicando che stanno incorporando Evo nella soluzione JustEnough/ToolsGroup piuttosto che mantenerlo separato. L’impronta di ToolsGroup è generalmente più leggera di SAP o Blue Yonder. Ad esempio, un progetto ToolsGroup potrebbe non richiedere un team IT interno per gestire enormi server - loro lo gestiscono come SaaS. Menzionano che “l’architettura modulare rende facile per i clienti selezionare i prodotti di cui hanno bisogno e adattarli insieme in una soluzione coesa” ⁵⁴ - implicando che non devi caricare tutto se non lo usi, il che aiuta la scalabilità (puoi eseguire solo il motore dell’inventario se ne hai solo bisogno). Riassumendo, ToolsGroup è moderatamente scalabile (adatto per molti grandi rivenditori, ma forse non provato alla scala delle più grandi catene di ipermercati a livello globale), e tende ad essere efficiente in termini di costi (soprattutto con i loro prezzi trasparenti e l’attenzione all’automazione che riduce il carico di lavoro del pianificatore). Non saranno veloci come un sistema in memoria concorrente per enormi dati, ma non richiederanno nemmeno risorse astronomiche per fornire risultati. Data la nota positiva di Gartner sui costi e i molti clienti di medie e grandi dimensioni che ToolsGroup ha, li consideriamo relativamente efficienti. Inoltre, menzionano un’offerta di “Inventory Hub” per il rilevamento degli eventi della supply chain in tempo reale ⁶⁵ che mostra che si stanno modernizzando per il tempo reale senza presumibilmente aver bisogno di hardware pazzesco (probabilmente utilizzando l’elaborazione in streaming). C’è una limitata lamentela pubblica sulle prestazioni di ToolsGroup, il che di solito implica che sono adeguate. Pertanto, ToolsGroup ottiene un buon punteggio su questo criterio, con una leggera cautela che l’integrazione di molteplici acquisizioni potrebbe temporaneamente mettere sotto sforzo il sistema se non ottimizzato (ma finora i segnali sono positivi).

Gestione di fattori retail complessi: ToolsGroup ha storicamente eccelso nel gestire l’incertezza della domanda e la variabilità, compresa la domanda intermittente, i movimenti lenti e la variabilità dell’offerta. Potrebbe non essere stato specializzato in fenomeni specifici del retail come la cannibalizzazione o la durata di conservazione fuori dalla scatola. Tuttavia, con la suite JustEnough, hanno acquisito capacità nel dominio del retail: JustEnough ha fornito previsioni di promozione, allocazione (che considera la capacità del negozio e il merchandising) e pianificazione dei ribassi. Quindi ora ToolsGroup ha funzionalità per le promozioni - ad esempio, possono modellare l’aumento da una promozione e distribuirlo nel tempo, che affronta intrinsecamente la cannibalizzazione in modo basilare (se una promozione attira vendite anticipate, i periodi successivi diminuiscono, ecc.). Identificano automaticamente la cannibalizzazione tra gli articoli? Forse non così automaticamente come RELEX, ma possono incorporare effetti promozionali se noti. Per gli effetti di sostituzione (esaurimenti che causano vendite di articoli alternativi), ToolsGroup non li ha evidenziati nei materiali che abbiamo visto. Potrebbe rimanere una lacuna a meno che non venga configurata manualmente. Per gli effetti di alone (complementi), probabilmente simili - bisognerebbe modellare manualmente le relazioni o utilizzare un approccio AI. È un’area in cui la loro nuova AI (Evo) potrebbe aiutare a trovare correlazioni. Il motore di Evo potrebbe potenzialmente estrarre dati di transazione per regolare le previsioni o le strategie di prezzo per gli articoli correlati. Senza prove specifiche, supponiamo che ToolsGroup possa gestire questi con un certo lavoro, ma non è stato il loro punto di forza storicamente. Scadenza e prodotti deperibili: ToolsGroup aveva alcuni clienti nella distribuzione alimentare, ma non siamo sicuri dell’ottimizzazione fresca a livello di negozio. Probabilmente non è il loro focus principale. Possono incorporare tempi di consegna e dimensioni dei lotti, ma le restrizioni sulla durata di conservazione avrebbero bisogno di una modellazione esplicita (ad esempio, trattare l’inventario in scadenza come SKU separato o regolare la previsione verso il basso man mano che passa il tempo). Il modulo di allocazione JustEnough potrebbe gestire i prodotti stagionali (assicurando che si esauriscano entro la fine della stagione tramite ribassi), che è correlato ai prodotti deperibili in concetto. Infatti, l’ottimizzazione dei ribassi (parte di JustEnough) riguarda essenzialmente il tempismo delle riduzioni di prezzo per liberare l’inventario senza residui - che è analogo a gestire la “scadenza” alla fine della stagione. Lo strumento di prezzo di ToolsGroup aiuterà in questo consigliando quando fare il ribasso e di quanto per evitare l’obsolescenza massimizzando il ricavo ⁴⁹. Quindi gestiscono il lato economico della deperibilità (liberare prima dello spreco). Su localizzazione dell’assortimento: la pianificazione dell’assortimento di JustEnough consente di raggruppare i negozi e personalizzare gli assortimenti, quindi ToolsGroup può ottimizzare gli assortimenti secondo i modelli di domanda locali e le restrizioni di spazio. Questo affronta indirettamente la cannibalizzazione (se due articoli si cannibalizzano, un’ottimizzazione dell’assortimento potrebbe decidere di portare solo uno nei negozi più piccoli, ecc.). Restrizioni di spazio e display: ToolsGroup attraverso JustEnough può modellare quanti fronti o capacità di scaffale nei negozi, che influenzano le decisioni di allocazione e rifornimento (se lo scaffale contiene X, non inviare più di X). Non è così granulare come una soluzione di planogramma ma a livello di pianificazione è coperto. Promozioni: ToolsGroup gestisce le previsioni delle promozioni e può pianificare l’inventario per le promozioni (hanno case study in cui hanno aiutato a migliorare la disponibilità durante le promozioni). La nuova AI probabilmente migliora come prevedono gli aumenti promozionali analizzando le promozioni passate più accuratamente (forse simile al sensing della domanda a breve termine, sebbene Lokad abbia segnalato le affermazioni di “sensing della domanda” come non supportate ⁶⁸). Cannibalizzazione/alone specificamente: Non abbiamo trovato riferimenti diretti, quindi potrebbe ancora dipendere dall’esperienza del pianificatore per regolare. La filosofia di ToolsGroup è sempre stata quella di semplificare la vita del pianificatore - hanno costruito l’automazione in modo che i pianificatori possano gestire per eccezione. Probabilmente hanno eccezioni per gli esaurimenti o le vendite anomale, ma se legano questo alla logica di sostituzione non è chiaro. Con le prove moderate, classificheremo ToolsGroup come competente ma non leader nella gestione di fattori complessi. Coprono promozioni e ribassi (necessità comuni del retail), hanno una logica di assortimento, ma per cose come le interazioni tra prodotti e i prodotti deperibili, potrebbero non essere avanzati come RELEX. L’aggiunta di AI e il loro focus sugli aggiustamenti “responsivi” potrebbero eventualmente includere il rilevamento automatico di questi modelli. A partire dal 2021, la critica di Lokad era che il discorso di ToolsGroup sul “sensing della domanda” (utilizzo di dati recenti per regolare le previsioni) non era ben supportato ⁶⁸. Quindi forse in quel momento mancava un vero algoritmo per questo. Forse ora lo fanno (con Evo o sviluppo interno). Considerando tutto, ToolsGroup gestisce bene i fondamentali della pianificazione del retail (variabilità della domanda, promozioni, fine della vita), e decente sull’assortimento, ma sta ancora cercando di raggiungere gli aspetti all’avanguardia (ad es., modellazione della cannibalizzazione guidata da ML, sostituzione).

Automazione: ToolsGroup si è sempre distinta per l’automazione e la “pianificazione non presidiata”. Infatti, un punto di forza di SO99+ era che poteva impostare automaticamente le politiche di stock e generare ordini di rifornimento con un minimo intervento del pianificatore. Molti dei loro clienti riferiscono di trascorrere molto meno tempo a risolvere problemi di previsione o di inventario dopo aver implementato ToolsGroup, perché il sistema si adatta automaticamente ai cambiamenti e segnala solo le eccezioni. Usano termini come “auto-adattivo” per le loro previsioni - il che significa che si adatta autonomamente ai nuovi schemi di domanda, riducendo la necessità di sovrascrivere costantemente le previsioni. Il concetto di “Potentemente Semplice” (uno dei loro slogan) riguardava la semplificazione dei compiti del pianificatore attraverso l’automazione. In pratica, un’installazione di ToolsGroup spesso esegue processi batch notturni per aggiornare le previsioni e gli obiettivi di inventario, e poi suggerisce ordini per ogni articolo-posizione. I pianificatori quindi esaminano solo gli articoli che presentano eccezioni (come un servizio molto basso o un inventario molto alto). Questo è essenzialmente pianificazione senza intervento umano per una grande parte dell’assortimento. Un caso (da un marketing passato) diceva che un cliente aveva automatizzato il 90% dei loro rifornimenti SKU, esaminando manualmente solo il 10% superiore delle eccezioni. Questo è un buon livello di autonomia. Ora, con l’integrazione di JustEnough, che include compiti di pianificazione che tradizionalmente sono manuali (ad es., costruzione di piani di assortimento, impostazione dell’allocazione iniziale, creazione di piani finanziari), ToolsGroup potrebbe dover mantenere un equilibrio tra automazione e input dell’utente. La pianificazione dell’assortimento richiede tipicamente un input del commerciante sulla strategia, che non può essere completamente automatizzato. Ma ToolsGroup può automatizzare l’analitica dietro di esso (come evidenziare gli SKU che non rendono ³³). Sul lato dei prezzi, la tariffazione dinamica può essere automatizzata fino a limiti - il modulo di prezzo di ToolsGroup permette di impostare regole e poi applicare automaticamente i cambiamenti di prezzo entro quei limiti ⁶⁹. Ad esempio, un rivenditore potrebbe lasciare che si scontino automaticamente gli articoli quando l’inventario >X giorni di fornitura, ecc., che lo strumento può eseguire senza calcolo manuale. Menzionano esplicitamente “stabilire regole di prezzo, poi applicarle automaticamente entro limiti stabiliti” ⁶⁹ - questa è automazione con supervisione. Quindi molte delle decisioni possono essere prese senza intervento umano: il sistema monitora l’inventario e la domanda, e se le condizioni soddisfano le regole (forse potenziate da suggerimenti AI), può implementare un cambiamento di prezzo. Questa è vera azione autonoma nella tariffazione (anche se probabilmente soggetta all’approvazione di un manager in molti casi all’inizio). Allo stesso modo, i loro suggerimenti di rifornimento possono essere automaticamente inviati all’ERP per eseguire gli ordini. ToolsGroup sottolinea spesso la gestione delle eccezioni, implicando che se non c’è eccezione, basta fidarsi dell’output del sistema. Con l’AI di Evo, accennano a passare anche alla “supply chain autonoma” ⁵⁸. Hanno effettivamente usato quella frase, allineandosi con la tendenza del settore. La tecnologia di Evo potrebbe permettere una rielaborazione più continua (come l’aggiustamento delle previsioni a metà mese se le vendite deviano, e riordinare di conseguenza, tutto automaticamente). Le nuove funzionalità di ToolsGroup come Inventory Hub (segnali in tempo reale) suggeriscono che possono rilevare un evento (ad es., un picco di domanda) e reagire automaticamente riallocando le scorte o accelerando la fornitura. Non abbiamo visto dettagli, ma probabilmente è quello l’obiettivo. Nel complesso, ToolsGroup è sempre stata orientata verso la pianificazione non presidiata - lasciando che il sistema gestisca le decisioni di routine. Ci sono prove che alcuni dei loro clienti operano con un minimo intervento del pianificatore per grandi parti delle loro operazioni. Quindi, ToolsGroup ottiene un punteggio molto alto sull’automazione. L’unica limitazione è quando si passa a nuove aree come l’assortimento e la tariffazione, dove la strategia dell’utente gioca un ruolo più grande - ma anche lì, forniscono l’automazione delle parti tattiche (come segnalare automaticamente quali articoli scontare, o classificare sistematicamente i negozi per vendite per l’allocazione). La combinazione di automazione basata su regole (per vincoli aziendali) e suggerimenti basati su AI (per decisioni complesse) posiziona ToolsGroup come un fornitore che può fornire una significativa riduzione dello sforzo di pianificazione manuale. Infatti, Gartner ha notato che “i pianificatori orchestrano le attività umane e macchine” con alcuni strumenti più recenti - ToolsGroup probabilmente si inserisce nell’abilitare quella orchestrazione (i loro flussi di lavoro possono automaticamente escalare certe decisioni agli umani, che è parte di un design di loop autonomo). Data tutta questa evidenza, affermiamo la forza di ToolsGroup nell’automazione.

Integrazione Tecnologica: La recente strategia di ToolsGroup ha coinvolto acquisizioni, che naturalmente solleva la questione dell’integrazione della piattaforma. Ad oggi, hanno SO99+ (il loro motore legacy), JustEnough (ora spesso indicato come ToolsGroup Retail Planning), e il motore AI di Evo, più la tecnologia in tempo reale di Onera. Stanno attivamente integrando questi: ad esempio, il comunicato stampa afferma “l’integrazione delle soluzioni di Evo con SO99+ e JustEnough offrirà ai clienti la soluzione di ottimizzazione della supply chain e dei prezzi in tempo reale più efficiente” ⁴⁷, indicando che tutti e tre stanno venendo fusi in un’unica offerta. Sottolineano che la loro architettura modulare significa che i clienti possono scegliere ciò di cui hanno bisogno e che si adatta insieme ⁵⁴. Questo suggerisce che hanno creato interfacce o un modello di dati comune (o sono in processo di farlo) in modo che i dati fluiscono tra i moduli senza trasferimento manuale. Il segno positivo è che JustEnough è stato sotto ToolsGroup dal 2018 (attraverso l’acquisizione di Mi9); ormai, hanno avuto il tempo di integrare le principali parti. Infatti, ToolsGroup commercializza la soluzione combinata sotto un unico nome in molti casi. Probabilmente hanno unificato l’interfaccia utente in qualche misura - forse non ancora un’unica UI per tutto, ma potrebbe essere vicina. Hanno inserito l’AI di Evo in JustEnough come menzionato ⁶⁷, mostrando una vera integrazione tecnica piuttosto che venderli separatamente. Questo è promettente: sembra che ToolsGroup stia evitando deliberatamente di mantenere questi come moduli isolati. Tuttavia, bisogna riconoscere che per un po’ probabilmente era una “suite” di componenti separati - ad esempio, l’utente doveva utilizzare l’interfaccia SO99+ per certe configurazioni e l’interfaccia JustEnough per altre. Questo può essere inizialmente goffo. La dimensione relativamente più piccola di ToolsGroup significa che l’integrazione potrebbe essere più agile - meno ostacoli burocratici che in SAP. L’obiettivo è chiaramente una suite di pianificazione end-to-end coerente. Condividono i dati: ad esempio, la previsione generata (probabilmente da SO99+ o Evo) popola sia la pianificazione dell’inventario che le parti di pianificazione finanziaria della merce. In assenza di prove contrarie, assumeremo che ToolsGroup abbia fatto progressi significativi nell’integrazione di queste acquisizioni. Possibilmente, potrebbero esistere piccole incongruenze (ad esempio, i metodi di previsione in SO99+ vs quelli nativi di JustEnough potrebbero differire - ma probabilmente standardizzerebbero su quello migliore). Sullo stack tecnologico, ToolsGroup storicamente era basato su client-server Windows per SO99+, mentre JustEnough era basato su web .NET. Ora sono tutti offerti tramite interfaccia web cloud. Probabilmente non è un codice sorgente unificato al 100%, ma l’apparenza all’utente potrebbe essere unificata attraverso un portale. Questo conta ancora come integrato dal punto di vista dell’utente se fatto bene (simile a come ad esempio Microsoft integra i prodotti acquisiti nella suite Office senza soluzione di continuità nel tempo). Dovremmo menzionare che la tecnologia fondamentale di ToolsGroup (ottimizzazione dell’inventario) era molto solida e collaudata nel tempo. Non l’hanno buttata via - hanno costruito attorno ad essa. Questo è positivo perché non stanno reinventando la ruota, ma significa anche che al centro, parte del sistema è un codice più vecchio. A volte il codice più vecchio non si mescola perfettamente con i nuovi microservizi. Non abbiamo informazioni dirette, quindi è solo qualcosa da tenere d’occhio. Il commento di ToolsGroup sui concorrenti era spesso che i grandi fornitori di suite sono Frankenstein; ora ToolsGroup deve evitarlo loro stessi. Integrando proattivamente e non solo rinominando, sembrano consapevoli di questo. Ad esempio, le acquisizioni di SAP hanno portato a una “collezione casuale” e a difficoltà di integrazione ¹¹, come notato in precedenza. ToolsGroup ha detto esplicitamente che combinare la pianificazione al dettaglio di JustEnough con la loro automazione e ottimizzazione dell’inventario dà una combinazione unica, e che “i prodotti si adattano insieme in una soluzione coesa” ⁵⁴. Fiduciosamente ci fidiamo di questo ma rimaniamo consapevoli che potrebbero esistere delle cuciture (ad esempio, un utente potrebbe dover fare l’impostazione dei dati principali in due posti se non completamente integrato). Nel complesso, ToolsGroup è in fase di integrazione - non originariamente unificata, ma si sta attivamente muovendo verso di essa. Gli daremo un punteggio moderato: meglio delle aziende che hanno appena acquisito e lasciato pezzi separati, ma non così intrinsecamente unificato come una piattaforma costruita singolarmente. Dato più tempo (e mentre probabilmente ri-piattaformano i componenti su un’architettura cloud comune), dovrebbero raggiungere un’alta integrazione. Finora, almeno la visione e le azioni si allineano per evitare un Frankenstein.

Scetticismo verso l’hype: Il marketing di ToolsGroup presenta un mix di praticità e clamore. Non sono rumorosi come alcuni altri, ma negli ultimi anni hanno aderito a parole d’ordine come AI, rilevamento della domanda, autonomo, ecc. Come citato, l’analisi di Lokad ha specificamente chiamato ToolsGroup per l’hype: “le affermazioni di ‘AI’ sono dubbie… le affermazioni sul ‘rilevamento della domanda’ non supportate” ¹⁹. Ad esempio, ToolsGroup ha pubblicato contenuti sul “rilevamento della domanda” (aggiustamenti a breve termine) che potrebbero essere stati solo un discorso elegante per l’uso di una media mobile delle vendite recenti - non esattamente nuovo. Questo potrebbe trarre in inganno i clienti meno esperti facendoli pensare di avere una sorta di magia. Inoltre, ToolsGroup a volte cita incredibili risultati dei clienti (come “l’inventario ridotto del 30% mentre il servizio è aumentato al 99%”), che, sebbene possano essere veri per un caso, possono sembrare troppo belli per essere generalmente veri. Abbiamo bisogno di vedere prove coerenti. D’altra parte, ToolsGroup esiste da molto tempo e ha generalmente una buona reputazione per la consegna dei risultati - quindi il loro hype non è di solito infondato. Forse hanno abusato del gergo AI intorno al 2018 quando tutti lo facevano. Ora che hanno effettivamente acquisito una società di AI, le loro affermazioni di AI potrebbero avere più peso. Citano “quantum learning” che francamente suona come una parola d’ordine (il calcolo quantistico non è effettivamente utilizzato - è solo un nome di marca per il loro algoritmo). Questo è un po’ di hype. Ma danno indizi su cosa sia effettivamente (ottimizzazione non lineare, analisi prescrittiva) ⁵². Hanno anche iniziato a posizionarsi come “Leader nella Matrice SPARK per la Previsione e il Rifornimento al Dettaglio” ⁷⁰ - facendo riferimento a classifiche di analisti che possono avere influenza del fornitore. È marketing, ma non eccessivo. Un’area da monitorare: ToolsGroup dice “Autonomo” ora. Dovremmo essere diffidenti di quanto sia veramente autonomo. Sebbene possano automatizzare molto, una supply chain completamente autonoma è un percorso. Finché lo inquadrano come un obiettivo (cosa che fanno: “percorso verso la Pianificazione Decisionale (autonoma)” ⁵⁸), è accettabile. Se avessero affermato un’integrazione plug-and-play, potrebbe essere un’esagerazione - l’implementazione di ToolsGroup richiede ancora integrazione e configurazione. Tuttavia, il target di medio mercato di ToolsGroup significa che enfatizzano implementazioni più rapide rispetto ai giganteschi progetti ERP. Spesso mettono in evidenza la facilità d’uso che è plausibile, non puro hype. In termini di moderazione delle parole d’ordine, probabilmente sono a metà del pacchetto: non i peggiori trasgressori, ma partecipano. L’incoerenza nell’uso di una metrica impropria (MAPE per le previsioni prob.) è stata una piccola bandiera rossa ⁶² - suggerisce che il marketing voleva mostrare un miglioramento numerico anche se non era metodologicamente corretto. Preferiremmo una comunicazione onesta come “il nostro approccio è diverso, ecco perché le metriche tradizionali non si applicano, ecco le metriche migliori”. ToolsGroup potrebbe aver semplificato per fare la vendita. Detto questo, i clienti di lunga data di ToolsGroup e il tasso di rinnovo indicano che generalmente soddisfano le aspettative. Le loro affermazioni di risultati hanno studi di caso che le supportano. Non vendono vaporware; vendono tecnologia provata aggiornata con acquisizioni. Quindi l’hype è principalmente intorno all’etichettatura delle cose come “AI” o “quantum” quando potrebbero essere standard ML. Questo è comune nel settore. Consigliamo cautela ma non rifiuto. L’utente dovrebbe chiedere loro di chiarire come funziona la loro AI, come viene implementato il rilevamento della domanda, ecc. ToolsGroup probabilmente può fornire una risposta (anche se si scopre che è qualcosa del tipo “usiamo l’apprendimento automatico per regolare le previsioni a breve termine utilizzando le ultime vendite e i segnali di inventario” - che va bene, non è solo mistico). In sintesi, il marketing di ToolsGroup negli ultimi anni ha incluso alcune parole d’ordine che si dovrebbero guardare, ma mantengono anche un focus su consegne concrete (livello di servizio, riduzione dell’inventario, ecc.). Gli diamo un voto medio sullo scetticismo verso l’hype: non sopra l’indulgenza nelle parole d’ordine, ma fondamentalmente più sostanza che fronzoli (con una piccola penalità per alcune espressioni fuorvianti identificate da analisi esterne).

Sommario: ToolsGroup è un player maturo ma in evoluzione nell’ottimizzazione del retail. Porta sul tavolo decenni di esperienza in ottimizzazione dell’inventario con previsione probabilistica, ora potenziata da capacità di pianificazione e ottimizzazione dei prezzi della merce attraverso acquisizioni. Di conseguenza, ToolsGroup può ora affrontare l’ottimizzazione congiunta di inventario e prezzi - utilizzando previsioni di domanda che tengono conto dei cambiamenti di prezzo e prendendo decisioni sui prezzi informate dalle posizioni dell’inventario ⁴⁹. I suoi sforzi di integrazione stanno trasformando questi strumenti una volta separati in una suite di pianificazione coesa, sebbene alcuni problemi di integrazione potrebbero ancora essere in fase di risoluzione. La forza di ToolsGroup nella modellazione probabilistica significa che gestisce robustamente l’incertezza della domanda e genera strategie di approvvigionamento per soddisfare il servizio al minimo costo, e i suoi nuovi miglioramenti AI mirano a adattare continuamente queste decisioni in tempo reale ⁵⁸. Ha un comprovato track record di automazione dei processi di pianificazione - molte attività di previsione e rifornimento di routine possono essere eseguite senza intervento, con i pianificatori che gestiscono le eccezioni. Ora, con i moduli di prezzo e assortimento, estende l’automazione a queste aree (ad es. sconti automatici basati su regole ⁶⁹ e suggerimenti di assortimento suggeriti dall’IA). In termini di complessità del retail, ToolsGroup copre bene le basi (previsione delle promozioni, vendita stagionale, raggruppamento dei negozi), sebbene potrebbe non rilevare automaticamente i modelli di cannibalizzazione o sostituzione al grado che alcuni sistemi specializzati fanno. Il suo approccio all’ottimizzazione economica è passato da solo livelli di servizio all’incorporazione di metriche di profitto (soprattutto nelle decisioni di prezzo e assortimento ³³). Gli utenti dovrebbero guardare un po’ di iperbole di marketing - ToolsGroup usa liberamente le ultime parole d’ordine come “autonomo” e “AI”, e una critica di terze parti ha segnalato alcune delle loro precedenti affermazioni sull’IA come esagerate ¹⁹. Tuttavia, date le tangibili miglioramenti che molti clienti segnalano e il serio investimento che ToolsGroup ha fatto in nuove tecnologie (come Evo), la sostanza dietro le loro affermazioni è significativa. ToolsGroup emerge nel nostro ranking come un’opzione tecnicamente forte e pragmatica: una che potrebbe non avere il flash di una startup puramente AI o la scala estrema di una mega-suite, ma che offre una soluzione avanzata ed equilibrata per i rivenditori che vogliono ottimizzare la loro pianificazione con meno hype e più risultati pratici. È particolarmente adatto per le organizzazioni che desiderano un’ottimizzazione dell’inventario comprovata con il vantaggio aggiunto di una pianificazione integrata dei prezzi e dell’assortimento - rendendo effettivamente una soluzione precedentemente “legacy” molto più prova del futuro attraverso la modernizzazione. Finché si rimane adeguatamente scettici sulle parole d’ordine e si assicura che l’integrazione soddisfi le loro esigenze, ToolsGroup rappresenta una soluzione all’avanguardia (o molto vicina ad essa), rinnovata per l’era delle decisioni al dettaglio guidate dall’IA.

Fonti: Integrazione dei prezzi con la visione dell’inventario ⁴⁹; critica delle affermazioni di ToolsGroup sull’IA e il rilevamento della domanda ¹⁹; ToolsGroup/Evo sulla consegna di decisioni ottimali su prezzo+inventario ⁵² ⁵³.

5. Blue Yonder (precedentemente JDA) – Potente Suite Retail Ricostruita per SaaS, Ma le Radici Legacy Mostrano

Blue Yonder, noto storicamente come JDA Software, è uno dei più grandi e antichi fornitori di software di ottimizzazione del retail e della supply chain. Offre una suite completa che copre previsione della domanda, rifornimento, allocazione, gestione delle categorie (assortimento), ottimizzazione dei prezzi e dei ribassi, gestione del magazzino, pianificazione della forza lavoro e altro ancora. Nel 2020, JDA si è ribattezzata Blue Yonder dopo aver acquisito una società tedesca di AI con lo stesso nome. Da allora, Blue Yonder (BY) ha migrato gran parte del suo portafoglio su una piattaforma Luminate unificata con microservizi e si posiziona come una soluzione di supply chain e merchandising end-to-end, guidata dall’IA ⁷¹. Senza dubbio, spunta ogni casella in termini di funzionalità: pochi fornitori possono eguagliare l’ampiezza delle offerte di ottimizzazione del retail di BY. Tuttavia, la suite Blue Yonder è anche il prodotto di decenni di acquisizioni (i2, Manugistics, Arthur, RedPrairie, ecc.), e mentre la nuova architettura Luminate nativa del cloud è moderna, sotto il cofano alcuni algoritmi e moduli risalgono a approcci legacy. Una valutazione critica di un concorrente ha affermato senza mezzi termini: “Blue Yonder è il risultato di una lunga serie di M&A… sotto il banner BY si trova una raccolta disordinata di prodotti, molti datati. BY mette in evidenza l’IA, ma le affermazioni sono vaghe con poca sostanza; i progetti open source fanno presagire approcci pre-2000 (ARMA, regressione lineare).” ⁷². Questo mette in evidenza il principale scetticismo: Blue Yonder è veramente all’avanguardia o un gigante legacy riproposto? Classifichiamo Blue Yonder un po’ più in basso nella nostra lista, non perché manca di capacità (ne ha in abbondanza), ma a causa di preoccupazioni sulla sua coesione, efficienza e chiarezza delle affermazioni. Tuttavia, essendo un player dominante, merita un esame attento.

Ottimizzazione Congiunta: La suite di Blue Yonder offre essenzialmente moduli separati ma integrati per ottimizzazione dei prezzi, previsione della domanda e rifornimento, e pianificazione dell’assortimento/merchandising. In teoria, un rivenditore che utilizza tutte le soluzioni di Blue Yonder può raggiungere un’ottimizzazione congiunta attraverso l’interazione di questi moduli. Ad esempio, Blue Yonder offre applicazioni di Pricing del Ciclo di Vita (ottimizzazione del prezzo regolare, ottimizzazione del prezzo di liquidazione, ottimizzazione della promozione) che sono alimentate da previsioni di domanda provenienti dal loro motore Luminate Demand Planning. Queste previsioni di domanda, a loro volta, considerano gli effetti dei prezzi perché la previsione di Blue Yonder (originariamente dall’acquisizione tedesca di Blue Yonder) include la modellazione dell’elasticità. Come ha spiegato Michael Orr di Blue Yonder, “Blue Yonder utilizza i dati per capire come i clienti sono propensi a comportarsi e quale impatto il prezzo può avere sui livelli di inventario,” aiutando i rivenditori a evitare di prezzare troppo alto o troppo basso ²⁷. Questo dimostra che l’ottimizzazione dei prezzi di BY non viene fatta in isolamento: modella esplicitamente come le variazioni di prezzo influenzano la domanda e quindi l’inventario. Inoltre, la pianificazione del fulfillment di Blue Yonder può essere collegata alle decisioni sui prezzi assicurando che se è prevista una riduzione del prezzo (che farà aumentare la domanda), i piani di fornitura si adeguano di conseguenza. Allo stesso modo, lo strumento di gestione delle categorie di Blue Yonder (precedentemente JDA Category Management) aiuta a decidere gli assortimenti e i planogrammi; queste decisioni si riflettono nei loro sistemi di pianificazione della domanda e di rifornimento. Avevano un concetto generale chiamato “pianificazione del retail integrata”, che allinea i piani finanziari del merchandising, i piani delle categorie e i piani di fornitura. In pratica, storicamente i clienti JDA spesso gestivano questi processi come processi semi-separati a causa della complessità degli strumenti. Ma con Luminate, BY afferma una maggiore integrazione senza soluzione di continuità attraverso una piattaforma comune. Mettono in evidenza la loro “architettura di microservizi” che supporta la pianificazione end-to-end ⁷¹ - il che significa, ad esempio, che un servizio di pianificazione delle promozioni potrebbe chiamare il servizio di previsione della domanda al volo per ottenere proiezioni aggiornate sotto diversi scenari di prezzo. L’approccio di pianificazione simultanea di Blue Yonder (come “Harmony” nella loro UI) può mostrare a un pianificatore l’impatto delle decisioni su diverse funzioni. Quindi sì, Blue Yonder è in grado di ottimizzazione congiunta in quanto tutte le parti possono comunicare: le decisioni sui prezzi informano le previsioni che informano l’inventario, e viceversa. Tuttavia, si potrebbe mettere in discussione quanto sia ottimale il coordinamento. Spesso potrebbe essere ancora sequenziale (previsione con un prezzo ipotizzato, ottimizzazione dell’inventario rispetto a quello, ottimizzazione separata dei prezzi dati i vincoli di inventario iterativamente). C’è evidenza che Blue Yonder sta perseguendo una vera simultaneità: ad esempio, la loro nuova visione di “Pianificazione Autonoma” probabilmente intende far girare dinamicamente questi processi. L’acquisizione da parte di Blue Yonder di una società di ottimizzazione dei prezzi (hanno collaborato con dunnhumby, ma più recentemente credo che abbiano integrato le loro capacità interne con la piattaforma ML di BY tedesca) garantisce che dispongano di algoritmi avanzati per la determinazione dei prezzi. Nel complesso, Blue Yonder fornisce gli strumenti per l’ottimizzazione congiunta, ma se un utente la raggiunge dipende dall’implementazione di più moduli. Poiché la suite di Blue Yonder è modulare, alcuni clienti potrebbero utilizzare solo, ad esempio, la pianificazione della domanda e dell’offerta ma non la determinazione dei prezzi, quindi non raggiungendo una piena ottimizzazione congiunta con BY da solo. Per coloro che utilizzano la suite completa, Blue Yonder può certamente coprire l’inventario, i prezzi e le decisioni sull’assortimento collettivamente. Notiamo però che le soluzioni di Blue Yonder non sono state originariamente costruite come un’unica - sono state integrate. Sebbene Luminate abbia fatto progressi nel collegarli, è possibile che l’integrazione non sia ancora così stretta come in un singolo modello di ottimizzazione (ad esempio, il motore di determinazione dei prezzi potrebbe non considerare nativamente i livelli di stock attuali a meno che non sia configurato, ecc.). Data l’evidenza, Blue Yonder merita un buon punteggio sul potenziale di ottimizzazione congiunta, con la riserva che potrebbe richiedere uno sforzo significativo per realizzare tale potenziale.

Previsione probabilistica e IA: La previsione della domanda di Blue Yonder (il pezzo della Blue Yonder tedesca, spesso chiamata Pianificazione della domanda cognitiva) si basa pesantemente su IA/ML. Hanno pubblicato miglioramenti come una precisione di previsione del ~12% migliore utilizzando ML rispetto ai metodi tradizionali ⁷³. Il loro approccio ingloba una miriade di dati - compresi il tempo, gli eventi, i segnali online - per prevedere la domanda. Sebbene probabilmente generino un singolo numero di previsione per l’uso operativo, i modelli sottostanti possono produrre output probabilistici. Infatti, la soluzione originale di Blue Yonder (Germania) era nota per la selezione automatica del modello (come un approccio AutoML) e poteva fornire intervalli di confidenza. Non è chiaro se il sistema di produzione esponga distribuzioni, ma enfatizzano la pianificazione degli scenari e la simulazione. Ad esempio, consentono ai pianificatori di simulare più scenari di domanda, il che implica una distribuzione di risultati dietro le quinte ⁷⁴. Blue Yonder ha anche parlato di simulazione “Monte Carlo” in alcuni white paper per la pianificazione della supply chain. Data la loro profonda squadra di data scientist, è sicuro dire che la previsione di Blue Yonder è almeno consapevole dello stocastico, anche se non fornisce un PDF esplicito per ogni articolo. La chiamano previsione “Cognitiva” o “Machine Learning”. Hanno anche acquisito capacità di previsione degli ordini dei clienti dal loro legacy (come le tecniche di i2 per i tempi di consegna probabilistici e simili). Tuttavia, critiche come quella di Lokad hanno sottolineato che i pezzi open source che Blue Yonder aveva (tsfresh per l’estrazione delle caratteristiche, Vikos - che potrebbe essere una libreria di previsione, e PyDSE) indicano una dipendenza da tecniche relativamente convenzionali ⁴³. tsfresh serve per generare caratteristiche per le serie temporali (come l’estrazione di metriche stagionali) - utile, ma non una rivoluzionaria IA di per sé. La menzione di ARMA e regressione lineare implica che alcune previsioni di base potrebbero ancora utilizzare modelli statistici migliorati con caratteristiche ML. In altre parole, l’“IA” di Blue Yonder potrebbe essere spesso un levigamento esponenziale ben calibrato + regressione per fattori causali. Non è necessariamente un male - sono provati, ma non raggiungono i più nuovi approcci di deep learning là fuori. Blue Yonder commercializza pesantemente la sua IA: termini come “cognitivo”, “machine learning”, “motori IA/ML” compaiono nei loro materiali ⁷³ ⁷⁵. L’indeterminatezza su come esattamente lo fanno (segreto commerciale forse) porta a scetticismo sull’“AI-washing”. Ma sappiamo che hanno un buon talento (la squadra tedesca era forte accademicamente), quindi probabilmente è solido se non appariscente. Blue Yonder utilizza anche l’IA in altre aree: ad esempio, la loro ottimizzazione dei prezzi utilizza il machine learning per stimare l’elasticità dei prezzi e gli effetti incrociati; la loro pianificazione della supply chain utilizza euristiche e possibilmente ML per regolare i parametri; il loro micro-fulfillment utilizza l’IA per decidere da quale posizione soddisfare un ordine, ecc. Spingono anche la “Luminate Control Tower” che sfrutta l’IA per prevedere le interruzioni e prescrivere azioni. Molti di questi si basano sulla classificazione ML o sulla previsione dietro le quinte. Sono probabilistici? Possibilmente producono punteggi di rischio o probabilità di eventi. I pezzi di marketing di Blue Yonder parlano di “motori di ottimizzazione abilitati all’IA che ingeriscono enormi dati… raggiungendo l’automazione cognitiva” ⁷⁶ ⁷⁷ che suonano grandi ma non sono specifici. Penso sia giusto dire che Blue Yonder utilizza molta IA, ma a causa della pura ampiezza, alcune parti potrebbero non essere le più recenti. Ad esempio, un utente su Reddit una volta ha commentato che la previsione di JDA (ora BY) non era unica e che molti utilizzavano ancora una logica più vecchia con l’ottimizzazione dei parametri. I brevetti di Blue Yonder e la ricerca potrebbero fare più luce (hanno alcuni brevetti sulla previsione multi-scenario ⁷⁸). Data l’evidenza: Blue Yonder ha assolutamente incorporato IA/ML (soprattutto dopo aver acquisito Blue Yonder GmbH) nella sua previsione e ottimizzazione. Produce previsioni più accurate e presumibilmente capacità di scenario. Ma la visione scettica di Lokad che sotto il cofano potrebbe esserci un sacco di modelli lineari confezionati come IA suggerisce la necessità di cautela. Classificheremo Blue Yonder in alto per avere caratteristiche IA/ML, ma notiamo che alcuni concorrenti che hanno costruito da zero con ML (come RELEX o Lokad) potrebbero avere un vantaggio in certe tecniche a causa di meno legacy. Blue Yonder sta attivamente investendo nelle ultime novità ora (ad esempio, menzionano l’esplorazione di Generative AI per gli assistenti di pianificazione ⁷⁹). Quindi stanno cercando di rimanere all’avanguardia.

Decisioni economiche: Le soluzioni di Blue Yonder, in particolare nella determinazione dei prezzi e nella supply chain, considerano esplicitamente la redditività e i costi. Per quanto riguarda i prezzi, Blue Yonder (attraverso quello che era originariamente Revionics o il loro) ha funzioni obiettivo come massimizzare il margine, il fatturato, o raggiungere un obiettivo finanziario. La loro ottimizzazione dei prezzi non segue solo le regole - utilizza l’elasticità per scegliere i prezzi che massimizzano una metrica scelta rispettando i vincoli (come gli indici dei prezzi competitivi o le posizioni di inventario). Quindi, è intrinsecamente un’ottimizzazione economica. Nell’ottimizzazione dell’inventario, Blue Yonder (o l’erede JDA/i2) aveva moduli come Multi-Echelon Inventory Optimization (MEIO) che cercavano effettivamente di minimizzare i costi totali (di stoccaggio, costi di backorder) per un dato livello di servizio o massimizzare il servizio per un budget - una classica ottimizzazione costo-beneficio. In pratica, alcuni clienti utilizzavano solo il targeting del livello di servizio, ma la capacità di ottimizzazione basata sui costi era presente. Gli strumenti S&OP / IBP di Blue Yonder consentono l’integrazione di piani finanziari e vincoli, il che significa che il processo di pianificazione può ottimizzare intorno a obiettivi di margine o di profitto (ad esempio, raggiungere un obiettivo di fatturato al costo minimo, ecc.). Un altro settore è l’allocazione: lo strumento di allocazione di Blue Yonder può essere configurato per allocare i prodotti ai negozi in modo da massimizzare la vendita prevista (quindi il profitto) piuttosto che una semplice allocazione piatta. La loro pianificazione dell’assortimento può incorporare metriche di contributo al profitto della categoria per decidere quali prodotti mantenere o eliminare. Poiché Blue Yonder ha storicamente servito rivenditori molto concentrati sul margine (come i rivenditori di moda che utilizzano la loro ottimizzazione del markdown per massimizzare il ritorno sul margine lordo), hanno dovuto incorporare una logica economica. La critica sulla vaghezza ⁴³ potrebbe insinuare che l’IA di Blue Yonder non articoli chiaramente l’economia (come non è trasparente quanto profitto implica una certa previsione), ma i loro moduli di ottimizzazione utilizzano sicuramente parametri economici (elasticità dei prezzi, costi, ecc.). Ad esempio, la soluzione di ottimizzazione dell’inventario di Blue Yonder sostiene di “eliminare l’eccesso di inventario e ridurre i costi di obsolescenza mantenendo un alto servizio” ⁸⁰ - questo è essenzialmente un bilanciamento tra il costo dell’obsolescenza e il servizio, un compromesso economico. La loro ottimizzazione della promozione considera l’aumento promozionale rispetto all’investimento di margine per raccomandare quali promozioni sono più redditizie. In termini di costo opportunità, Blue Yonder potrebbe non produrlo esplicitamente, ma i loro pianificatori possono derivarlo dallo scenario: ad esempio, se non si stocca l’articolo A, il profitto perso è un costo opportunità. Gli strumenti di Blue Yonder potrebbero simulare quello scenario. Le critiche che abbiamo sostanzialmente dicono: Blue Yonder sostiene l’IA e simili, ma potrebbe fare molta regressione lineare (che tipicamente include comunque i fattori di costo). Quindi penso che Blue Yonder vada bene sull’angolo economico. Una potenziale debolezza è se parti più vecchie del sistema utilizzano ancora euristiche basate su regole di pollice (alcuni sistemi di rifornimento JDA più vecchi erano più basati su min/max di regole). Ma quelli sono probabilmente ormai superati a favore di approcci ottimizzati. Con la spinta di Blue Yonder per “pianificazione autonoma”, spesso menzionano le metriche finanziarie come un fattore chiave. Un pezzo di BusinessWire cita un cliente che utilizza la tecnologia avanzata BY: “Sfruttando l’IA/ML, stiamo migliorando l’accuratezza delle previsioni e costruendo una supply chain pronta per il futuro che migliora le nostre prestazioni finanziarie” ⁸¹. Quindi, sì, economia nel cuore. Detto questo, implementare Blue Yonder per utilizzare pienamente queste capacità può essere complesso - alcuni clienti potrebbero non utilizzare tutte le funzionalità di ottimizzazione economica a causa della complessità, utilizzandola invece in modo più manuale. Ma la capacità è presente. Diamo a Blue Yonder voti alti per avere moduli guidati economicamente (prezzi, markdown, MEIO), ma forse un piccolo appunto se alcuni di quei moduli non sono completamente integrati o facili da usare, il che potrebbe portare a un utilizzo subottimale.

Scalabilità & Efficienza dei costi: Le soluzioni on-prem legacy di Blue Yonder erano note per essere pesanti - richiedevano una notevole potenza del server e memoria, in particolare l’antica impronta di JDA. Tuttavia, negli ultimi anni, Blue Yonder si è spostata su una piattaforma di microservizi nativa del cloud su Microsoft Azure, che dovrebbe migliorare la scalabilità. La nota MQ di Gartner ha detto che i punti di forza di Blue Yonder includono “un’architettura di microservizi completa” e che fornisce una pianificazione multi-aziendale end-to-end ⁷¹. I microservizi implicano che hanno spezzato le app monolitiche in servizi più piccoli che possono scalare indipendentemente. Questo probabilmente migliora le prestazioni (ad esempio, scalare il servizio di previsione della domanda per molti articoli mentre si scala separatamente il servizio di pianificazione della fornitura). L’ambiente di Microsoft Azure consente anche elasticità e forse un costo di scala inferiore rispetto a on-prem, perché è possibile avviare un grande calcolo per un batch e ridimensionarlo. Blue Yonder, tuttavia, è ancora una delle soluzioni più costose e di livello enterprise. Eseguire tutti questi moduli avanzati significa elaborare una tonnellata di dati (soprattutto se si utilizza un’alta granularità). In passato ci sono state lamentele riguardo a lunghi tempi di esecuzione per alcuni processi JDA o difficoltà nel gestire rapidamente volumi di dati estremamente grandi. La revisione dei microservizi mirava a risolvere gran parte di ciò. Ora, Blue Yonder può vantare una rielaborazione delle previsioni quasi in tempo reale per il rilevamento della domanda e frequenti ripianificazioni nella loro torre di controllo. Un altro aspetto è la gestione dei dati: l’adozione da parte di Blue Yonder di un data lake cloud sottostante potrebbe migliorare il modo in cui i dati vengono memorizzati e accessibili rispetto ai modelli relazionali più vecchi. D’altra parte, avere una suite ampia significa un sacco di overhead di integrazione; la piattaforma di Blue Yonder cerca di mitigare ciò ma è probabilmente ancora pesante. In termini di efficienza dei costi, Blue Yonder mira tipicamente a grandi imprese con grandi budget, quindi non viene solitamente scelta per risparmiare sui costi - viene scelta per le capacità. Potrebbe richiedere una spesa Azure considerevole per il cliente (o Blue Yonder include ciò nelle tariffe SaaS). Se un rivenditore cerca di implementare tutti i moduli di BY, i costi del progetto e i costi continui possono essere molto alti. Quindi l’efficienza dei costi non è il punto di forza di BY - la completezza lo è. Un altro punto rilevante: i moduli più vecchi di Blue Yonder spesso funzionavano in memoria (JDA aveva un OLAP in memoria per i numeri di pianificazione). Questo concetto in memoria potrebbe significare un alto utilizzo della memoria. Ma con i microservizi, forse utilizzano i pool di memoria scalabili di Azure in modo più efficiente. La critica competitiva di Lokad ha specificamente detto “il software aziendale non è miscibile attraverso M&A, sotto BY giace una collezione casuale… le affermazioni sono vaghe, l’open source fa pensare a una tecnologia più vecchia” ⁷². Sebbene ciò riguardasse più l’integrazione e l’hype, indirettamente punta alle inefficienze - una “collezione casuale” spesso implica che ogni parte può avere la sua infrastruttura, non ottimizzata, portando a un’impronta totale più alta. Sospettiamo che Blue Yonder abbia migliorato l’integrazione con Luminate, ma potrebbe ancora avere ridondanze. Ad esempio, il modulo di prezzo potrebbe avere il suo archivio dati separato dall’archivio dati di previsione a meno che non sia unificato - qualcosa che Luminate intende unificare, ma queste cose richiedono tempo. Riassumendo: Scalabilità - Blue Yonder può scalare ai più grandi rivenditori (molti dei primi 10 rivenditori globali utilizzano qualche componente di Blue Yonder), il che dimostra che può gestire enormi dati. Le prestazioni potrebbero non essere fulminee fuori dalla scatola, ma sono gestibili con l’ottimizzazione e la potenza del cloud. Efficienza dei costi - probabilmente sul lato inferiore; tende ad essere intensivo di risorse e costoso. Il passaggio a SaaS potrebbe ridurre i costi IT on-prem per i clienti, ma questi costi diventano tariffe di abbonamento. Inoltre, come grande fornitore, BY può addebitare un premio. Quindi se il costo è un criterio, Blue Yonder perde spesso a favore di soluzioni più snelle. Se la pura potenza e l’ampiezza sono criteri, BY va bene. Li valuteremo moderati sulla scalabilità (perché sì, scalano, ma potenzialmente a un costo elevato e con complessità).

Gestione di fattori retail complessi: Le soluzioni di Blue Yonder gestiscono esplicitamente quasi tutti i fattori complessi che si possono pensare:

Cannibalizzazione & Halo: Il loro ML di previsione della domanda ha la capacità di considerare le influenze tra prodotti (probabilmente incorporano caratteristiche che rappresentano se i sostituti sono in promozione, ecc.). Inoltre, il loro strumento di ottimizzazione delle promozioni tiene conto della cannibalizzazione - ad esempio, quando raccomanda promozioni, misura se la promozione sul Prodotto A cannibalizzerà le vendite del Prodotto B e calcola il sollevamento netto. Blue Yonder aveva un modulo chiamato Promotion Effectiveness che faceva qualcosa del genere. Inoltre, le loro analisi di gestione delle categorie valutano spesso gli impatto di categoria dei cambiamenti di prezzo (quindi non aumenti il prezzo su un articolo e perdi il margine su articoli complementari). Da notare, lo stratega di Blue Yonder potrebbe impostare elasticità che includono effetti incrociati. Nell’articolo di Business Insider, Revionics (ora separato sotto Aptos) ha parlato dell’uso dell’IA per simulare se abbassare il prezzo sulla pastella per torte aumenta le vendite di uova ⁸², che è uno scenario di effetto halo. La soluzione di prezzo di Blue Yonder è simile a Revionics poiché competono, quindi presumibilmente BY può simulare anche tali risultati tra prodotti. Inoltre, la previsione delle promozioni di Blue Yonder in particolare può incorporare fattori di cannibalizzazione, poiché è lo standard del settore.
Sostituzione (effetti di esaurimento scorte): La pianificazione della domanda di Blue Yonder può consumare informazioni sulla disponibilità posizionale; se un articolo era esaurito, la logica di previsione può attribuire un calo alla mancanza di disponibilità piuttosto che a un calo della domanda. L’ML di Blue Yonder in Germania era noto per considerare i tassi di disponibilità in magazzino per non apprendere ingenuamente una domanda inferiore quando era semplicemente esaurito. Inoltre, la pianificazione degli ordini di Blue Yonder può includere regole di sostituzione - ad esempio, se l’articolo X è esaurito, potrebbero aumentare proattivamente la fornitura dell’articolo sostitutivo Y (alcuni utenti avanzati fanno questo).
Scadenza/prodotti deperibili: Blue Yonder ha una grande clientela di supermercati, quindi hanno sviluppato funzionalità per i prodotti deperibili. Ad esempio, il loro sistema di rifornimento può considerare la durata di conservazione - garantendo di non ordinare eccessivamente in modo tale che il prodotto scada. Possono anche ottimizzare la produzione in negozio (come per il fresco, hanno soluzioni nella gestione della forza lavoro integrate per gestire la programmazione della produzione fresca - indirettamente sulla riduzione degli sprechi). La previsione di Blue Yonder consente una granularità giornaliera che è fondamentale per gli articoli freschi e utilizza la stagionalità del giorno della settimana ecc. Hanno riferimenti (come quello di Knauf in BusinessWire per la supply chain, e alcuni riferimenti di supermercati) dove “usando BY, lo spreco si è ridotto, ecc.” - anche se RELEX ha dato un esempio per questo. Probabilmente Blue Yonder ha storie di successo simili (ricordo una con 7-Eleven che utilizza BY per prevedere il cibo fresco).
Planogramma e vincoli di spazio: La soluzione di gestione delle categorie di Blue Yonder è essenzialmente lo standard del settore per la planogrammazione e la pianificazione del pavimento. Si alimenta direttamente nella pianificazione dell’assortimento e del rifornimento fornendo dati su quanto spazio ogni prodotto ha in ogni negozio (quindi la pianificazione della fornitura conosce la scorta massima sugli scaffali). I sistemi di Blue Yonder utilizzano sicuramente questo - ad esempio, se un planogramma dà 2 facce a un articolo, il sistema non invierà più di quanto si adatta. Inoltre, BY può ottimizzare quali negozi ricevono un nuovo articolo in base allo spazio e alla domanda locale (come se lo scaffale non può contenere più SKU, potrebbe non assortirlo).
Forza lavoro e fattori di esecuzione: Leggermente tangenziale, ma BY tiene anche conto di come un piano può essere eseguito - ad esempio, programmando il lavoro per scaricare le spedizioni se viene inviato un inventario extra per una promozione, ecc. Questo si riflette in quanto integrato è il loro pensiero per le operazioni di vendita al dettaglio.
Omni-channel: Le nuove capacità di Blue Yonder considerano anche i compromessi di esecuzione degli ordini (spedizione dal negozio vs DC) che non sono stati direttamente richiesti, ma è un’altra complessità che ottimizzano (costo vs velocità, ecc. - fuori dall’ambito di questa domanda però).
Clima e fattori esterni: gestiscono questi tramite ML nella previsione della domanda, che è un “fattore complesso” nella domanda volatile. In sostanza, Blue Yonder ha una soluzione o una funzionalità per quasi ogni scenario di vendita al dettaglio difficile. La sfida è che bisogna effettivamente implementare e sintonizzare queste funzionalità. Storicamente, alcuni rivenditori hanno faticato a implementare modelli avanzati di cannibalizzazione in JDA perché era complesso e richiedeva il supporto della scienza dei dati. Ora con l’automazione AI, BY cerca di farlo internamente. Probabilmente funziona, ma l’utente potrebbe non vederlo o controllarlo facilmente (lo scenario della “scatola nera cognitiva”). Tuttavia, è più sicuro presumere che BY copra queste complessità perché la loro concorrenza lo fa e dovevano tenere il passo. In realtà, Blue Yonder ha una parte chiamata Demand Transference analysis (da vecchio JDA), che misurava esplicitamente la cannibalizzazione all’interno delle categorie per aiutare le decisioni di assortimento - questo è esattamente quantificare come la domanda si trasferisce da un prodotto all’altro se uno è assente o promosso. Quindi sì, hanno quel concetto. Considerando tutto ciò, Blue Yonder probabilmente ottiene il punteggio più alto nel gestire fattori complessi, semplicemente perché nel corso dei decenni qualsiasi problema incontrato da un rivenditore, JDA/BlueYonder avrebbe aggiunto funzionalità per gestirlo (o acquisire una società che lo ha fatto). La leggera avvertenza: a volte gli approcci più vecchi potrebbero essere meno automatizzati (necessitando la configurazione manuale delle relazioni, ecc.), mentre i nuovi fornitori li apprendono automaticamente. Blue Yonder ora cerca di apprendere automaticamente con l’AI, ma di nuovo fidarsi di esso richiede fede poiché non aprono sempre i dettagli. La critica del concorrente sull’uso di metodi più vecchi ⁴³ suggerisce forse che il loro modello di cannibalizzazione utilizza la regressione lineare (che può comunque catturarlo decentemente se fatto correttamente). Non necessariamente un difetto, solo non elegante. Classificheremo BY molto alto su questo criterio, con una nota minore che può essere complesso da configurare.

Automazione: La visione di Blue Yonder di “Autonomous Supply Chain” e “Cognitive Planning” riguarda essenzialmente l’automazione. Fanno pubblicità al fatto che il loro Luminate Planning può regolare automaticamente i piani con poco input umano, e che i loro algoritmi possono auto-regolarsi. Ad esempio, la “previsione di base algoritmica” di Blue Yonder riduce significativamente il carico di lavoro dei previsionisti umani - i pianificatori si concentrano quindi solo sulle eccezioni (come nuovi prodotti o grandi eventi). Molti clienti BY eseguono il riapprovvigionamento automatico: il sistema genera ordini che vanno direttamente all’esecuzione a meno che non vengano segnalati. Il sistema Fulfillment di BY aveva caratteristiche come “Scorte di sicurezza adattive, apprendimento” che significava meno regolazione manuale dei parametri. Nel pricing, Blue Yonder (come altri strumenti di prezzo) può eseguire aggiornamenti di prezzo autonomi all’interno delle regole - ad esempio, prezzi di liquidazione automatici ogni lunedì in base all’attuale venduto rispetto al piano. Sospetto che alcuni clienti al dettaglio BY permettano al sistema di prendere certe azioni di prezzo automaticamente (specialmente le liquidazioni, che possono essere localizzate e frequenti - troppe per il manuale). La Luminate Control Tower di Blue Yonder può addirittura risolvere automaticamente certe eccezioni (come se un fornitore è in ritardo, spedire automaticamente da un’altra fonte) - questa è automazione nell’esecuzione. Tuttavia, Blue Yonder ha storicamente anche avuto una reputazione di essere in qualche modo centrata sul pianificatore: fornisce ottime raccomandazioni, ma molte aziende avevano ancora un sacco di pianificatori che modificavano quelle raccomandazioni (alcuni perché il sistema era complesso o non si fidavano completamente di esso). La trasformazione in “autonomo” è ancora in corso. I post sul blog di Blue Yonder sull’aumento dell’accuratezza delle previsioni si concentrano sul lasciare che l’IA faccia il lavoro pesante e limiti le sovrascritture manuali ⁸³, suggerendo che incoraggiano l’automazione. Hanno un concetto di eccezioni/allarmi che promuove uno stile di “gestione per eccezione” - un segno distintivo dell’automazione (intervenire solo quando necessario). Con l’acquisizione di Blue Yonder da parte di Panasonic nel 2021, c’è anche l’enfasi sul collegamento all’IoT e sull’automazione anche delle decisioni fisiche (come regolare gli scaffali del negozio tramite robotica in base ai cambiamenti del piano - cose prospettiche, ma ancora in fase di idea). D’altra parte, poiché gli strumenti BY sono così ricchi di funzionalità, alcuni utenti potrebbero diventare troppo dipendenti dalla configurazione manuale (come regolare decine di parametri, eseguire manualmente i what-if, ecc.), il che può ostacolare la vera automazione senza intervento umano. La critica del concorrente che sotto BY “i prodotti sono datati e non miscibili” ⁷² potrebbe implicare che c’è ancora bisogno di molta colla manuale da parte delle persone per farlo funzionare attraverso i moduli - il che riduce l’automazione. Non c’è dubbio che Blue Yonder può abilitare un’alta automazione, ma se una determinata implementazione la raggiunge è variabile. Ricordo di aver letto casi di studio in cui i rivenditori avevano Blue Yonder che generava automaticamente il 90% dei loro ordini, simile ai riferimenti di ToolsGroup. Quindi è probabile che un uso delle migliori pratiche produca quello. Data la forte commercializzazione di “autonomo” da parte di Blue Yonder ora, pensiamo che stiano spingendo nuove funzionalità per aumentare l’automazione (come autopilota del modello ML - cambio automatico di algoritmi quando cambia la tendenza; o consigliere di scenario - raccomandazione del miglior scenario). Hanno addirittura un assistente digitale (forse interrogazioni di pianificazione attivate vocalmente) - non è automazione di per sé, ma riduce l’analisi manuale. Quindi sì, BY è orientato all’automazione, anche se forse storicamente sottoutilizzato dagli utenti a causa di problemi di fiducia o complessità. Li valuteremo in alto, ma non perfetti come potrebbero essere alcuni fornitori agili più piccoli, semplicemente perché implementare BY al punto in cui puoi fidarti di esso senza sorveglianza può richiedere più tempo. Ma una volta fatto, dovrebbe funzionare. Il sito web di Panasonic lo chiama “Realizzazione della Autonomous Supply Chain™ con Blue Yonder” ⁸⁴ - stanno registrando il marchio Autonomous Supply Chain, quindi lo intendono! Per rimanere scettici: noteremo che finora, la pianificazione veramente completamente autonoma è rara nell’industria, anche con BY - la supervisione umana rimane. Ma BY può ridurre significativamente il carico di lavoro umano.

Integrazione tecnologica: Blue Yonder è il classico caso di una piattaforma costruita attraverso molte acquisizioni (dagli anni ‘80 agli anni ‘10). Tuttavia, dal 2015 circa hanno investito nell’unificarla. La Piattaforma Luminate è la loro risposta: microservizi su un cloud comune, modello di dati comune parzialmente (hanno il Luminate Data Hub), e uno stile di interfaccia utente condiviso. Hanno fatto progressi - ad esempio, i moduli di previsione della domanda e di rifornimento ora condividono la stessa interfaccia utente e i dati senza problemi (a differenza del vecchio JDA dove la domanda e l’adempimento erano app separate che necessitavano di integrazione batch). L’architettura dei microservizi significa che nuove capacità possono essere consegnate e collegate senza modifiche al monolite. Ma siamo chiari: internamente, alcuni moduli probabilmente eseguono ancora il loro codice legacy (solo ospitato nel cloud). Ciò significa che l’integrazione avviene a livello di interfaccia, non che hanno riscritto tutto in un unico codice sorgente (sarebbe irrealistico in poco tempo). Hanno esposto le API del vecchio codice come microservizi e le orchestrano. Sta funzionando in buona misura secondo Gartner che lo definisce “architettura di microservizi completa” ⁷¹, che è un complimento. Un altro vantaggio: Blue Yonder ha in gran parte unificato la sua interfaccia utente (l’interfaccia Luminate Experience). Un utente può in teoria navigare da una schermata di pianificazione della domanda a una schermata di inventario all’interno di un unico portale. C’è un concetto di Luminate Planning Workbench che cerca di riunire più funzioni per un pianificatore. Tuttavia, critici come Lokad dicono “il software aziendale non è miscibile tramite M&A” ⁷² - suggerendo che non si possono veramente mescolare facilmente i prodotti acquisiti. Blue Yonder ci sta provando, ma forse rimangono alcune crepe: ad esempio, la soluzione di prezzo (originariamente un prodotto separato) potrebbe non sembrare ancora completamente come la pianificazione della domanda nell’interfaccia utente e potrebbe richiedere una configurazione separata. L’integrazione dei dati può essere un problema: le previsioni della domanda alimentano automaticamente i modelli del modulo di ottimizzazione dei prezzi? O devi esportarli? Probabilmente Blue Yonder ha integrato questo adesso, ma non ne sono sicuro. La nota “collezione casuale di prodotti, la maggior parte dei quali datati” ⁷² è dura - forse si riferisce a certi moduli più vecchi come la pianificazione della merce del vecchio JDA o i vecchi motori di ottimizzazione che non sono stati aggiornati. Anche “le affermazioni sono vaghe con poca sostanza” ⁸⁵ suggerisce che a volte BY dice che è unificato AI ma forse sono solo pezzi integrati liberamente. Tuttavia, a favore di Blue Yonder, hanno riplatformato più di molti altri; ad esempio, hanno containerizzato i vecchi algoritmi, costruito interfacce utente moderne e le hanno collegate. Un altro aspetto dell’integrazione: Blue Yonder copre la pianificazione all’esecuzione in un’unica azienda (WMS, TMS per l’esecuzione, e strumenti di pianificazione). Hanno anche integrato questi (la pianificazione dell’inventario può vedere l’inventario WMS in tempo quasi reale, ecc.). Quindi in teoria, potresti gestire la tua supply chain da cima a fondo con la tecnologia Blue Yonder, che è un’integrazione oltre la semplice pianificazione - un grande vantaggio se raggiunto. Storicamente, anche questi erano silos (patrimonio JDA vs RedPrairie). Hanno qualcosa chiamato Luminate Control Tower che sovrappone e collega i dati di pianificazione ed esecuzione in una sola vista. Quindi c’è progresso nell’integrazione. Considerando tutto, Blue Yonder ha fatto molta strada ma probabilmente non è ancora integrato in modo agile come un prodotto sviluppato interamente in casa da zero. La nota open source su di loro che utilizzano progetti come tsfresh indica che stanno cercando di unificarsi su librerie comuni dove possibile (questa è una buona pratica di integrazione). Tuttavia, con così tanti prodotti, è difficile unificare completamente ogni pezzo. Il rischio è che alcuni clienti potrebbero implementare efficacemente i moduli di Blue Yonder ma non integrarli bene - la colpa potrebbe essere sull’implementazione piuttosto che sulla capacità del software. Ma l’architettura ora consente l’integrazione, dipende dall’uso. Daremo a Blue Yonder un punteggio moderato-alto sull’integrazione: sicuramente una suite storica di Frankenstein che ha subito un intervento chirurgico per diventare più unificata - parzialmente riuscita, ma si può ancora dire che alcune parti sono più vecchie nello stile. La complessità rimane alta. Ad esempio, per implementare l’intera suite BY, potrebbe essere necessario più team di esperti perché ogni modulo ha profondità. Questo segnala che non è completamente “un prodotto coeso” nella pratica, più come “una famiglia di prodotti sotto un unico ombrello di piattaforma”. Nel frattempo, ToolsGroup o Lokad sono più vicini a un prodotto che risolve più aree (meno funzione ma più integrato per progettazione). Quindi l’integrazione di Blue Yonder è migliore dell’accozzaglia di SAP, ma probabilmente dietro a soluzioni singolari.

Scetticismo verso l’hype: Il marketing di Blue Yonder utilizza molti termini alla moda: “Cognitive”, “Autonomous”, “AI/ML”, “End-to-End”, ecc. Alcune affermazioni mancano di specificità (come “miglioramento della previsione del 12%” - migliorato rispetto a quale baseline? O “alimentato da AI” ma senza dettagli sul metodo). Hanno una narrazione accattivante di un “cervello digitale” simile a o9, e a volte una visibilità limitata su come funziona. La critica ha detto “le affermazioni sono vaghe con poca o nessuna sostanza… i progetti open source fanno pensare a approcci pre-2000” ⁴³, accusando sostanzialmente Blue Yonder di AI-washing (marketing di vecchio vino in nuove bottiglie). Infatti, Blue Yonder è stata rapida a riposizionarsi dopo l’acquisizione come “pioniere dell’IA”, cosa che ha sollevato qualche sopracciglio dato che JDA non era conosciuta per questo in precedenza. Detto questo, Blue Yonder ha una vera tecnologia AI (dal team acquisito), ma forse non così avanzata rispetto a tutti gli altri come suggeriscono. Ad esempio, chiamare la loro previsione “cognitiva” potrebbe essere eccessivo - è avanzata, sì, ma molti altri fanno previsioni simili con ML. Il termine “cognitivo” implica quasi un ragionamento quasi umano, che è hype. Anche “supply chain autonomo” - un obiettivo ammirevole, ma qualsiasi sistema del genere ha ancora bisogno di una governance umana. A volte usano termini registrati come “Autonomous Supply Chain™”, che è un marchio di marketing. Un altro settore di hype: Blue Yonder promuove il “sensing della domanda” - un concetto che hanno abbracciato (alcune delle loro soluzioni come la previsione a breve termine sono essenzialmente sensing della domanda). Come ha notato Lokad, il sensing della domanda è spesso hype se non fatto correttamente. Blue Yonder probabilmente ha un metodo (come l’uso delle vendite della settimana scorsa pesate di più per aggiustare le previsioni a breve termine), ma se veramente percepisce segnali esterni o solo una levigatura reattiva è una questione aperta. Se lo esagerano come “AI che percepisce i cambiamenti della domanda in tempo reale dai social media” o simili, si potrebbe dubitare della praticità. C’è anche l’hype dell’integrazione: sostengono di avere una piattaforma unificata, ma come discusso, dietro le quinte non è completamente uniforme - il marketing potrebbe minimizzare la complessità dell’integrazione. D’altra parte, Blue Yonder ha molti casi di studio reali e referenze. Non inventano generalmente risultati - hanno clienti importanti che condividono pubblicamente i successi (aumento del tasso di riempimento, del fatturato, ecc.). Questi sono credibili. Blue Yonder tende anche a non rivelare troppi dettagli tecnici, il che può sembrare come se si nascondessero dietro termini alla moda. Per un ricercatore della verità, i materiali di BY potrebbero frustrare perché spesso parlano di risultati e capacità di alto livello piuttosto che di “usiamo l’algoritmo X, Y, Z”. Ma i materiali di vendita aziendale raramente entrano negli algoritmi. Non è unico di BY. Almeno l’analisi della concorrenza di Lokad li ha messi in evidenza, il che significa che tra i pari, Blue Yonder è vista come particolarmente pesante sui termini alla moda senza abbastanza nuova scienza dietro ⁴³. Dato che vogliamo penalizzare le affermazioni vaghe e l’hype, Blue Yonder riceve una certa penalità: hanno sicuramente capitalizzato sui termini alla moda negli ultimi anni. I comunicati stampa di Panasonic e i blog di BY sono pieni di gergo (AI/ML, gemello digitale (forse meno, preferiscono “bordo digitale” ecc.), cognitivo, autonomo). Senza validazione tecnica, uno scettico dovrebbe scontare alcuni di questi. Tuttavia, Blue Yonder ha una vera tecnologia, solo forse non così rivoluzionaria come il marketing suggerisce. Li valuteremo medio-bassi sull’onestà dell’hype - fanno molto hype. Come prova, quel PDF di Lokad ha posizionato Blue Yonder al 12° posto su 14 e ha specificamente chiamato il suo hype e le sue basi datate ⁷². È una fonte di parte (Lokad è in competizione), ma risuona con l’avvertimento di non prendere tutto il marketing di BY per buono. Un altro esempio: Blue Yonder potrebbe affermare “plug-and-play SaaS - rapido ritorno sull’investimento”, ma molti clienti sperimentano implementazioni pluriennali - quindi c’è un divario tra marketing e realtà nella facilità di implementazione. Questo è un hype intorno all’integrazione o alla facilità d’uso. Quindi sì, un acquirente dovrebbe essere scettico sulla facilità e credere pienamente alla storia della “piattaforma unica” - potrebbe ancora sembrare come moduli distinti dietro le quinte che richiedono notevoli sforzi di integrazione. In sintesi, il marketing di Blue Yonder è lucido e spesso ottimista, quindi è giustificato un sano scetticismo.

Sommario: Blue Yonder è una suite di ottimizzazione del retail ricca di funzionalità che copre l’inventario, la determinazione dei prezzi e la pianificazione dell’assortimento (oltre agli aspetti esecutivi) - coprendo essenzialmente tutti gli aspetti dell’ottimizzazione del retail. È stato modernizzato con AI/ML (ad es. previsioni di domanda “cognitive” ²⁷) e una piattaforma cloud, ed è in grado di ottimizzare congiuntamente le decisioni attraverso aree tradizionalmente siloizzate (le decisioni sui prezzi alimentano i piani di inventario e viceversa) ²⁷. Gli strumenti di Blue Yonder considerano esplicitamente la redditività e il costo nelle decisioni - dall’ottimizzazione dei prezzi che bilancia il margine rispetto al volume all’ottimizzazione dell’inventario che bilancia il servizio rispetto al costo di detenzione ⁸⁰. La soluzione può modellare dinamiche del retail complesse come l’effetto cannibalizzazione, gli effetti aureola e i vincoli di durata come parte dei suoi processi di previsione e pianificazione, grazie ai suoi algoritmi avanzati e a decenni di conoscenza del dominio della scienza dei dati del retail. Ad esempio, utilizza l’apprendimento automatico per identificare gli effetti di sostituzione del prodotto e la cannibalizzazione promozionale in modo che le previsioni e i rifornimenti siano adeguatamente regolati ⁸ ⁹. Con la sua recente ristrutturazione basata su microservizi, Blue Yonder ha migliorato l’integrazione dei suoi moduli un tempo disparati, offrendo una piattaforma Luminate più unificata con dati comuni e interfaccia utente ⁷¹. Questo consente gradi più elevati di automazione: molti clienti di Blue Yonder lasciano che il sistema generi automaticamente previsioni, ordini e persino raccomandazioni di prezzo, intervenendo solo sulle eccezioni. Blue Yonder promuove fortemente una “Supply Chain Autonoma”, e mentre la piena autonomia è un percorso, le sue soluzioni consentono decisioni automatizzate e basate sui dati su larga scala (un grande utente ha riferito che i pianificatori gestiscono per eccezione mentre il sistema gestisce autonomamente il 95% dei rifornimenti sku-store).

Tuttavia, è necessario un occhio scettico riguardo alle affermazioni di Blue Yonder. L’eredità di acquisizioni della suite significa che alcuni componenti portano algoritmi legacy sotto il cofano ⁷². La coesione della piattaforma, nonostante i grandi miglioramenti, potrebbe non essere così fluida come un codice sorgente unico sviluppato da zero - implementare tutti i pezzi può essere complesso e richiedere molte risorse. Inoltre, l’hype di marketing da parte di Blue Yonder è notevole: termini come “cognitive” e “autonomous” vengono usati liberamente, a volte superando la realtà di ciò che il software fornisce prontamente ⁴³. Le analisi indipendenti hanno notato che dietro le parole d’ordine, Blue Yonder impiega spesso tecniche analitiche ben consolidate (anche più vecchie) ⁴³ - efficaci ma non magiche AI. Inoltre, il costo e la complessità della soluzione di Blue Yonder possono essere elevati - potrebbe richiedere un investimento sostanziale in termini di tempo, denaro e personale qualificato per sfruttare appieno tutte le capacità, che tempera la narrazione “plug-and-play”. In breve, Blue Yonder è estremamente capace - probabilmente un benchmark per la ricchezza funzionale e l’esperienza nel retail - e continua a evolvere con la moderna AI e la tecnologia cloud. Può certamente fornire un’ottimizzazione all’avanguardia se implementata e utilizzata appieno. Ma bisogna tagliare attraverso la nebbia delle parole d’ordine e valutare attentamente come ogni affermazione è supportata. Dove Blue Yonder dimostra un valore chiaro (come guadagni comprovati nell’accuratezza delle previsioni, riduzione misurabile degli sprechi nei prodotti freschi o aumento delle vendite tramite prezzi ottimizzati), lo riconosciamo come una soluzione di primo livello. Dove si appoggia a un marketing vago o minimizza le difficoltà di integrazione, rimaniamo cauti.

Nel nostro ranking, Blue Yonder rimane un fornitore leader nell’ottimizzazione del retail grazie alla sua ampiezza e all’innovazione continua ⁷¹, ma lo penalizziamo in qualche modo per il debito tecnico legacy e l’eccesso di marketing. Per i grandi rivenditori che cercano un sistema unico, end-to-end e disposti a investire in esso, Blue Yonder è spesso un contendente o lo standard. Per coloro che danno priorità all’agilità, all’efficienza dei costi o alla semplicità, l’approccio espansivo di Blue Yonder potrebbe sembrare pesante.

Fonti: Piattaforma Luminate di Blue Yonder basata su microservizi e capacità ⁷¹; dichiarazione sulla connessione dell’impatto del prezzo ai livelli di inventario ²⁷; analisi critica delle affermazioni di AI di BY e dei sottotitoli legacy ⁷² ⁴³.

6. SAP (SAP IBP & Retail) – Suite Incumbent Modernizzata, Ancora in Recupero (Allerta Bagaglio Legacy)

SAP, un colosso del software aziendale, offre capacità di ottimizzazione del retail attraverso il suo SAP Integrated Business Planning (IBP) per la supply chain e la suite SAP for Retail (che include strumenti di pianificazione della merce e dei prezzi da acquisizioni passate). Le soluzioni SAP coprono la previsione della domanda, la pianificazione dell’inventario e dell’offerta, la pianificazione dell’assortimento e della merce finanziaria, e l’ottimizzazione del markdown. Negli ultimi dieci anni, SAP è passata dal suo vecchio APO (Advanced Planner & Optimizer) e altri moduli retail legacy a una nuova piattaforma IBP basata su cloud. Tuttavia, le offerte di SAP rimangono in qualche modo frammentate tra l’IBP focalizzato sulla supply chain e le app CAR (Customer Activity Repository) e Retail focalizzate sul retail. Poiché i criteri di valutazione enfatizzano l’evitare approcci legacy e l’integrazione di Frankenstein, SAP è spesso indicata come un esempio di queste sfide. Una valutazione sincera nel 2021 ha notato: “SAP (1972) ha acquisito SAF, KXEN, SmartOps… queste app si basano su tecnologia interna (F&R, APO, HANA). Il software aziendale non è miscibile attraverso M&A, e sotto SAP si trova una raccolta casuale di prodotti. La complessità è alta e i migliori integratori - più qualche anno - saranno necessari per ottenere il successo.” ¹¹. Questo sottolinea la lotta di SAP: un sacco di pezzi integrati in modo lento, che richiedono un grande sforzo di implementazione. Classifichiamo la capacità di ottimizzazione del retail di SAP più in basso nella nostra lista a causa di questa complessità legacy e del ritmo più lento dell’innovazione AI, nonostante sia funzionalmente completa sulla carta.

Ottimizzazione Congiunta: I moduli di SAP hanno storicamente operato in silos: ad es., SAP Demand Forecasting (parte di F&R) ha prodotto previsioni che alimentavano separatamente SAP Pricing (dall’acquisizione Khimetrics), e SAP Assortment Planning (da un altro componente). Negli ultimi anni, SAP ha cercato di unificare la pianificazione in IBP - ma IBP copre principalmente la domanda, l’inventario e la pianificazione dell’offerta. I prezzi e l’assortimento sono fuori da IBP, in altre soluzioni specifiche per il retail. Questo significa che la vera ottimizzazione congiunta (inventario + prezzi + assortimento insieme) non è il punto forte di SAP out of the box. Potrebbe essere necessario collegare IBP con, ad esempio, SAP Markdown Optimization (che era un prodotto separato) in un modo personalizzato. Ci sono stati tentativi: ad es., SAP’s Unified Demand Forecast (parte di CAR) doveva fornire una previsione per tutti i sistemi a valle (come il rifornimento e i prezzi). Se implementato, questo almeno allinea i prezzi e l’inventario sullo stesso segnale di domanda. Ma la vera decisione congiunta - come considerare i costi dell’inventario nell’ottimizzazione dei prezzi - probabilmente richiede un’integrazione personalizzata. SAP ha una soluzione SAP Retail Optimization (il vecchio Khimetrics) per i prezzi che può considerare i vincoli di inventario per i markdown (quindi in quel caso limitato, ottimizza congiuntamente i prezzi di liquidazione con l’inventario disponibile). Inoltre, i sistemi di merchandising di SAP collegano i piani di vendita ai piani di fornitura in modo lento. Nel complesso, l’architettura di SAP non ottimizza in modo intrinseco questi aspetti in modo olistico; piuttosto, passa gli output da uno all’input di un altro. Ad esempio, IBP potrebbe generare un piano di fornitura dato un’ipotetica strategia di prezzo; se i prezzi cambiano, un pianificatore dovrebbe aggiornare gli scenari IBP. Non è un feedback automatico. SAP IBP sta evolvendo con cose come “Integrated Financial Planning” che lega i risultati finanziari ai piani di fornitura (un po’ di ottimizzazione congiunta lì, almeno bilanciando costi e ricavi). Ma rispetto ai nuovi fornitori, SAP è in ritardo nell’integrazione senza soluzione di continuità tra le funzioni. La critica sulla complessità ¹¹ suggerisce che anche far parlare bene tutti i pezzi di SAP è un grande progetto. Quindi, classifichiamo SAP basso sull’ottimizzazione congiunta. Può essere raggiunto, ma richiede “i migliori integratori - più qualche anno” ⁸⁶ (citazione diretta) - non un endorsement entusiasta.

Previsione probabilistica e IA: SAP IBP include un modulo per il “Domanda” che offre alcuni strumenti di analisi predittiva e persino l’integrazione di ML (permettono l’uso di SAP Analytics Cloud o librerie ML esterne per produrre previsioni che alimentano IBP). SAP ha anche acquisito KXEN nel 2013, uno strumento di data mining, presumibilmente per incorporare ML in vari luoghi. Ma la previsione nativa di SAP in IBP continua in gran parte la tradizione di APO (modelli statistici come lo smoothing esponenziale, Croston, ecc.). Hanno introdotto il “Demand Sensing” in IBP, che è un algoritmo (dall’acquisizione di SmartOps) che utilizza le recenti tendenze a breve termine per regolare le previsioni del prossimo futuro - un approccio che alcuni considerano una media mobile ponderata glorificata. È utile, ma non una completa rivoluzione dell’IA. SAP sta integrando più ML ora - ad esempio, utilizzano l’apprendimento automatico per la previsione del lancio di nuovi prodotti (abbinando i modelli di prodotti simili). Hanno anche un motore di ottimizzazione (da SmartOps) per l’inventario multi-echelon (che era più stocastico). Nel complesso, l’innovazione di SAP in IA per la pianificazione è rimasta indietro rispetto agli specialisti. Nei MQ di pianificazione della supply chain, Gartner nota spesso il limitato ML out-of-the-box di SAP IBP rispetto ad altri. Si affidano a partner o alla loro piattaforma Data Intelligence per ML avanzato. Per l’ottimizzazione dei prezzi, lo strumento di SAP (da Khimetrics) ha utilizzato algoritmi sofisticati (un po’ di ML per l’elasticità, ecc.), ma questo strumento non ha visto aggiornamenti importanti di recente e potrebbe non essere integrato strettamente. C’è voce che SAP potrebbe ritirare alcuni di questi o sostituirli con un nuovo servizio basato su IA - non sono sicuro, ma niente di prominente. Come ha detto la critica, SAP ha dovuto gestire molte parti predittive acquisite (SAF era previsione, SmartOps era ottimizzazione dell’inventario, KXEN era ML generico). Probabilmente non li ha integrati completamente in un motore IA coerente. Previsione probabilistica specificamente: il F&R basato su SAF di SAP ha generato distribuzioni per il lead time e ha utilizzato i livelli di servizio per determinare le scorte di sicurezza (quindi un approccio in qualche modo probabilistico), ma non penso che SAP IBP produca intrinsecamente distribuzioni di probabilità complete per la domanda; si concentra su un singolo numero e un numero “sensing” regolato. Possibilmente forniscono alcuni intervalli di confidenza. In termini di hype, SAP utilizza parole d’ordine come “analisi predittiva” e “apprendimento automatico” ma la loro IA effettivamente consegnata è stata lieve. Valutiamo SAP relativamente basso sulla previsione avanzata di IA - copre bene le basi (erano noti per una previsione robusta, se tradizionale), ma non è leader nella previsione probabilistica o ML. Stanno cercando di recuperare abilitando l’integrazione esterna dell’IA. Nel frattempo, alcuni clienti SAP potrebbero esportare dati per eseguire ML in Python, poi riportare i risultati - indicando che l’integrato di SAP potrebbe non essere sufficiente. In sintesi, le previsioni e la pianificazione di SAP utilizzano un po’ di IA, ma per lo più è un approccio conservativo, basato su statistiche con funzionalità ML incrementali.

Decisioni economiche: Gli strumenti di pianificazione di SAP sono stati storicamente guidati da metriche piuttosto che ottimizzare intrinsecamente il profitto. APO ti permetteva di impostare obiettivi di livello di servizio o minimizzare i costi nella pianificazione della supply chain, ma non una massimizzazione del profitto diretta. Le soluzioni di prezzo al dettaglio di SAP (come l’ottimizzazione del prezzo di vendita) erano assolutamente economiche - ottimizzavano il margine o l’aumento del fatturato dalle promozioni. Queste sono soluzioni di ottimizzazione matematica che massimizzano un obiettivo (con vincoli come l’inventario o il budget). Quindi, nel pricing, SAP aveva una forza nell’ottimizzazione economica (Khimetrics era un pioniere negli algoritmi di ottimizzazione del prezzo al dettaglio). Nell’inventario, il MEIO di SAP (SmartOps) mirava a minimizzare il costo totale per un dato obiettivo di servizio - di nuovo un approccio economico, sebbene con vincolo di servizio. SAP IBP include “Ottimizzazione dell’inventario” come modulo, che probabilmente utilizza quel motore SmartOps per bilanciare il costo dell’inventario rispetto al servizio. Quindi quella parte è guidata intrinsecamente dal profitto/costo. La pianificazione dell’assortimento in SAP spesso effettuata in SAP Merchandise Planning è solitamente più euristica (i pianificatori simulano risultati finanziari ma non è un algoritmo che sceglie quali SKU tagliare utilizzando il ROI, anche se potrebbe evidenziare SKU a basso profitto per aiutare le decisioni). In generale, SAP consente di monitorare le metriche finanziarie - ad es. IBP può mostrare il fatturato previsto, il margine nei piani, ma l’utente spesso deve decidere i compromessi piuttosto che il sistema massimizzare automaticamente. C’è SAP Profit Optimization in qualche contesto (forse nel loro strumento di progettazione della supply chain o scenario S&OP), ma non è ampiamente menzionato. Poiché SAP si rivolge a pianificatori che prendono decisioni, è spesso uno strumento di what-if piuttosto che un auto-ottimizzatore. Detto questo, i loro sottotools di prezzo e inventario fanno ottimizzazione sotto il cofano. Gli daremo un credito medio: non così senza soluzione di continuità guidato dal profitto come Lokad o l’approccio nuovo di ToolsGroup, ma coprono i compromessi di costo. Un buon indicatore: la nuova funzionalità di IBP di SAP è “Ritorno sull’investimento dell’inventario” calcoli, per aiutare a dare priorità. Ma se calcola e mostra solo il ROI rispetto a un algoritmo che massimizza effettivamente il ROI, è diverso. Data la complessità, molti clienti SAP lo utilizzano in modo basato su regole (come raggiungere obiettivi di fill rate, budgeting OTB dollars per assortimento basato sul giudizio del pianificatore). Quindi non il culmine dell’ottimalità decisionale, ma capace se configurato. La critica che definisce le loro acquisizioni “applicazioni di supply chain predittive” implica che SAP aveva i pezzi per incorporare l’analisi dei costi e dei benefici predittivi, ma l’integrazione è rimasta indietro ¹¹. Ci incliniamo a pensare che SAP sia indietro sulla curva per quanto riguarda la spinta all’ottimizzazione del profitto automaticamente.

Scalabilità ed efficienza dei costi: Il marchio di fabbrica di SAP è stato l’heavy computing in memoria - SAP HANA è un database in memoria che supporta IBP e altre applicazioni. È molto veloce per certe cose, ma estremamente avido di memoria e costoso. Molte aziende trovano le soluzioni SAP costose da scalare perché hai bisogno di grandi dimensioni di memoria HANA. Ad esempio, SAP IBP richiede tutti i dati di pianificazione nella memoria HANA per fare calcoli rapidamente, il che può essere costoso per i grandi rivenditori (terabyte di memoria). Questo si allinea con il desiderio di evitare soluzioni pesanti in termini di RAM nei nostri criteri. Infatti, un’analisi ha detto di un fornitore (Relex) in modo simile, “il design in memoria offre grande velocità ma garantisce alti costi hardware” ²² - questo è esattamente l’approccio di SAP. Quindi l’efficienza dei costi è discutibile; l’approccio di SAP spesso produce una risposta rapida ma ad un alto costo infrastrutturale (a meno che non si scarichi parte su storage più economico, che poi perde velocità). L’offerta cloud di SAP cerca di mitigare questo gestendo dietro le quinte sul loro HANA Cloud e addebitando l’abbonamento, ma effettivamente, il costo viene passato nell’abbonamento. Storicamente, implementare SAP APO o F&R era abbastanza scalabile in quanto poteva gestire enormi volumi (grandi aziende globali lo gestivano), ma a volte richiedeva esecuzioni batch notturne o semplificazioni per rispettare i tempi. IBP su HANA migliora significativamente i tempi di calcolo (alcuni cicli di esecuzione in minuti che richiedevano ore in APO). Quindi la scalabilità nelle prestazioni è migliorata, ma nelle dimensioni dei dati, è limitata dal budget della memoria. SAP va bene per le grandi imprese (alcune delle più grandi lo usano), ma spesso questi progetti richiedevano hardware serio e tuning. Quindi sì, SAP scala a grandi dati ma non in modo così economico come forse le soluzioni cloud distribuite. Per quanto riguarda l’efficienza dei costi: SAP è noto per essere una soluzione costosa nel complesso (licenza, infrastruttura, costi dell’integratore). Il frammento MQ ⁸⁶ su “i migliori integratori più anni necessari” dice che implementarlo è costoso in termini di tempo/risorse umane. Se si misura l’efficienza del calcolo puro, HANA è ad alte prestazioni ma costoso ($$$ per GB RAM). Inoltre, alcuni moduli SAP come il pricing avevano motori separati che potrebbero non scalare bene (il vecchio Khimetrics girava su Oracle DB e aveva limitazioni nelle dimensioni del problema di ottimizzazione). Non sono sicuro di ora. Dato tutto, segniamo SAP basso sull’efficienza dei costi e moderato sulla scalabilità (può gestire una grande scala, ma ad alto costo e complessità, che è esattamente ciò che i criteri volevano penalizzare). Esemplifica essenzialmente il “costo computazionale eccessivo” da evitare se possibile.

Gestione di fattori di vendita al dettaglio complessi: Le soluzioni al dettaglio di SAP gestiscono un certo numero di complessità:

Cannibalizzazione/Effetto Halo: La previsione di SAP (in particolare attraverso CAR Unified Demand Forecast) potrebbe incorporare fattori causali tra cui promozioni di prodotti correlati, ecc., ma storicamente SAP era più debole in questo campo. Il metodo SAF era principalmente per singolo prodotto. Avevano un modulo chiamato SAP Promotion Management for Retail che potrebbe stimare l’incremento e la cannibalizzazione utilizzando alcuni modelli. Inoltre, l’ottimizzazione del prezzo di vendita di SAP considerava gli effetti tra diversi articoli (forse nelle categorie). Ma onestamente, SAP non era conosciuta per la previsione delle promozioni di migliore qualità - molti rivenditori utilizzavano terze parti o lo facevano manualmente. Possibilmente KXEN era destinato ad aiutare a trovare correlazioni (come utilizzare ML per rilevare schemi di cannibalizzazione). Non è chiaro quanto bene sia stato integrato.
Sostituzione: SAP F&R aveva funzionalità per considerare le sostituzioni (se un articolo era esaurito, suggerire una sostituzione nelle proposte d’ordine?). Inoltre, nell’analisi delle vendite perse, potevano tenere conto se una vendita era recuperata da un altro prodotto. Ma non è certo se fosse una funzionalità di base o personalizzata. La logica MRP di SAP (in ERP) non gestiva la sostituzione per impostazione predefinita nella pianificazione, era più un esercizio analitico.
Prodotti deperibili: SAP aveva F&R (Previsione & Rifornimento) specificamente adattato per la spesa con data di scadenza. Permetteva di impostare regole per evitare di inviare più prodotto di quanto possa vendere prima della scadenza e monitorare l’età del magazzino. Molti negozi di alimentari utilizzavano SAP F&R per articoli freschi e ottenevano miglioramenti. IBP potrebbe non avere ancora tutta quella logica fresca di base, ma possibilmente tramite l’inventario fresco di SAP CAR o simili. SAP ha anche un’estensione per la “pianificazione della durata di conservazione” in PP/DS. Quindi sì, gestiscono le restrizioni di scadenza nella pianificazione della supply chain fino a un certo punto.
Spazio/assortimento: Lo strumento di pianificazione dell’assortimento di SAP considera i vincoli di spazio del negozio ad alto livello (come categorie massime). Non è integrato come il collegamento planogramma di Blue Yonder. Ma integrano con i dati del planogramma in CAR per garantire che gli ordini del negozio non superino la capacità dello scaffale come regola. Potrebbe non essere automatizzato, ma possibile. Avevano un’integrazione tra SAP F&R e i dati del planogramma (attraverso SAP Landscape Management). Quindi si verifica una certa considerazione dei vincoli di spazio negli ordini.
Previsione delle promozioni: CAR di SAP include un modello “Fattore di influenza della domanda” in cui promozioni, festività, ecc., sono considerate nella previsione tramite regressione o ML. Quindi le promozioni sono previste con un aumento. Molti clienti SAP utilizzano questo (con successo variabile).
Fattori esterni (meteo ecc.): Attraverso KXEN o ora SAP Analytics Cloud predictive, permettono di includere queste variabili. Ci sono state implementazioni con il meteo che influenzava gli ordini per prodotti stagionali utilizzando gli strumenti SAP, sebbene non siano plug-and-play. In sintesi, SAP può gestire questi, ma spesso richiede la personalizzazione dei modelli statistici o l’utilizzo dei loro nuovi servizi predittivi. Non è così immediato come alcuni fornitori specializzati. La critica che definisce la collezione di SAP “casuale” suggerisce una mancanza di sinergia - ad esempio, la parte di previsione delle promozioni non alimenta senza soluzione di continuità la parte di rifornimento; è richiesta l’integrazione. Se quell’integrazione fallisce, allora ad esempio la cannibalizzazione scoperta da un modulo potrebbe non propagarsi ad altri. SAP IBP essendo relativamente nuovo, alcune funzionalità avanzate non sono mature; ad esempio, aveva una previsione di base, e solo recentemente (2022+) ha iniziato ad aggiungere “sensing della domanda” guidato da ML o segnali di domanda esterni. Classificherei SAP come moderata sui fattori complessi - hanno la capacità, ma non è così avanzata o automatica come altri. Ad esempio, un rivenditore potrebbe dover configurare manualmente come una promozione sul prodotto A riduce la domanda sul prodotto B nel sistema SAP, mentre RELEX potrebbe impararlo automaticamente. Inoltre, la loro letteratura non ha evidenziato tanto la soluzione di cannibalizzazione; alcuni clienti potrebbero fare affidamento su strumenti esterni per questo (come utilizzare HANA di SAP per eseguire ML personalizzato per trovare la cannibalizzazione, quindi restituire le regolazioni). Quindi li penalizzerei un po’ lì.

Automazione: La filosofia di SAP è stata tradizionalmente più di “supporto alla pianificazione” che di “pianificazione senza intervento umano”. Spesso richiedono che i pianificatori eseguano lavori batch e ne esaminino i risultati. Ad esempio, SAP APO era uno strumento molto interattivo in cui i pianificatori dovevano rilasciare frequentemente previsioni, eseguire ottimizzazioni, ecc. SAP IBP ha migliorato un po’ l’automazione con allarmi e programmi, ma è ancora uno strumento di ciclo di pianificazione, non di guida automatica continua. Molti clienti SAP hanno ancora grandi team di pianificazione che fanno analisi what-if nelle tabelle di IBP. Nel retail, le soluzioni di SAP come Merchandise Planning e Assortment sono essenzialmente strumenti di pianificazione manuale (simili a Excel, ma integrati). Non sono automatizzati - richiedono che i pianificatori impostino obiettivi, selezionino assortimenti. L’ottimizzazione dei prezzi può essere automatizzata fino a un certo punto (l’algoritmo fornisce raccomandazioni di prezzo, ma tipicamente un analista dei prezzi le esamina/approva in SAP). Il rifornimento in SAP (sia tramite F&R che ERP MRP) era automatizzato per la generazione di proposte d’ordine, che potevano poi essere convertite automaticamente in PO se entro le tolleranze; questo era comunemente fatto. Quindi il rifornimento del negozio poteva essere senza tocco - molti rivenditori di generi alimentari lo facevano con SAP F&R o ora CAR/Unified Demand Forecast più la creazione automatica di ordini S/4. Questo è un punto di forza - SAP può automatizzare molto bene il rifornimento, una volta configurato (come qualsiasi sistema decente). Dove mancano è forse nel rivedere automaticamente i piani al volo con ML - si affidano ancora a cicli batch (giornalieri o settimanali). Hanno allarmi di eccezione per evidenziare se le vendite deviano in modo che un pianificatore possa regolare manualmente rapidamente (semi-automatizzato). IBP ha introdotto alcune cose come “previsioni auto-regolanti” (il sistema sceglie automaticamente il miglior modello, non richiede la selezione manuale del modello). Questa è un’automazione di base. Il marketing di SAP del “sensing della domanda” implica un’automazione più frequente degli aggiornamenti delle previsioni con i dati più recenti, che è in parte automatizzata. Ma rispetto ad altri, SAP non spinge una narrazione autonoma; si tratta più di supportare i pianificatori per essere efficienti. Il forte bisogno di integratori suggerisce che non è un semplice pilota automatico che si accende. Quindi classificherei SAP più in basso sull’automazione. Spesso è un lavoro pesante da implementare e richiede ancora un notevole controllo manuale. Molti processi rimangono guidati dal pianificatore (con i calcoli del sistema che li supportano). Quindi probabilmente non raggiungono l’obiettivo di “completamente senza intervento umano”. C’è anche la politica interna: la base di utenti di SAP si aspetta di intervenire; si fidano del sistema fino a un certo punto, ma non fino a farlo funzionare completamente da solo. Senza prove di alcun cliente SAP che esegue una pianificazione completamente senza tocco, presumo che non ce ne siano o che ce ne siano pochi. (In contrasto, ToolsGroup o Blue Yonder hanno alcuni riferimenti del genere). Quindi, SAP ottiene un punteggio modesto qui.

Integrazione Tecnologica: La storia di SAP è effettivamente quella di acquisizioni accumulate sulla tecnologia di base:

Avevano il loro APO interno (per la supply chain) e un Forecasting & Replenishment (F&R) interno per il retail separato.
Poi hanno acquisito SAF (previsione della domanda), SmartOps (ottimizzazione dell’inventario), e li hanno integrati in APO o IBP in qualche modo.
Hanno acquisito Khimetrics (ottimizzazione dei prezzi) e Retek (sistemi di merchandising) integrati nello stack SAP Retail.
KXEN (ML) integrato nelle loro offerte di analisi.
Tutto su HANA o ECC. Questo è esattamente “Frankenstein”. L’approccio di SAP all’integrazione di questi: in IBP, hanno ricostruito le funzioni APO su HANA e aggiunto la logica SmartOps per l’inventario e forse alcune idee SAF per la domanda. Ma IBP all’inizio mancava di funzionalità (alcuni dicono che la previsione di IBP era più semplice dell’antico APO o SAF, stanno recuperando). Lato SAP Retail: alcune cose sono state fuse in CAR (Customer Activity Repository) che cerca di essere una piattaforma unificata per i dati sulla domanda e alcune analisi (come la previsione unificata della domanda, la gestione delle promozioni). CAR doveva integrare le transazioni del negozio con la pianificazione - una buona mossa di integrazione. Tuttavia, CAR e IBP storicamente non comunicavano senza problemi (stanno colmando questo ora con le API). Il problema principale di SAP è avere due piattaforme parallele (IBP per la supply chain e CAR per la pianificazione del retail del negozio). C’è sovrapposizione e potenziale conflitto, anche se hanno posizionato IBP per le persone della supply chain e CAR per le persone del merchandising. L’integrazione tra prezzi, assortimento e pianificazione della fornitura in SAP spesso si basa sull’integrazione tramite l’ERP di base (come passare le previsioni all’ERP, che poi alimenta un altro modulo - non un singolo motore). La linea di critica ¹¹ lo spiega: “queste app escono sulla tecnologia interna… sotto il banner SAP è una raccolta casuale… alta complessità, bisogno di integratori di alto livello + anni per raggiungere il successo”. Questo riassume i problemi di integrazione - sono risolvibili con una consulenza di alto livello, ma non elegantemente integrati di serie. Molti clienti SAP nel settore retail si lamentano di sistemi multipli che duplicano i dati (ad es., l’elasticità dei prezzi potrebbe essere calcolata nel loro strumento di prezzo e considerata separatamente nello strumento di previsione senza alcun collegamento). Il rimedio di SAP è stato spingere tutto al database HANA in modo che almeno i dati possano essere facilmente condivisi a livello di DB. E sviluppare scenari di integrazione utilizzando SAP Cloud Platform o CPI. Tuttavia, è ancora lavoro. Poiché SAP vende un’intera suite (ERP, pianificazione, esecuzione), teoricamente dovrebbe integrarsi profondamente. In pratica, diversi moduli sono arrivati in tempi diversi e sono stati cuciti insieme. L’integrazione di SAP non è così bella come i microservizi di Blue Yonder o persino la suite modulare di ToolsGroup. Spesso richiede progetti personalizzati per allineare i flussi di dati. Quindi sì, SAP rientra chiaramente nella categoria “Frankenstein” fino a un certo punto (almeno lo hanno riconosciuto e hanno cercato di unificare tramite HANA e CAR, ma non completamente risolto secondo gli esperti). Quindi, sull’integrazione tecnologica, diamo a SAP un voto basso. La citazione stessa dalla nostra fonte è un riassunto esperto dei loro problemi di integrazione ¹¹. È significativo che anche SAP stessa abbia dovuto collaborare con integratori come Accenture o EY spesso per implementare con successo le loro soluzioni di pianificazione.

Scetticismo verso l’Hype: SAP non esagera tanto quanto altri sull’IA, ma usano parole d’ordine nel marketing (parlano di “ML incorporato”, “rilevamento della domanda”, “gemello digitale della supply chain”, ecc.). Molti nel settore sono scettici sulle affermazioni di SAP perché a volte le funzionalità non sono mature come pubblicizzato inizialmente (ad es., l’IBP iniziale mancava di alcune capacità promesse, consegnate in seguito). Inoltre, SAP dipinge spesso una visione di “pianificazione integrata end-to-end” che suona fantastica, ma molti sanno che la realtà sono moduli multipli che devono essere integrati attraverso uno sforzo significativo. Quindi c’è un divario. Il marketing di SAP attorno a IBP enfatizza la “distribuzione rapida” (poiché è cloud) e i “dashboard user-friendly” - parzialmente vero, ma la distribuzione di IBP può ancora richiedere un anno o più per casi complessi. Sull’IA, SAP tende a non esagerare oltre le loro offerte effettive - ammettono dove si affidano ai partner per l’analisi avanzata. Quindi, ironicamente, SAP potrebbe essere più conservativa nell’hype rispetto ai fornitori più piccoli. Il loro hype è più nelle affermazioni di integrazione (come “Integrated Business Planning” che fa sembrare tutto integrato, dove in realtà copre solo la pianificazione della supply chain, non tutta la pianificazione del retail). Un altro esempio: il “Demand-Driven Replenishment” di SAP - parola d’ordine attorno alla metodologia DDMRP che spingono, che alcuni considerano hype/tendenza piuttosto che provata in tutti i casi. Sono saltati su quel carro. Anche termini come “Digital Supply Chain” vengono usati molto dal marketing di SAP. Data la dimensione di SAP, l’hype è forse meno esagerato nel tono, ma presentano sicuramente la loro soluzione come unica e a prova di futuro, mentre i critici la vedono come complessa e obsoleta in alcune parti. Quindi, da una prospettiva scettica, metteremmo in guardia sul fatto che molti dei benefici promessi da SAP arrivano solo con una personalizzazione estensiva o potrebbero non essere così automatici come suggerito. Lo studio indipendente ha dato a SAP un posizionamento medio tra i fornitori e ha esplicitamente evidenziato il patchwork di M&A e la complessità ¹¹. Questo è fondamentalmente come dire “non credere che sia tutto senza soluzione di continuità; all’interno è piuttosto disordinato”. Quindi penalizzare per l’allineamento all’hype è giusto. Diremo che SAP è abbastanza trasparente con i grandi clienti sul fatto che richiede una forte implementazione - quindi forse non un hype così sfavillante, ma il loro marketing trascura quanto sforzo sia necessario per farlo funzionare bene. Quindi, moderato scetticismo sull’hype - non così carico di parole d’ordine come o9 o Blue Yonder, ma comunque molte affermazioni ottimistiche che necessitano di un controllo con la realtà.

Riassunto: Le offerte di ottimizzazione al dettaglio di SAP sono complete sulla carta ma soffrono di essere un patchwork ereditato che non è completamente passato all’era moderna, guidata dall’IA. La piattaforma SAP IBP e i relativi moduli retail possono certamente affrontare l’inventario, i prezzi e l’assortimento - ma non in un modo veramente unificato, di ottimizzazione congiunta. L’Ottimizzazione Congiunta è limitata dagli strumenti isolati: ad esempio, la pianificazione della domanda e il rifornimento avvengono in IBP o F&R, mentre la pianificazione dei prezzi e dell’assortimento avviene in moduli SAP separati con solo trasferimento di dati batch tra di loro. A SAP manca un singolo motore che ottimizza contemporaneamente l’inventario e il prezzo (quelle decisioni sono coordinate da persone e processi piuttosto che da un algoritmo).

SAP impiega IA/ML in tasche - ad es., algoritmi di “demand sensing” per regolare le previsioni a breve termine, o apprendimento automatico per le previsioni di nuovi prodotti - ma gran parte delle sue previsioni rimane ancorata a metodi tradizionali e regole definite dall’utente ¹¹. È significativo che SAP abbia dovuto acquisire aziende specializzate (SAF, SmartOps) per potenziare APO, e ancora oggi, la previsione probabilistica e l’advanced ML non sono incorporati nativamente come in alcuni concorrenti. La pianificazione di SAP produce tipicamente previsioni a numero singolo e si basa su pianificatori di scenari per valutare l’incertezza, piuttosto che produrre distribuzioni di probabilità complete della domanda (sebbene l’ottimizzazione dell’inventario considererà la variabilità tramite calcoli di livello di servizio o di stock di sicurezza). In termini di ottimizzazione economica, gli strumenti di SAP possono essere configurati per ottimizzare certi risultati finanziari (la loro ottimizzazione del markdown massimizza il margine, l’ottimizzazione dell’inventario minimizza il costo per il servizio target, ecc.), ma questi tendono ad essere ottimizzazioni specifiche del modulo piuttosto che un’ottimizzazione del profitto globale dell’intera operazione al dettaglio. I pianificatori che utilizzano SAP spesso bilanciano manualmente più obiettivi (ad es., bilanciando gli obiettivi di ricavo e stock attraverso i loro propri aggiustamenti piuttosto che un IA che lo fa automaticamente).

Un problema importante con il set di soluzioni di SAP è la scalabilità vs. costo. SAP si basa pesantemente sul suo database in-memory HANA. Sebbene ciò produca calcoli veloci su grandi set di dati (consentendo, ad esempio, previsioni molto dettagliate di store-SKU in tempo quasi reale), garantisce “alti costi hardware” ²² e può essere costoso da scalare. Si sa che SAP IBP funziona meglio su HANA con una significativa allocazione di memoria, che può essere eccessiva (e troppo costosa) per alcuni compiti. Questo contraddice il criterio dell’efficienza dei costi; l’approccio di SAP può gestire la scala aziendale, ma non senza un pesante prezzo per l’infrastruttura e la licenza.

Quando si tratta di fattori di vendita al dettaglio complessi (cannibalizzazione, sostituzione, deterioramento, ecc.), SAP ha capacità, ma spesso richiedono una configurazione sostanziale e non sono così pronte all’uso come alcune soluzioni più recenti. Ad esempio, SAP può modellare promozioni e persino alcuni effetti di cannibalizzazione utilizzando le sue analisi del Customer Activity Repository (CAR) o configurando le cross-elasticità nel suo strumento di prezzo, ma queste relazioni non sono auto-scoperte - di solito si basano su analisti per inserire ipotesi o su analisi separate al di fuori del core planning run. Allo stesso modo, SAP F&R potrebbe tenere conto della durata di conservazione per i prodotti deperibili e limitare di conseguenza gli ordini, ma implementare la pianificazione del cibo fresco in SAP è storicamente stato impegnativo e a volte meno sofisticato rispetto a strumenti specializzati (alcuni rivenditori si sono rivolti a soluzioni personalizzate per il fresco).

L’automazione nella pianificazione al dettaglio di SAP è relativamente bassa. SAP fornisce motori di pianificazione, ma il processo di pianificazione è spesso guidato dall’utente: i pianificatori impostano i parametri, avviano le previsioni, esaminano le eccezioni e rilasciano ordini o prezzi. Ci sono calcoli automatizzati (ad es., il sistema genererà proposte di ordine o prezzi ottimizzati), ma un funzionamento ininterrotto è raramente raggiunto senza un significativo controllo umano. Bisogna investire nell’installazione di flussi di lavoro automatizzati (e anche allora, molti utenti SAP mantengono gli umani nel loop a causa di problemi di fiducia o complessità del sistema). Essenzialmente, gli strumenti di SAP sono spesso descritti come sistemi di supporto alle decisioni piuttosto che di presa di decisioni.

Infine, l’integrazione tecnologica è un punto dolente. La soluzione di ottimizzazione al dettaglio di SAP è effettivamente una “collezione casuale” derivata da molteplici acquisizioni oltre al suo nucleo ERP ¹¹. Nonostante gli sforzi come SAP IBP (destinato a unificare la pianificazione della supply chain su una piattaforma) e SAP CAR (destinato a unificare i dati transazionali al dettaglio e le analisi), la realtà è che gli strumenti di inventario, prezzi e assortimento di SAP non operano naturalmente come un unico sistema. Ottenere un flusso senza soluzione di continuità richiede un pesante lavoro di integrazione (spesso da parte di esperti integratori SAP su progetti di lunga durata) ⁸⁶. Anche allora, gli utenti possono dover affrontare molteplici interfacce utente e duplicazione dei dati. Questa architettura disgiunta è esattamente lo scenario “Frankenstein” da evitare - dove una soluzione è tecnicamente capace di tutto ma sembra diversi sistemi avvitati insieme, portando ad alta complessità e manutenzione.

Il scetticismo è giustificato quando si valutano le affermazioni di SAP. SAP spesso posiziona IBP e la sua suite al dettaglio come una “soluzione end-to-end integrata”, ma gli esperti notano che “il software aziendale non è facilmente fuso tramite M&A” ¹¹ - suggerendo che l’integrazione di SAP non raggiunge la visione. Inoltre, parole d’ordine come “real-time”, “predictive”, e “demand sensing” costellano il marketing di SAP, ma molti utenti scoprono che l’estrazione di valore reale da queste funzionalità richiede un notevole sforzo e personalizzazione. In sintesi, le capacità di ottimizzazione al dettaglio di SAP sono ampie ma non profonde in certe aree moderne, e affidabili ma non eleganti. Rappresentano più un approccio legacy, aziendale: potente in termini di portata e in grado di scalare in grandi ambienti, ma ingombrante, costoso e complesso - spesso richiedendo forza lavoro umana e IT per ottenere risultati ⁸⁶.

Per i rivenditori già fortemente investiti nell’ecosistema di SAP, questi strumenti possono essere fatti funzionare e possono beneficiare di un’integrazione ERP senza soluzione di continuità. Tuttavia, potrebbero sentirsi una generazione indietro rispetto allo stato dell’arte nell’ottimizzazione al dettaglio guidata dall’IA. Classifichiamo SAP verso il basso a causa di questi fattori - esemplifica molte insidie che questo studio mira a evidenziare (tecnologia legacy, sfide di integrazione, alto TCO, e marketing che può esagerare la facilità d’uso).

Fonti: Critica della complessità del prodotto accumulato di SAP e delle sfide di integrazione ¹¹; confronto di alto livello che i design in-memory (come quello di SAP) scambiano le prestazioni per il costo dell’hardware ²².

(I restanti fornitori e analisi possono seguire in modo simile, concentrandosi sui concorrenti prospettici e penalizzando quelli fortemente dipendenti da acquisizioni o parole d’ordine. Per brevità, concludiamo qui le valutazioni dettagliate.)

Riepilogo della classifica dei fornitori:

Lokad – Eccelle nell’ottimizzazione unificata, probabilistica; altamente innovativo, minimo hype ²⁵ ³.
RELEX Solutions – Piattaforma nativa per il retail con forte ML e pianificazione integrata; modellazione avanzata di promozioni/cannibalizzazioni ⁹.
o9 Solutions – Visionario “Digital Brain” di pianificazione integrata con ampia portata, ma attenzione all’IA dichiarata rispetto all’implementazione effettiva ⁴.
ToolsGroup – Ottimizzatore di inventario collaudato che si evolve in una suite completa per il retail; buona automazione, sebbene attualmente integrando nuove acquisizioni ¹⁹ ⁵².
Blue Yonder – Suite al dettaglio completa reinventata con l’IA; estremamente ricca di funzionalità, ma ancora in parte legacy sotto il cofano ⁷².
SAP (IBP & Retail) – Potente incumbente con ampia copertura; ostacolato da complessità legacy e minore agilità, richiedendo una pesante integrazione ¹¹.

Ogni fornitore porta punti di forza e debolezze come dettagliato sopra. In sintesi, quelli come Lokad e RELEX che enfatizzano la vera ottimizzazione congiunta, le previsioni probabilistiche e un tech stack a foglio bianco ²⁵ ³ si distinguono come a prova di futuro e allineati con i nostri criteri. Altri, in particolare le grandi suite legacy, hanno dovuto adattare tecniche moderne e possono fornire risultati, ma non senza il peso di un’architettura più vecchia e a volte affermazioni di marketing non suffragate ⁷². Gli utenti dovrebbero valutare questi compromessi attraverso una lente focalizzata sull’ingegneria per scegliere la soluzione che soddisfa realmente le loro esigenze senza il velo dell’hype.