Software di ottimizzazione del mercato automobilistico, febbraio 2025

Di Léon Levinas-Ménard

Ultima modifica: 2 febbraio 2025

Introduzione

Il mercato automobilistico di ricambio richiede più di strumenti isolati per l’inventario o i prezzi. Con una domanda scarsa, parti intercambiabili e crescente complessità, solo alcuni fornitori possono veramente ottimizzare inventario, prezzi e assortimento insieme. Questo studio classifica i contendenti basandosi su prove tecniche - non di marketing - e rivela chi sta mantenendo la promessa dell’ottimizzazione congiunta in condizioni di incertezza, e chi è ancora bloccato nel pensiero tradizionale.

Classifica dei fornitori (Ottimizzazione congiunta di inventario-prezzi-assortimento)

Lokad - Offre l’approccio più coeso all’ottimizzazione congiunta, costruito da zero per la modellazione probabilistica e l’ottimizzazione economica. Gestisce nativamente i dati di compatibilità tra parti e veicoli e integra i prezzi nelle decisioni sull’inventario con un rigoroso ragionamento finanziario ¹ ².
Syncron - Realizzato su misura per i pezzi di ricambio con moduli integrati di inventario e prezzi. Forte previsione probabilistica per la domanda intermittente e robusta gestione dei prezzi dei concorrenti, anche se parte dell’ottimizzazione si basa su strategie definite dall’utente ³ ⁴.
PTC Servigistics - Suite matura di ottimizzazione dei pezzi di ricambio che copre inventario e prezzi. Algoritmi multi-echelon provati e miglioramenti di ML ⁵ ⁶, ma la complessità tradizionale e l’integrazione dei moduli possono presentare sfide nonostante le affermazioni di AI end-to-end.
ToolsGroup (con Evo) - Ottimizzazione avanzata dell’inventario (SO99+) potenziata dal pricing AI appena acquisito (Evo). Eccelle nella modellazione della domanda probabilistica e nell’inventario multi-echelon, ma le acquisizioni recenti (ad es. Evo, JustEnough) sollevano domande sull’integrazione ⁷ ⁸.
o9 Solutions - Moderna piattaforma di pianificazione integrata (“Digital Brain”) che modella la domanda, l’offerta e i prezzi in un unico ambiente. Offre modellazione dell’elasticità dei prezzi e pianificazione degli scenari ⁹, ma le capacità specifiche del settore (ad es. compatibilità delle parti) possono richiedere una configurazione personalizzata.
Blue Yonder - Ampia suite di supply chain (legacy JDA/i2) con forte ottimizzazione dell’inventario e un modulo di prezzi al dettaglio (Revionics). Tuttavia, l’ottimizzazione congiunta non è intrinseca - prezzi e inventario rimangono tecnologie separate dopo l’acquisizione ¹⁰. La dipendenza dalla tecnologia legacy i2 e i termini di moda (“supply chain autonoma”) nascondono lacune di integrazione.

(Altri fornitori come SAP, Oracle, Kinaxis, ecc., sono omessi qui a causa della mancanza di dimostrata ottimizzazione congiunta di inventario-prezzi nel contesto del mercato di ricambi. Di solito trattano prezzi e inventario separatamente.)

Panoramica - Perché l’ottimizzazione congiunta è importante

L’ottimizzazione dell’inventario non può essere separata in modo significativo dai prezzi nel mercato automobilistico di ricambio. Le complessità di questo mercato - centinaia di migliaia di SKU a movimento lento, domanda altamente intermittente e molte parti intercambiabili - richiedono che le decisioni di stoccaggio e le strategie di prezzi siano decise insieme. Gli strumenti tradizionali che ottimizzano i livelli di inventario in modo isolato (ad es. tramite tassi di riempimento o livelli di servizio) “non centrano il punto” in questo settore ¹¹. I prezzi influenzano direttamente la domanda e la redditività, quindi inventario, prezzi e assortimento devono essere ottimizzati nel loro insieme. I fornitori in questo settore affermano di utilizzare l’AI/ML per affrontare queste sfide, ma è necessario un occhio scettico per distinguere le capacità autentiche dall’esagerazione di marketing.

Di seguito valutiamo criticamente la tecnologia di ciascun principale fornitore rispetto ai requisiti chiave: previsioni probabilistiche per la domanda intermittente, gestione della matrice di compatibilità parte-veicolo, vera ottimizzazione economica delle decisioni, scalabilità/efficienza dei costi della loro architettura, integrazione dell’intelligence competitiva, supporto per i dati di vendita multi-canale, e grado di automazione rispetto alla dipendenza dall’ottimizzazione dell’utente. Sottolineiamo le affermazioni vaghe e i problemi ereditati, notando dove i fornitori potrebbero essere troppo promettenti (ad esempio, audaci miglioramenti percentuali senza contesto) o assemblare insieme componenti acquisite. Ogni analisi dei fornitori inizia con i loro punti di forza, seguiti da limitazioni e eventuali segnali d’allarme.

¹² Una vasta gamma di ricambi - dai filtri ai dischi dei freni - caratterizza il mercato automobilistico di ricambi. Le soluzioni devono decifrare modelli di domanda sparsi per milioni di tali articoli e ottimizzare l’inventario e il prezzo congiuntamente, anziché in silos.

1. Lokad - Ottimizzazione Probabilistica, Basata sull’Economia

Lokad si distingue per la sua fondazione di previsioni probabilistiche e ottimizzazione “predittiva” end-to-end progettata specificamente per catene di approvvigionamento complesse come il mercato automobilistico di ricambi. Piuttosto che prevedere la domanda a un singolo punto, Lokad produce distribuzioni di probabilità complete della domanda nel tempo di conduzione, riconoscendo l’incertezza. Come afferma la loro documentazione tecnica: “Le previsioni di domanda probabilistiche sono un must quando si tratta di ottimizzazione dell’inventario.” ¹³ Questo è fondamentale per i ricambi, dove la domanda è scarsa e zero-inflazionata; le previsioni medie tradizionali o i modelli periodici sottovalutano il rischio di esaurimento delle scorte. Il motore di Lokad gestisce nativamente modelli di domanda intermittente e persino tempi di conduzione probabilistici ¹⁴, alimentando queste decisioni di ottimizzazione.

Gestione di prima classe della compatibilità delle parti. Lokad ha investito pesantemente nella modellazione della matrice di compatibilità parte-veicolo, trattandola come un “cittadino di prima classe” nei suoi algoritmi ¹⁵ ¹. Questi dati di compatibilità (spesso 100+ milioni di relazioni che collegano ~1M parti a ~100k modelli di veicoli ¹⁶) sono essenziali per inferire la vera domanda. I modelli basati su grafi di Lokad identificano l’“unità di necessità” sottostante - il requisito del veicolo - anziché prevedere ingenuamente ciascun numero di parte in modo isolato ¹. Ciò significa che se più numeri di parte possono soddisfare la stessa necessità (parte OEM vs equivalente di ricambio, sostituzioni, ecc.), le previsioni e le raccomandazioni di Lokad riflettono quell’intercambiabilità. I segnali di domanda sono quindi interpretati correttamente: ad es. una parte che mostra zero vendite potrebbe comunque giustificare lo stock se un sostituto compatibile stava vendendo - qualcosa che i metodi classici di serie temporali trascurano ¹⁷.

Vera ottimizzazione economica. La filosofia di Lokad si concentra sui driver economici piuttosto che su obiettivi di servizio arbitrari. Il suo ottimizzatore considera tutti i costi, i prezzi e i vincoli rilevanti per massimizzare l’obiettivo reale: redditività e uptime. La soluzione modella esplicitamente i trade-off tra costo di inventario, livello di servizio e pricing - il “trilemma” di capitale, prezzo e servizio ¹⁸. Ad esempio, più stock migliora il servizio ma lega il capitale e rischia l’obsolescenza; prezzi più alti aumentano il margine ma sopprimono il volume ¹⁹. Lokad affronta questo ottimizzando “end-to-end…tenendo conto di tutti i fattori economici rilevanti”, dai costi di mantenimento al rischio di perdere clienti a causa di un servizio scadente ². A differenza di molti strumenti che cercano semplicemente di raggiungere un tasso di riempimento, Lokad può essere configurato per, ad esempio, massimizzare il profitto atteso o minimizzare il costo totale sotto vincoli di servizio, utilizzando una funzione obiettivo economica o di “ricompensa per lo stock” personalizzata nel suo linguaggio di scripting Envision ²⁰. Non viene fornito con assunzioni fisse sugli obiettivi - gli utenti possono pesare il servizio rispetto al costo rispetto alla quota di mercato come desiderato ².

Questo focus economico si estende all’ottimizzazione dei prezzi. La piattaforma di Lokad può generare raccomandazioni di prezzo che tengono conto dei livelli di stock e dell’elasticità della domanda. Nella pratica, clienti come Mister Auto (un distributore online di parti) hanno utilizzato Lokad per fissare dinamicamente i prezzi di migliaia di parti in 20 paesi, citando “modelli algoritmici basati su Big Data” che hanno aumentato l’efficacia dei loro prezzi ²¹. Il CEO di Lokad in interviste sottolinea l’importanza del pricing nel mercato di ricambi e l’analisi dei prezzi dei concorrenti per parti simili ²². Infatti, il sistema può assimilare i punti di prezzo dei concorrenti e i dati sulle vendite per apprendere l’elasticità dei prezzi ²³. Eseguendo simulazioni del tipo e se (ad es. test A/B all’interno dello strumento ²⁴), Lokad consente agli utenti di vedere come piccole variazioni di prezzo potrebbero spostare la domanda ²³. Tutti questi fattori poi rientrano nelle decisioni di stoccaggio. Ad esempio, se aumentare il prezzo su una parte a lento movimento non farà diminuire molto la domanda, il sistema potrebbe accettare un livello di stoccaggio più basso (e viceversa). Questa è l’ottimizzazione congiunta in azione - nessuna barriera artificiale tra pricing e pianificazione degli stock.

Scalabilità e architettura. Lokad viene fornito come soluzione basata su cloud (ospitata su Azure) ed è notevolmente basato su codice (gli utenti scrivono script in un linguaggio proprietario chiamato Envision per personalizzare le trasformazioni dei dati e la logica di ottimizzazione). Sebbene ciò richieda una certa competenza, consente un alto grado di automazione e personalizzazione. Dal punto di vista della scalabilità, l’architettura di Lokad è progettata per elaborare grandi set di dati sparsi in modo efficiente utilizzando risorse cloud, senza obbligare tutti i dati in costosi RAM o data warehouse. Ad esempio, i loro algoritmi di grafo di compatibilità possono elaborare le ~100M linee di relazione senza ricorrere all’espansione matriciale a forza bruta ¹⁶. Sfruttano lo storage colonna e i calcoli in streaming sotto il cofano (come comunicato dal loro team di ingegneria), evitando la necessità per i clienti di licenziare un cubo dati separato come Snowflake per l’operatività quotidiana. Questo probabilmente porta a una scala più efficiente in termini di costi: una fonte nota che questi modelli di grafo superano i metodi classici di serie temporali che faticano con dati così voluminosi e granulari ¹⁷. Il focus di Lokad sull’ottimizzazione cloud significa che la maggior parte del lavoro pesante viene svolto lato server e i clienti non devono mantenere hardware HPC in loco. Non vi è alcuna evidenza di dipendenza da un singolo modello in memoria che farebbe esplodere i costi man mano che aumentano i conteggi SKU; invece, applicano algoritmi di big data mirati (ad es. risolutori combinatori personalizzati e simulazioni Monte Carlo) che possono essere eseguiti su istanze cloud di base.

Intelligence competitiva e supporto multi-canale. Per design, Lokad può integrare qualsiasi dato ausiliario - prezzi dei concorrenti, raschiature dei prezzi web, dati sulla popolazione dei veicoli, vendite online vs vendite in negozio - nei suoi modelli di previsione e decisione. La flessibilità dell’approccio di scripting significa che gli utenti fondono fonti di dati disparate e il motore di Lokad poi apprende schemi o prende decisioni di conseguenza. Ad esempio, se i concorrenti sono fuori stock su determinate parti, Lokad potrebbe suggerire di aumentare il prezzo (e/o lo stock) per quelle parti per massimizzare il profitto, una strategia che Syncron evidenzia anche. La capacità di Lokad di incorporare tale logica è dimostrata dal loro stesso contenuto: discutono del confronto dei prezzi dei concorrenti e di come anche piccole variazioni di prezzo possano influenzare la domanda nel mercato di ricambio. La domanda multi-canale è gestita tramite previsioni integrate su tutti i canali - è possibile alimentare flussi di dati di vendita separati (vendite in officina B2B, ordini online B2C, ecc.) e il modello probabilistico di Lokad catturerà le caratteristiche di ciascun canale. In un episodio di Lokad TV, Vermorel nota l’aumento del commercio elettronico e come i canali online e offline convergono nel mercato di ricambio, che l’approccio di previsione deve accomodare. La granularità del modello (fino al livello dei “canali specifici e delle singole linee d’ordine” in generale) consente a Lokad di distinguere, ad esempio, una vendita flash online dalla costante domanda in officina, migliorando la chiarezza del segnale.

Automazione vs parametri regolabili. La soluzione di Lokad è altamente automatizzata nelle sue decisioni. Gli script di Envision, una volta configurati, produrranno decisioni di riordino, aggiornamenti dei prezzi, raccomandazioni di assortimento notturne senza intervento manuale. Non ci sono sovrascritture manuali delle previsioni o dozzine di parametri di pianificazione da regolare ogni ciclo - una netta differenza rispetto agli strumenti tradizionali. Lokad critica spesso concetti come le classificazioni ABC o i livelli di stock di sicurezza scelti dall’utente come “datati” e non ottimali per il mercato di ricambio. Invece, la piattaforma automatizza le decisioni basate sul modello quantitativo, con l’utente che si concentra sulla definizione dei vincoli o degli obiettivi (ad es. limiti di budget, margine di profitto desiderato). Questo approccio robotizzato significa meno pregiudizi e lavoro umano, ma richiede fiducia nel sistema e sforzo iniziale per configurare modelli corretti. È importante notare che Lokad è un fornitore più piccolo e il suo approccio è relativamente nuovo; i potenziali clienti dovrebbero verificare che la flessibilità del modello non si trasformi in un progetto di codifica senza fine. Tuttavia, le evidenze degli studi di caso (ad es. l’ottimizzazione multi-ecellone di Bridgestone tramite Lokad, il successo nella determinazione dei prezzi di Mister Auto) indicano guadagni significativi quando l’approccio è eseguito correttamente.

Esame scettico: Le affermazioni di Lokad sono per lo più supportate da ragionamenti ingegneristici piuttosto che da statistiche di marketing esagerate, ma è comunque opportuno chiedere risultati misurati. Ad esempio, Lokad implica di poter ridurre drasticamente le “ore di fermo per dollaro” grazie a decisioni ottimizzate. Sebbene intuitivo, quantificare quell’incremento rispetto a un punto di riferimento richiede un’analisi attenta. La buona notizia è che Lokad non si basa pesantemente su parole di moda AI prive di significato; non li vedrai vantare “rilevamento della domanda cognitiva in tempo reale” senza spiegazione. Se qualcosa, il loro punto debole potrebbe essere la necessità di utenti esperti per sfruttare appieno la piattaforma - spostando efficacemente parte dello sforzo di implementazione sul lato del cliente (con il supporto di Lokad). Tuttavia, in termini di ottimizzazione congiunta di inventario-prezzi-assortimento, Lokad pone un alto standard con il suo sistema probabilistico, consapevole della compatibilità, economicamente razionale. La sua mancanza di bagaglio tradizionale (costruito nell’ultimo decennio) e il focus unico sull’ottimizzazione delle decisioni lo rendono un concorrente di primo piano per le aziende che possono gestire un approccio basato sulla scienza dei dati.

2. Syncron - Piattaforma post-vendita su misura (Inventario + Prezzo)

Syncron offre una piattaforma cloud integrata specificamente per i ricambi di servizio post-vendita, con due moduli principali: Syncron Inventory (Pianificazione parti) e Syncron Price. A differenza di molti concorrenti, Syncron ha sviluppato entrambe le capacità internamente per lo stesso settore, consentendo un’integrazione più stretta focalizzata su produttori e distributori di ricambi. Questo focus si riflette in funzionalità come la gestione delle reti di concessionari, le catene di sostituzione e le strategie di prezzo personalizzate per le parti. Syncron sottolinea che combinare la gestione dell’inventario e i prezzi produce sinergia - come una delle loro stesse pubblicazioni nota, “è l’accoppiamento delle due strategie che porta a una vera ottimizzazione in tutta l’organizzazione del servizio post-vendita.” Di seguito, esaminiamo come Syncron affronta i nostri criteri chiave:

Previsione probabilistica e domanda intermittente - La pianificazione dell’inventario di Syncron utilizza metodi di previsione AI/ML per affrontare la notoria intermittenza della domanda di parti di servizio. Sebbene gli algoritmi dettagliati siano proprietari, è noto che Syncron implementa il metodo di Croston e le sue derivate, potenziati con l’apprendimento automatico per la rilevazione di pattern. Il loro marketing menziona esplicitamente “la pianificazione delle parti di servizio alimentata da intelligenza artificiale” e vanta risultati come un aumento del 20% della disponibilità delle parti con una riduzione del 30% dell’inventario per i clienti. Questi miglioramenti suggeriscono una maggiore precisione nella previsione e un’ottimizzazione superiore rispetto ai sistemi di riordino tradizionali. Dovremmo essere scettici riguardo ai percentuali esatte (non viene fornito un punto di riferimento o una dimensione del campione), ma riferimenti indipendenti (ad es. IDC MarketScape che nomina Syncron un Leader) indicano che la previsione di Syncron è ben considerata nell’industria. Supportano la pianificazione multi-echelon, il che significa che le previsioni alimentano un’ottimizzazione che assegna le scorte tra magazzini centrali, depositi regionali, fino ai concessionari, tenendo conto della variabilità a ogni livello. Questo approccio multi-echelon è cruciale nel settore automobilistico dove gli OEM mantengono parti a livello globale. Il sistema di Syncron può simulare la domanda a ciascun echelon e propagare gli obiettivi di inventario ottimali, anziché trattare ogni posizione in modo isolato.

Compatibilità parte-veicolo e segnali di domanda - Il punto di forza di Syncron è più sul lato della pianificazione delle parti (che include le sostituzioni e il raggruppamento) e meno esplicitamente sull’utilizzo dei dati della popolazione dei veicoli nella previsione. Detto ciò, Syncron gestisce assolutamente le catene di sostituzione delle parti (quando un numero di parte viene sostituito da un altro). Infatti, notano che nell’industria automobilistica, gli OEM a volte “generano un nuovo numero di articolo di sostituzione senza una ragione tecnica al fine di tenere a distanza la concorrenza.” Il software di Syncron collegherà tali articoli di sostituzione in modo che la storia della domanda sia combinata e le previsioni future non siano frammentate - una necessità di base che loro soddisfano. Per la compatibilità (intercambiabilità) tra marchi o fonti diverse, Syncron consente di definire una “matrice PICS/VAU” o un riferimento incrociato di parti equivalenti dal punto di vista funzionale. Nel loro blog di ottimizzazione congiunta, uno dei benefici elencati è: “Utilizzare informazioni dalla matrice PICS/VAU o dal livello di servizio per aumentare i prezzi degli articoli che i concorrenti probabilmente non terranno in magazzino.” Questo implica che il modulo di pricing di Syncron sia consapevole della disponibilità di inventario e della compatibilità; se una parte è difficile da trovare altrove, il sistema suggerisce un prezzo più alto. È un po’ un surrogato per un vero ragionamento di compatibilità - piuttosto che prevedere la domanda di una parte in base ai veicoli totali che potrebbero utilizzarla (approccio di Lokad), Syncron si assicura che le parti equivalenti possano essere riconosciute per regolare la strategia (soprattutto i prezzi).

La soluzione di Syncron potrebbe non creare nativamente previsioni a livello di “veicolo”, ma assorbe dettagliata domanda storica e può incorporare driver esterni. La loro documentazione menziona “milioni di punti dati” e persino l’utilizzo di dati IoT/telemetria (ad es. GPS, modelli di utilizzo) per la gestione dell’inventario dei concessionari. Questo suggerisce che se forniti dati sull’uso o sulla popolazione dei veicoli, Syncron potrebbe tenerne conto nella previsione. Nella pratica, la maggior parte degli utenti di Syncron si basa sulla storia della domanda (spedizioni, ordini dei concessionari) come segnale principale, che riflette implicitamente la compatibilità in un certo senso (poiché ogni transazione di domanda presumibilmente è già avvenuta per una parte che si adatta a un veicolo). Dove Syncron eccelle è nel garantire che nessuna domanda venga persa quando le parti cambiano o hanno sostituti: la loro piattaforma unificata impedisce l’errore classico di trattare le parti intercambiabili separatamente nella pianificazione.

Ottimizzazione economica e integrazione dei prezzi – Syncron assume chiaramente che ottimizzare l’inventario e i prezzi insieme sia vantaggioso. Evidenziano scenari come la determinazione dei prezzi in base alla disponibilità delle parti e la determinazione dei prezzi in base alla fase del ciclo di vita dell’inventario. Concretamente, Syncron Price può, ad esempio, consigliare di aumentare il prezzo di una parte che è scarsa sul mercato (basso stock di concorrenza) o che si tiene deliberatamente a basso stock, per bilanciare domanda e offerta. Al contrario, se si dispone di un eccesso o di un inventario obsoleto, Syncron può attivare riduzioni di prezzo per liberarsene. Questo è una forma di decisione economica: utilizzare i prezzi come leva per ridurre i costi dell’inventario e utilizzare lo stato dell’inventario per informare i prezzi per il profitto. Parlano anche di determinazione dei prezzi specifici per canale legati ai livelli di servizio – ad esempio, potresti addebitare prezzi premium (e investire in livelli di servizio più elevati) per le parti in un canale ad alto margine, mentre per le parti captive con poca concorrenza potresti accettare un servizio più basso (rischio di esaurimento dello stock) poiché i clienti non hanno alternative, ma forse mantenere un prezzo più alto a causa della natura captive. Queste strategie sfumate indicano che l’ottimizzazione di Syncron non è puramente una minimizzazione dei costi o una massimizzazione del servizio; cerca di massimizzare il ricavo e il profitto pur rispettando gli obiettivi di servizio. Infatti, il loro messaggio “Fai profitto, non sprechi” è eloquente.

All’interno di Syncron Inventory, gli utenti di solito impostano livelli di servizio obiettivo o tassi di riempimento per varie categorie di parti, e il software ottimizza i livelli di stock per raggiungere quei livelli al costo minimo. Tuttavia, grazie all’integrazione con Syncron Price, quegli obiettivi possono essere informati dalla sensibilità al prezzo. Syncron Price stesso utilizza analisi avanzate per ottimizzare i punti di prezzo: porta i clienti oltre la semplice determinazione dei prezzi basata sui costi a determinazione dei prezzi basata sul valore e competitiva. Un consulente di Syncron ha sottolineato l’importanza di definire “l’insieme di concorrenti locali…e qualificare i riferimenti incrociati degli articoli dei concorrenti in termini di idoneità funzionale, qualità e valore del marchio per trovare la corretta posizione di prezzo competitiva.” Questo mostra che lo strumento di determinazione dei prezzi di Syncron può memorizzare e analizzare i prezzi dei concorrenti per parti equivalenti (con l’utente che qualifica quali prodotti concorrenti corrispondono veramente). Strategie come la leadership o il seguito automatico dei prezzi (ad es. sempre il 5% sopra un concorrente o il 5% sotto) possono essere configurate, e il sistema eseguirà quelle regole su cataloghi ampi. Più sofisticata è la loro analisi dell’elasticità dei prezzi: Syncron Price può misurare come cambia il volume della domanda con il prezzo per le parti sensibili, fornendo una “visione scientifica dell’impatto sul volume” che aiuta a stabilire un prezzo ottimale.

Tutte queste capacità di determinazione dei prezzi rientrano nell’ottimizzazione dell’inventario influenzando quale sarà la domanda (e quanto sarà redditizia). Anche se non è completamente unificato in un unico algoritmo (l’inventario e il prezzo sono ancora moduli separati che scambiano dati), Syncron ha efficacemente pre-integrato i dati e i flussi di lavoro. Il risultato è una forma di analisi prescrittiva: ad esempio, se il prezzo ottimale di una parte aumenta, Syncron Inventory vedrà una domanda prevista leggermente inferiore e non la sovrastockerà; se è prevista una grande promozione o un taglio di prezzo, la previsione può essere aggiustata al rialzo e l’inventario posizionato di conseguenza. Menzionano esplicitamente il garantire il supporto dell’inventario durante le promozioni di prezzo in modo da poter capire se un picco di vendite è stata una nuova domanda genuina o solo uno spostamento temporale.

Scalabilità ed efficienza dei costi. Le soluzioni di Syncron sono SaaS, ospitano dati e calcoli sul cloud (probabilmente Azure). Affermano che sono stati implementati oltre 20.000 casi in più di 100 paesi, implicando un robusto cloud multi-tenant. Per quanto riguarda la scala dei dati, molti clienti di Syncron sono importanti OEM (ad esempio Volvo, JCB, Hitachi). Il software gestisce decine di milioni di combinazioni di parti-posizione e ampie storie transazionali. Non ci sono stati segnali pubblici di limiti di scalabilità; le versioni originali di Syncron in loco (di circa dieci anni fa) sono state modernizzate in una stack nativa cloud negli ultimi anni. Un’area da tenere d’occhio è il costo: Syncron non si basa su qualcosa come Snowflake per l’analisi per quanto si sa, ma essendo un fornitore specializzato, i suoi costi di abbonamento possono essere elevati (riflessi in una fonte che nota i costi di Syncron come “molto inferiori alla media” in una valutazione, probabilmente a causa del fatto che i prezzi non sono basati sull’utente ma sul valore). Il vantaggio è che non si paga separatamente per un data warehouse: Syncron porta la propria gestione ottimizzata dei dati per le parti. Forniscono anche un portale per i fornitori e funzionalità di magazzino virtuale (per la collaborazione e la condivisione delle scorte), aggiungendo valore oltre ai calcoli di base. Da un punto di vista tecnologico, Syncron non utilizza termini estremamente di tendenza; si usa “alimentato da AI”, ma dietro ci sono metodi noti adattati al settore dei ricambi (ad esempio, previsioni probabilistiche, risolutori di ottimizzazione). Questo suggerisce che la loro R&S è focalizzata, non generica come l’hype sull’AI. Dovremmo, tuttavia, esaminare attentamente le impressionanti affermazioni sulle prestazioni sul loro sito (riduzione dei costi del 40%, ecc.) - queste probabilmente rappresentano progetti di successo selezionati. Ad esempio, una “riduzione dell’inventario del 30%” potrebbe essere derivata da un OEM che in precedenza non aveva alcuna ottimizzazione. Non è garantito per un’azienda che già utilizza uno strumento di pianificazione.

Integrazione dell’intelligence competitiva. Syncron supporta chiaramente l’incorporazione dei prezzi dei concorrenti e dei dati di mercato nelle sue raccomandazioni di prezzo. Abbiamo visto come consigliano agli utenti di definire set di concorrenti e riferimenti incrociati. Ciò significa che se sei un OEM che vende ricambi, puoi caricare, ad esempio, i numeri di parte e i prezzi dei fornitori del mercato secondario in Syncron Price e mapparli ai tuoi pezzi. Il software può quindi mantenere automaticamente i tuoi prezzi entro i margini desiderati rispetto ai concorrenti. Considera anche le differenze geografiche, poiché la concorrenza locale può variare da regione a regione. Questa capacità è cruciale nel mercato secondario, dove i fornitori di terze parti spesso tagliano i prezzi degli OEM - Syncron fornisce un modo sistematico per rispondere. Per quanto riguarda la gestione della matrice di compatibilità per i pezzi dei concorrenti, l’utente deve mantenere il riferimento incrociato (ad esempio, che il pezzo 1234 del Concorrente X è equivalente al mio pezzo ABC). Il sistema non lo sa magicamente; ma una volta impostato, utilizzerà tale mappatura per regolare i prezzi e persino segnalare i pezzi in cui non hai concorrenza (dove potresti aumentare il prezzo in modo sicuro). Syncron Inventory non utilizza direttamente i dati dei concorrenti (la maggior parte delle aziende non condividerà i livelli di inventario), ma ottimizzando il proprio stock con la conoscenza della tua competitività sui prezzi, indirettamente pianifichi meglio. Ad esempio, se scegli una strategia di prezzo basata sul valore (addebitando di più per i pezzi di valore unico, meno per i pezzi standardizzati), l’approccio integrato di Syncron garantisce che i tuoi investimenti in inventario seguano la stessa linea - più scorte per i pezzi ad alto margine, ad alto tasso di successo, e non sovrastoccaggio di pezzi in cui perderesti comunque sul prezzo.

Multicanale e automazione. Syncron si occupa principalmente di canali B2B (OEM al rivenditore, OEM alla rete indipendente) e supporta scenari multicanale a multi-echelon. Un produttore può utilizzare Syncron per gestire il proprio stock centrale e anche lo stock presso decine di sedi dei rivenditori (la loro soluzione Gestione dell’inventario del rivenditore è un’estensione che aiuta a impostare i livelli di stock locali e i punti di riordino per ciascun rivenditore, basandosi sia sulla domanda locale che sui dati centrali ²⁵). Per i canali di vendita, la previsione della domanda di Syncron può essere segmentata per regione o tipo di cliente. Potrebbe non chiamarla esplicitamente “omnicanale” poiché nel settore delle parti di ricambio i canali non sono come i negozi al dettaglio rispetto al commercio elettronico, ma l’idea è simile: si ottiene una visione unificata della domanda su tutti i nodi di distribuzione.

In termini di automazione, le soluzioni di Syncron puntano a un alto grado di operatività automatica, ma con controllo dell’utente sulla strategia. I pianificatori che utilizzano Syncron Inventory possono automatizzare in larga parte il rifornimento (il sistema genera ordini/proposte continuamente). Uno dei loro punti chiave è “Automatizzare la pianificazione del riassortimento” ²⁶. Anche il modulo dei prezzi può generare automaticamente nuove liste prezzi con qualsiasi frequenza, seguendo le regole e l’ottimizzazione che ha calcolato. Tuttavia, Syncron non rimuove completamente l’input dell’utente: gli utenti definiscono la segmentazione, impostano le regole iniziali e possono sovrascrivere o approvare le proposte di prezzo. Il sistema fornisce un’interfaccia utente ricca per simulare scenari “what-if” (ad esempio, vedere l’impatto di una variazione di prezzo sul volume) e per rivedere le raccomandazioni prima dell’accettazione. Si tratta di un approccio più tradizionale di supporto decisionale rispetto all’automazione basata sul codice di Lokad. È vantaggioso per le organizzazioni che desiderano governance e supervisione esperta (ad esempio, un responsabile dei prezzi regolerà le strategie e quindi lascerà al sistema il ricalcolo). Ma può anche essere un punto debole se gli utenti interferiscono eccessivamente o se vengono esposti troppi parametri. Il blog di Syncron avverte che abbinare i prezzi all’inventario riduce la complessità e gli sforzi duplicati ²⁷ - implicando che nella loro piattaforma integrata non sarà necessario mantenere due integrazioni dati separate o processi di ottimizzazione. Infatti, parlano di riduzione del TCO e di aggiornamenti più facili avendo entrambi in un unico sistema ²⁷.

Punto di vista scettico: Syncron supporta il suo approccio con considerazioni ingegneristiche tangibili (ad esempio, elencano esplicitamente come l’integrazione dei prezzi e dell’inventario produce risultati migliori come l’utilizzo della domanda prevista nelle simulazioni dei prezzi ²⁸ e valutando se le promozioni hanno creato una domanda reale o semplicemente cannibalizzato i tempi ²⁹). Questo conferisce credibilità. Dovremmo comunque mettere in discussione qualsiasi esagerazione non supportata: ad esempio, termini come “guidato dall’IA” vengono utilizzati ma i dettagli sull’IA raramente vengono descritti oltre “apprendimento automatico su grandi dati”. Sarebbe saggio chiedere a Syncron i dettagli (utilizzano reti neurali per la previsione? Gradient boosting? Come gestiscono matematicamente i periodi di domanda zero?). Inoltre, mentre Syncron afferma di essere un leader e di avere molti clienti di grandi dimensioni, ci sono stati segnalazioni di tempi di implementazione lunghi per alcuni progetti - integrarsi con sistemi ERP complessi, pulire decenni di dati sulle parti, ecc., non è banale. Se un fornitore promette un rapido ROI, si dovrebbero richiedere referenze: Tutti quei “50+ clienti enterprise” ³⁰ hanno ottenuto uniformemente il 20% di aumento della disponibilità? Probabilmente no in modo uniforme. Un altro punto di scetticismo: regolazione dell’utente rispetto all’automazione. Syncron offre molta configurabilità (classi di servizio, segmenti di prezzo, ecc.), che può essere a doppio taglio. Un team meno esperto potrebbe non sfruttare appieno le funzionalità avanzate, portando a risultati non ottimali (poi potrebbero dare la colpa al tool).

Nel complesso, Syncron ottiene un punteggio molto alto sulla capacità di ottimizzazione congiunta poiché lega deliberatamente i prezzi e l’inventario insieme per il mercato delle parti di ricambio. Affronta le sfide principali della domanda intermittente e delle sostituzioni di parti, se non con un approccio innovativo come Lokad, almeno con tecniche affidabili e comprovate. Il suo principale vantaggio è essere costruito per il mercato delle parti di ricambio, riducendo la necessità di personalizzazione. Il scetticismo riguarda principalmente l’assicurarsi che le affermazioni audaci si applichino alla propria situazione e che l’integrazione funzioni effettivamente come pubblicizzato, non solo sulla carta. Il contenuto di Syncron supera molti controlli di credibilità (ad esempio, esempi concreti, assenza di troppo gergo), quindi rimane una delle migliori soluzioni in cui l’ottimizzazione dell’inventario e dei prezzi cooperano veramente.

3. PTC Servigistics - Ottimizzazione delle parti di servizio di grado enterprise (Inventario e prezzi)

Servigistics, di proprietà di PTC, è uno dei sistemi di gestione delle parti di servizio (SPM) più vecchi e ampiamente utilizzati. Si tratta di una soluzione di grado enterprise utilizzata da aziende aerospaziali e della difesa, produttori di automobili, aziende ad alta tecnologia e industriali per le catene di approvvigionamento dei servizi post-vendita. Servigistics è in realtà una suite che include Gestione delle parti di servizio (per la previsione e l’ottimizzazione dell’inventario) e Prezzi delle parti di servizio. PTC si vanta orgogliosamente di offrire entrambi in modo integrato: un comunicato stampa ufficiale ha evidenziato “Il software di Gestione delle parti di servizio e Prezzi delle parti di servizio di PTC Servigistics” insieme sfruttando l’IA e gli algoritmi di ottimizzazione ⁵. Nel corso degli anni, Servigistics (e i suoi predecessori assorbiti) hanno sviluppato una ricca funzionalità nell’ottimizzazione dell’inventario multi-echelon, e più di recente hanno aggiunto miglioramenti nella previsione basata sull’apprendimento automatico e sull’IoT ⁶.

Previsione della domanda intermittente e IA. Servigistics ha una lunga storia di algoritmi adattati alla domanda di parti sparse. Probabilmente utilizza il metodo di Croston, il bootstrapping e metodi avanzati di serie temporali per la previsione. Nel 2020, PTC ha annunciato che “sfrutta l’apprendimento automatico e motori di ottimizzazione avanzati per migliorare l’accuratezza delle previsioni” e massimizzare l’uso dell’inventario ⁶. PTC ha addirittura affermato di aver investito oltre $1 miliardo nello sviluppo degli algoritmi e della matematica per l’ottimizzazione della catena di approvvigionamento dei servizi ³¹ - una cifra che, sebbene difficile da verificare, sottolinea decenni di R&S (compreso il lavoro delle aziende precedenti, ad es. Servigistics ha acquisito parti di ex concorrenti come Xelus). Nella pratica, Servigistics consente di suddividere la domanda in “flussi di domanda” per un’analisi separata ³² - ad esempio, un flusso potrebbe essere la domanda di manutenzione ordinaria, un altro per richiami o campagne. Questo aiuta a modellare la domanda intermittente per causa, aumentando la stabilità. Servigistics supporta anche la previsione causale utilizzando dati IoT: un componente aggiuntivo utilizza la piattaforma ThingWorx di PTC per raccogliere dati da macchine connesse (ad es. un sensore che prevede il guasto di una parte) per regolare le previsioni ³³ ³⁴. Si tratta di una capacità avanzata unica per PTC, derivante dal loro focus sull’IoT.

Ottimizzazione multi-echelon è un punto di forza. Lo strumento ottimizza le scorte in reti complesse (deposito centrale, depositi regionali, sedi sul campo, furgoni, ecc.) e può raccomandare livelli di stock ottimali in ciascuno per raggiungere livelli di servizio target con costi minimi. Uno studio di caso evidenzia che Pratt & Whitney ha ottenuto una riduzione del 10% dell’inventario con un aumento del 10% del tasso di riempimento passando a Servigistics e unificando la pianificazione dopo una fusione ³⁵. Tali miglioramenti suggeriscono algoritmi multi-echelon migliori (forse un’ottimizzazione più olistica a livello di rete anziché una pianificazione settoriale). La critica di Lokad ai “strumenti classici che si concentrano sul livello di servizio locale per SKU” ³⁶ probabilmente allude a metodi più vecchi - Servigistics mira ad evitarlo considerando l’effetto di rete (ad es. mantenere più stock a monte può coprire più regioni con meno inventario totale, un concetto che ha scoperto anche uno dei clienti di Lokad ³⁷). PTC sottolinea questo nel marketing: garantendo “la parte giusta nel posto giusto al momento giusto per il costo giusto” ³⁸ come un mantra.

Compatibilità delle parti e complessità dei dati. Essendo focalizzato sulle parti di ricambio, Servigistics gestisce sicuramente in modo fluido le sostituzioni (una parte che sostituisce un’altra) - linkerà automaticamente le previsioni in modo che quando la Parte A sostituisce la Parte B, la domanda futura per A includa la domanda storica di B. Può anche suggerire quantità di acquisto finali per le parti obsolete mentre aumenta le scorte delle nuove parti. Tuttavia, Servigistics non pubblicizza esplicitamente una logica di compatibilità basata su grafi come Lokad. Si basa maggiormente su dati precisi sulle parti principali e gerarchie di pianificazione (ad es. raggruppare le parti per “gruppo funzionale” o tipo di attrezzatura). Un post della community di PTC ha suggerito che la loro gestione del prodotto coinvolgesse persone dalla pratica di pricing di Vendavo e da MCA Solutions per l’inventario ³⁹, indicando una miscela di competenze interne in materia di pricing e inventario. Questa contaminazione incrociata probabilmente significa che hanno considerato come interagiscono il pricing e la domanda, ma storicamente, il Pricing di Servigistics era un modulo separato che potrebbe essere originato da un diverso codice sorgente (possibilmente tramite un’acquisizione che PTC ha fatto intorno al 2010 di un concorrente SPM che aveva uno strumento di pricing).

Modulo di Pricing delle parti di ricambio. Il Pricing di Servigistics di PTC è orientato verso il pricing basato sul valore delle parti di ricambio. Tipicamente aiuta a segmentare le parti (per livello di concorrenza, captive vs. non-captive, valore per il cliente, ecc.) e a stabilire prezzi che massimizzano il profitto considerando la volontà di pagare. Ad esempio, un OEM potrebbe usarlo per aumentare notevolmente i fissaggi a basso costo se sa che i clienti apprezzano la comodità, ma prezzare componenti costose del motore con un markup modesto per incoraggiare l’uso delle parti OEM. Il modulo di pricing può anche monitorare i prezzi di mercato; tuttavia, i dettagli sull’integrazione dei prezzi dei concorrenti non sono molto pubblici da parte di PTC. Data la focalizzazione di PTC sui produttori, la loro ottimizzazione del pricing spesso si lega ai contratti di servizio e al valore complessivo del ciclo di vita del servizio (hanno anche moduli per garanzie e contratti di servizio). Quindi, PTC potrebbe affrontare il pricing con una lente leggermente diversa: garantendo profitto nel ciclo di vita, non solo margine individuale della parte. Questo è evidenziato dall’enfasi di PTC sulla “Gestione del ciclo di vita del servizio (SLM)”. Infatti, PTC vende spesso un pacchetto SLM in cui pricing, inventario, servizio sul campo, ecc., condividono tutti i dati.

Una citazione degna di nota da PTC afferma “attraverso valutazioni rigorose… [vari clienti] convalidano Servigistics come l’unica soluzione sul mercato in grado di massimizzare il valore minimizzando i costi.” ⁴⁰. Questa affermazione audace (probabilmente da un analista sponsorizzato o un gruppo di utenti) suggerisce che credono che la loro ottimizzazione trovi il punto ottimale tra servizio e costo meglio di altri. Dovremmo trattare questo con scetticismo poiché nessuno strumento è letteralmente “l’unico” - ma mostra che PTC sta posizionando Servigistics come l’ottimizzatore ottimale se utilizzato appieno.

Realtà dell’ottimizzazione congiunta. Servigistics integra veramente il pricing e l’ottimizzazione dell’inventario? Nel software, i due moduli hanno una certa integrazione (condividono il database delle parti e le raccomandazioni di pricing possono essere in qualche modo informate dai parametri di stoccaggio). Ma l’integrazione potrebbe non essere così stretta come quella di Syncron semplicemente perché storicamente erano distinti. L’annuncio del 2020 di PTC che li raggruppa insieme con miglioramenti di intelligenza artificiale ⁵ implica sforzi per farli funzionare insieme. Ad esempio, potrebbero alimentare il modulo di pricing con l’elasticità della domanda che il modulo di inventario vede o viceversa. È probabile che sia possibile, ad esempio, simulare come un cambiamento di prezzo influirebbe sui tassi di riempimento o sulle decisioni di stoccaggio, ma se questa è un’unica esperienza utente senza soluzione di continuità non è chiaro. Dato il cliente di PTC (che spesso usa uno o l’altro), le implementazioni congiunte complete potrebbero essere rare. Tuttavia, anche separatamente, ciascun modulo è potente.

Scalabilità e architettura. Servigistics è stato provato a scale enormi - Boeing, Deere, Caterpillar (storicamente) lo hanno utilizzato, ognuno gestendo milioni di parti e operazioni in tutto il mondo ⁴¹. PTC lo offre ora come SaaS su PTC Cloud, anche se molti grandi utenti hanno ancora istanze on-premise o cloud private. Si tratta di un’applicazione pesante (probabilmente basata su Java, che utilizza database relazionali). Non dipende per impostazione predefinita da data warehouse cloud esterni; PTC ha il proprio schema dati e motori computazionali, molti dei quali eseguono grandi programmi lineari o euristiche in memoria. In passato, vincoli di memoria e tempo di calcolo hanno sfidato progetti di grandi dimensioni (ad es. calcolare un acquisto ottimale per decine di milioni di combinazioni di parti-posizione può essere NP-hard). Nel tempo, PTC ha migliorato le prestazioni - ad esempio, miglioramenti del modulo “Performance Analytics and Intelligence” e l’uso dell’intelligenza artificiale per l’analisi delle cause radici ⁶. Si può supporre che ora sfruttino maggiormente l’elasticità del cloud (avviando più nodi di calcolo per scenari pesanti). Non ci sono informazioni pubbliche su di loro che utilizzano qualcosa come Snowflake; probabilmente no, poiché PTC tende ad incorporare l’analisi nelle app. Dal punto di vista dei costi, PTC Servigistics è una soluzione premium (la licenza e l’implementazione costano spesso molti milioni per un OEM globale). Il costo può valere la pena se il valore (riduzione delle scorte esaurite sul campo, aumento del fatturato del servizio) è elevato, ma i distributori più piccoli lo troverebbero proibitivo. Inoltre, poiché si tratta di un software enterprise monolitico, il costo e il rischio di implementazione non sono trascurabili - qualcosa che i rivali di PTC spesso sfruttano. Infatti, il commento di Gartner all’acquisizione di i2 da parte di JDA (un concorrente di Servigistics all’epoca) ha sottolineato come i2 avesse molte soluzioni complesse che erano “difficili da gestire…[con] prodotti proliferati” ¹⁰. Servigistics stesso è passato attraverso molteplici acquisizioni (PTC ha acquisito Servigistics nel 2012, Servigistics aveva acquisito il software di parti di Click Commerce prima di ciò, ecc.), quindi c’è stratificazione ereditata. PTC ha trascorso anni integrando e rebranding, ma alcuni componenti sottostanti potrebbero non essere completamente unificati.

Dati e intelligence competitivi. Tradizionalmente, Servigistics Pricing consentirebbe l’inserimento di informazioni sui prezzi della concorrenza, ma potrebbe non essere dinamico come i nuovi strumenti cloud. La menzione di un VP di PTC con esperienza nella pratica di pricing di Vendavo/Deloitte ³⁹ suggerisce che conoscano bene il pricing B2B (Vendavo è un software di pricing per le industrie manifatturiere). Quindi è probabile che Servigistics Pricing includa funzionalità come orientamenti sui prezzi basati sul segmento, analisi del margine di profitto, ecc. Potrebbe non raschiare o aggiornare automaticamente i prezzi dei concorrenti - gli utenti importerebbero periodicamente informazioni sui prezzi di mercato. Inoltre, poiché molti clienti di PTC sono in settori in cui le parti OEM competono con il mercato delle parti di ricambio o grigie, probabilmente hanno funzionalità per identificare quali parti hanno una forte concorrenza e quali sono uniche. La documentazione di PTC allude frequentemente a massimizzare il valore e il tempo di attività del cliente. Una recensione di TrustRadius addirittura dice casualmente che “assicurarsi di avere la parte giusta… al prezzo giusto” è una funzionalità di primo piano ⁴², suggerendo che l’ottimizzazione dei prezzi è effettivamente utilizzata in tandem da almeno alcuni utenti.

Multi-canale e multipurpose. Servigistics è focalizzato sul canale post-vendita (parti di ricambio). Non è progettato per le vendite al dettaglio multi-canale di parti ai consumatori per conto proprio (PTC non mira ad AutoZone o Amazon con questo, ma piuttosto alle reti OEM e dei concessionari). Tuttavia, all’interno di questo contesto, copre più canali: un OEM può pianificare parti per i propri centri di assistenza, distributori indipendenti e vendite dirette, considerando la domanda di ciascun canale. Si integra anche con i sistemi di assistenza sul campo (come ServiceMax, come nota un FAQ ⁴³) per collegare l’esecuzione del servizio alla pianificazione delle parti. Questo tipo di integrazione significa che non appena un tecnico sul campo utilizza una parte, Servigistics può regolare l’inventario e persino prevedere un aumento dell’uso se le macchine segnalano problemi. Questo si traduce in automazione - rilevare automaticamente i segnali di domanda e rispondere.

Automazione e taratura dell’utente. Servigistics può automatizzare molte decisioni (ordini di distribuzione, suggerimenti per gli ordini di acquisto, riequilibrio delle scorte). Ma tipicamente, le grandi organizzazioni hanno comunque pianificatori che revisionano gli output. Il software stesso è basato su regole: gli utenti impostano politiche (ad esempio obiettivi di livello di servizio per classificazione delle parti, livelli minimi/massimi, ecc.) e il sistema calcola suggerimenti. Ha un’interfaccia utente molto completa per i pianificatori per analizzare le previsioni, rivedere lo stato dell’inventario e regolare i parametri. PTC ha lavorato per migliorare l’UX (menzionano “design thinking per trasformare l’esperienza utente” ³¹). Tuttavia, si potrebbe criticare il fatto che Servigistics espone molti comandi - alcuni potrebbero chiamarlo flessibilità, altri complessità. Ad esempio, se non configurato correttamente, potrebbe produrre risultati meno ottimali, spingendo i consulenti a intervenire e regolare le impostazioni. PTC ha una documentazione estesa e offre gruppi consultivi per i clienti per condividere le migliori pratiche ⁴⁴, quindi riconoscono che la conoscenza dell’utente è fondamentale. Una modalità autonoma non è realmente il punto di forza di Servigistics; piuttosto, integra il pianificatore umano (“IA per aiutare i manager a prendere decisioni migliori” è come Evo, un nuovo concorrente, lo ha formulato ⁴⁵, allineandosi ironicamente con l’etica di Servigistics).

Visione critica: Servigistics ha longevità e ampiezza, ma ciò comporta un bagaglio ereditato. Alcuni utenti hanno avuto implementazioni fallite o bloccate, specialmente in passato. Ad esempio, l’adozione da parte dell’U.S. Air Force ha richiesto anni per dare risultati a causa di problemi di dati e di portata del progetto (anche se ora viene citato come un successo utilizzando le versioni più recenti ⁴¹). Un aneddoto storico spesso citato nel settore: Caterpillar aveva utilizzato Servigistics ma alla fine è passato a Syncron - un cambiamento che suggerisce forse che Servigistics non stesse fornendo come sperato in quel caso (i dettagli esatti sono interni, ma riflettono come i nuovi rivali abbiano sfidato l’incumbent). PTC ha cercato di innovare per evitare tali esiti: integrando dati IoT (ThingWorx), aggiungendo analisi AI, ecc. Ma dovremmo interrogarci su quanto agevolmente queste nuove componenti si integrino con il vecchio nucleo. Ad esempio, le loro previsioni ML superano veramente i loro vecchi modelli statistici in implementazioni reali? O è un punto di vendita che pochi clienti utilizzano appieno? La pretesa di PTC di “profondità senza eguali” è in parte corroborata dalla vasta base installata e dalla checklist delle funzionalità, ma concorrenti più piccoli potrebbero essere più agili in determinate aree (come Lokad nella modellazione della compatibilità, o Syncron nella facile distribuzione cloud). Inoltre, le capacità di ottimizzazione dei prezzi di Servigistics sono meno pubblicizzate e possibilmente meno sofisticate rispetto ai fornitori specializzati di pricing. Potrebbe fare pricing basato su regole e semplice elasticità, ma forse non il tipo di ricalibrazione competitiva in tempo reale di cui avrebbe bisogno un venditore di e-commerce.

In sintesi, PTC Servigistics è un punto di riferimento per l’ottimizzazione dell’inventario e una solida, seppur un po’ tradizionale, soluzione per l’ottimizzazione dei prezzi. È affidabile in operazioni su larga scala (il che è una testimonianza della sua scalabilità). L’ottimizzazione congiunta è concettualmente presente - PTC può coprire l’intero ciclo di vita delle parti di servizio dal punto di vista finanziario e operativo - ma è necessario garantire durante l’implementazione che il modulo dei prezzi e il modulo dell’inventario dialoghino veramente tra loro con i dati e le ipotesi corretti. Se implementato correttamente, un utente di Servigistics potrebbe ottenere un inventario ottimizzato a livello globale con prezzi che massimizzano il profitto per segmento di parte, il tutto mantenendo livelli di servizio. L’avvertimento è quello di non perdersi nella complessità (la necessità di risorse qualificate, una attenta manutenzione dei dati e possibilmente un lavoro di integrazione significativo per realizzare il pieno valore).

4. ToolsGroup (Service Optimizer 99+ e Evo) – Collegare l’ottimizzazione dell’inventario con l’IA prescrittiva per i prezzi

ToolsGroup è un veterano nella pianificazione della supply chain, noto per il software Service Optimizer 99+ (SO99+) che si specializza nella previsione della domanda e nell’ottimizzazione dell’inventario, soprattutto per la domanda a lunga coda e intermittente. Molti distributori e produttori (inclusi quelli automobilistici e industriali) hanno utilizzato ToolsGroup per la pianificazione dell’inventario. Fino a poco tempo fa, ToolsGroup non offriva l’ottimizzazione dei prezzi nativa - si concentrava sui livelli di inventario/servizio. Tuttavia, alla fine del 2023, ToolsGroup ha acquisito Evo, un’azienda di intelligenza artificiale focalizzata sull’ottimizzazione dei prezzi e delle promozioni ⁷. Questa acquisizione (e la precedente acquisizione dello strumento di pianificazione al dettaglio JustEnough) segnala la strategia di ToolsGroup di offrire una pianificazione congiunta, centrata sulle decisioni in cui le decisioni sui prezzi e sull’inventario sono allineate ⁸. L’offerta combinata è stata marchiata come “Pianificazione Dinamica” e una suite emergente di prodotti “.io” (ad es. Inventory.io, Price.io, Markdown.io) ⁴⁶ ⁴⁷. Qui valutiamo le capacità di ToolsGroup nel contesto dell’ottimizzazione del mercato secondario, riconoscendo che il pezzo sull’ottimizzazione dei prezzi è molto nuovo (e quindi sia un’opportunità che un punto di scetticismo).

Previsioni probabilistiche e padronanza della domanda intermittente. ToolsGroup ha a lungo pubblicizzato una “eccezionale capacità di prevedere la domanda intermittente” ⁴⁸. Il loro sistema SO99+ è stato uno dei pionieri nell’uso di distribuzioni di probabilità anziché singole previsioni per la pianificazione dell’inventario. Essi incorporano driver interni ed esterni e gestiscono automaticamente cose come “nuove introduzioni di prodotti, sostituzioni e fine vita” ⁴⁹ - cruciali per le parti di servizio in cui le parti vengono sostituite o eliminate frequentemente. La modellazione della domanda di ToolsGroup analizza alla minima granularità (linee d’ordine) per catturare la natura sporadica dell’uso delle parti ⁴⁹. Nel mercato secondario, ciò significa che possono rilevare che, ad esempio, una particolare parte vende solo poche unità all’anno e pianificare di conseguenza con una distribuzione calibrata (spesso una Poisson o simile). Ciò evita il sovra-stockaggio per paura di esaurimenti di magazzino - un punto di vendita è che i loro clienti riducono significativamente l’inventario mantenendo o migliorando il servizio. Infatti, ToolsGroup cita spesso metriche come riduzione dell’inventario del 30-40% e disponibilità del prodotto superiore al 96% raggiunte dai clienti ⁵⁰. Dovremmo mettere in discussione la generalità di quei numeri (probabilmente il caso migliore), ma analisti indipendenti hanno notato la forza di ToolsGroup nell’ottimizzazione dei livelli di servizio - bilanciando le scorte per raggiungere una probabilità di riempimento target al costo minimo.

Focus su multi-livello e lunga coda. ToolsGroup gestisce nativamente la distribuzione multi-livello, come Syncron e PTC. Ad esempio, può ottimizzare quanto di una parte mantenere nel magazzino centrale rispetto a quello regionale per minimizzare gli ordini in sospeso e le spedizioni d’emergenza ⁵¹ ⁵². Un blog di ToolsGroup sulla produzione nota che coprono “l’intero processo di pianificazione del rifornimento, inclusa la logica di allocazione equa” ⁵³ e collegano la pianificazione tattica all’esecuzione. In termini automobilistici, possono suggerire come distribuire l’inventario su una rete per raggiungere obiettivi di servizio differenziati (forse un riempimento maggiore per parti critiche ad alto movimento, inferiore per quelle lente). Menzionano esplicitamente la gestione delle sostituzioni automaticamente ⁴⁹ - quindi se la Parte A può sostituire la Parte B, la loro analisi della domanda tiene conto di ciò. Questo è simile alla gestione della compatibilità; tuttavia, è probabile che si tratti più di sostituzioni uno a uno (come una nuova parte che sostituisce) piuttosto che di ampi insiemi di intercambiabilità.

Gestione della matrice di compatibilità parte-veicolo. Storicamente, ToolsGroup non ha pubblicato funzionalità uniche attorno al concetto di matrice di compatibilità come ha fatto Lokad. Si affidano alla storia della domanda e alle gerarchie dei prodotti definite dal cliente. Se il cliente fornisce un file strutturato di compatibilità o di interscambio, il modello di ToolsGroup potrebbe trattare un gruppo di parti come correlate (come attraverso il loro modello di “resi e sostituzioni” ⁵⁴). Potrebbe non essere così dettagliato come modellare i bisogni di ciascun veicolo. Detto ciò, ToolsGroup ha clienti nel settore automobilistico e probabilmente gestisce dati ACES/PIES (dati standard del settore dell’aftermarket in Nord America) aggregando la domanda per parti equivalenti. In assenza di menzioni esplicite, assumiamo che ToolsGroup possa lavorare con un elenco di parti sostitutive e prevedere efficacemente la domanda totale del gruppo per poi allocarla a ciascun articolo in base alla quota di mercato o ad altri fattori. Potrebbe non calcolarlo intrinsecamente dai dati grezzi dei veicoli - il che significa che se si forniscono a ToolsGroup la popolazione grezza dei veicoli per modello, probabilmente non la trasformerebbe direttamente in una previsione delle parti senza costruire un modello personalizzato. Questo è un ambito in cui ToolsGroup potrebbe fare affidamento sul suo nuovo concetto di “Data Hub / Digital Supply Chain Twin” ⁴⁷ per incorporare fonti di dati più variegate, forse anche telemetria o registrazioni dei veicoli, ma ciò richiederebbe una configurazione personalizzata.

Processo decisionale economico e nuova ottimizzazione dei prezzi (Evo). L’ottimizzazione dell’inventario di base di ToolsGroup tradizionalmente si basava su un trade-off tra livello di servizio e costo. Gli utenti impostano obiettivi di livello di servizio (o il sistema trova un livello di servizio ottimale bilanciando i costi di esaurimento scorte con i costi di mantenimento, che è un approccio economico). Il risultato sono raccomandazioni di inventario che raggiungono un certo tasso di riempimento per un investimento minimo in inventario - indirettamente un risultato economico (massimo ROI sull’inventario). Tuttavia, senza i prezzi, non poteva calcolare direttamente la massimizzazione del profitto. L’acquisizione di Evo introduce vere capacità di ottimizzazione economica: la tecnologia di Evo è descritta come “ottimizzazione non lineare, apprendimento quantistico e analisi prescrittiva avanzata” per i prezzi e oltre ⁸. Anche se “apprendimento quantistico” suona come un termine di moda, probabilmente si riferisce ad alcuni nuovi algoritmi di intelligenza artificiale sviluppati da Evo (Evo ha legami con la ricerca accademica, persino studi di caso di Harvard ⁵⁵). La chiave è che la soluzione di Evo ottimizza i prezzi e persino le promozioni per raggiungere gli obiettivi aziendali. Ad esempio, Evo potrebbe determinare il prezzo ottimale per ciascuna parte per massimizzare il margine totale considerando le variazioni di volume. Integrando questo con il motore di inventario di ToolsGroup, il sistema combinato può, in teoria, coordinare i due: se Evo suggerisce una riduzione dei prezzi su determinate parti per guadagnare quota di mercato, la pianificazione dell’inventario di ToolsGroup può aumentare le scorte per quelle parti per evitare esaurimenti dovuti a una domanda maggiore. Al contrario, se l’inventario è molto limitato, il sistema potrebbe far aumentare i prezzi (o evitare sconti) per bilanciare la domanda.

ToolsGroup ha già iniziato a promuovere questa sinergia. Il loro comunicato stampa afferma che l’integrazione offrirà “la soluzione di ottimizzazione della catena di approvvigionamento e dei prezzi più efficiente e in tempo reale disponibile” ⁵⁶. Parlano anche di una “catena di approvvigionamento autonoma” in cui le decisioni sull’inventario e sui prezzi sono prese dall’IA con un minimo input umano ⁵⁷. In sostanza, ToolsGroup + Evo mirano esattamente a ciò che la domanda pone: l’ottimizzazione congiunta dell’inventario e dei prezzi (e persino di altri leve come promozioni e segmentazione dei clienti). Il CEO di ToolsGroup ha sottolineato che le capacità di Evo li aiuteranno a abilitare la pianificazione incentrata sulle decisioni - il che significa che il sistema produce direttamente decisioni, non solo informazioni ⁸.

Concretamente, ToolsGroup ha ora un modulo chiamato Price.io (da Evo) ⁴⁶ ⁴⁷. La metodologia di Evo prevede il mappaggio di tutti i dati rilevanti (vendite, costi, concorrenti, meteo, ecc.) per raccomandare prezzi ottimali, utilizzando un approccio iterativo di “test-and-learn” che affina le previsioni e si adatta alle condizioni di mercato ⁵⁸. Un estratto nota: “Evo costruisce una mappa dei dati esistenti come vendite, costi, clienti, meteo e concorrenti per produrre raccomandazioni di prezzi ottimali…aumentando l’accuratezza delle previsioni e adattandosi rapidamente alle condizioni del mercato, in modo che le organizzazioni possano soddisfare i clienti aumentando l’efficienza dell’inventario e la redditività.” ⁵⁸. Questa è una forte affermazione che collega le azioni di pricing all’efficienza dell’inventario - implicando, ad esempio, se un taglio di prezzo sta aumentando la domanda, l’IA di Evo lo nota e ToolsGroup si assicura che l’inventario non venga colto di sorpresa.

È presto per vedere casi di studio di questa soluzione congiunta nel mercato di ricambi, ma ToolsGroup aveva clienti nel settore automotive per l’inventario (ad esempio, un blog del 2024 descriveva come aiutare i produttori di ricambi aftermarket a navigare nei cambiamenti della domanda di parti legati ai veicoli elettrici ⁵⁹ ⁶⁰). Ora, con i prezzi, potrebbero, ad esempio, aiutare un distributore di parti ad aggiustare dinamicamente i prezzi attraverso i canali e ottimizzare di conseguenza la profondità dello stock. ToolsGroup offre anche ora l’Ottimizzazione delle svalutazioni (Markdown.io) per le parti fuori produzione e le Promozioni (Promo.io) che potrebbero essere rilevanti per liquidare lo stock obsoleto o raggruppare i prodotti più lenti - collegandosi direttamente alle decisioni di ottimizzazione dell’assortimento.

Considerazioni sulla scalabilità e sull’architettura. Il motore di inventario di ToolsGroup è stato provato su problemi di scala moderata e grande (centinaia di migliaia di SKU-locations). Alcuni deployment estremamente grandi (milioni di SKU) potrebbero necessitare di un’attenta messa a punto, ma il loro passaggio ai servizi cloud (Inventory.io) suggerisce un obiettivo di semplificazione e scalabilità. I nuovi prodotti “.io” indicano un approccio più nativo del cloud, possibilmente microservizi e possibilmente utilizzando backend dati moderni. Ad esempio, Inventory.io lanciato nel gennaio 2024 promette “ottimizzazione dell’inventario alimentata da IA” con segnali di domanda in tempo reale e ottimizzazione del Ritorno sul Capitale Investito Lordo (GMROI) ⁶¹ ⁶² - collegando in modo evidente l’inventario direttamente al margine, il che è nuovo e probabilmente grazie all’influenza di Evo. C’è un accenno a “Evo ci ha mostrato che l’inventario reattivo…” (probabilmente significando l’adattamento dinamico della strategia di inventario ai cambiamenti di mercato) fa parte del design di Inventory.io ⁶². Questo suggerisce che ToolsGroup potrebbe essere in fase di ristrutturazione di parti di SO99+ per integrare la logica di Evo, forse utilizzando una piattaforma dati comune.

Una preoccupazione è l’efficienza dei costi su larga scala. Se le nuove soluzioni di ToolsGroup si basano pesantemente, ad esempio, sull’inserimento di tutti i dati in un magazzino Snowflake o in un sistema ad alta memoria per far lavorare l’IA, ciò potrebbe aumentare i costi. ToolsGroup non ha menzionato esplicitamente Snowflake, ma alcuni dei loro concorrenti lo fanno o i clienti potrebbero utilizzarlo. La convenzione di denominazione “.io” e il discorso di un “Gemello Digitale della Catena di Approvvigionamento” ⁴⁷ implicano un database cloud che riflette tutti i dati della catena di approvvigionamento. Dovremmo monitorare se l’approccio di ToolsGroup rimane efficiente o porta a bollette cloud elevate. Date le attenzioni di ToolsGroup al mercato di medio livello, probabilmente cercano di mantenere le cose convenienti (storicamente hanno sostenuto che la loro automazione riduce i costi di spedizione, ecc., compensando i costi del software).

Intelligence competitiva e multi-canale. L’inclusione di Evo porta chiaramente nel campo dei prezzi dei concorrenti: il motore di Evo utilizza esplicitamente i prezzi dei concorrenti come input per le decisioni sui prezzi ⁵⁸. Quindi un cliente di ToolsGroup può ora incorporare, ad esempio, i prezzi delle parti dei concorrenti raccolti dai mercati online nella loro pianificazione. Questo era qualcosa che solo ToolsGroup non gestiva prima. Insieme, possono eseguire posizionamento competitivo dei prezzi simile al modulo di pricing di Syncron. La forza di ToolsGroup era già la gestione della domanda multi-canale: la loro previsione della domanda può prendere dati da diversi canali o regioni e modellarli individualmente ⁴⁹. Ad esempio, ToolsGroup vanta che le loro analisi della domanda gestiscano comportamenti specifici dei canali e consentano persino il sensing della domanda per aggiustamenti a breve termine ⁴⁶ (hanno un prodotto per il sensing della domanda che reagisce agli aumenti recenti delle vendite). Le vendite multi-canale (dirette online, all’ingrosso, negozi al dettaglio) possono essere inserite come flussi separati, e ToolsGroup può produrre un singolo piano ottimizzato considerando tutti. Ora con Evo, è presumibilmente supportato anche il pricing multi-canale - ad esempio, potrebbero consigliare prezzi diversi per i canali e-commerce rispetto ai canali B2B all’ingrosso, allineandosi alle strategie di margine.

Automazione vs. input dell’utente. ToolsGroup ha storicamente fornito molta automazione: previsioni automatizzate, raccomandazioni di inventario automatizzate. Gli utenti impostavano alcuni parametri (obiettivi di servizio per gruppo, ecc.), ma una volta configurati avrebbe generato proposte di ordine. Con l’integrazione di Evo, la visione è quella di avvicinarsi di più alla “pianificazione autonoma”. Nel loro annuncio, ToolsGroup ha menzionato di consegnare “la catena di approvvigionamento autonoma del futuro” ⁵⁷ e il fondatore di Evo ha detto che i clienti impostano gli obiettivi e “l’app mostra i migliori livelli di inventario, prezzi e offerte per raggiungerli” ⁶³. Questo indica un passaggio a un decisore più orientato ai risultati, robotizzato - l’utente stabilisce gli obiettivi (ad es. massimizzare il profitto soggetto al 98% di riempimento, o dare priorità alla crescita del fatturato, ecc.) e i modelli di ottimizzazione del sistema fanno il resto, presentando il piano. Questo è piuttosto avanzato e non ancora comune nella pratica. È un obiettivo, ma con l’esperienza di Evo (rivendicano un profitto generato di oltre $300M per i clienti storicamente ⁶³), è plausibile per ambiti più ristretti. Un uso realistico a breve termine è qualcosa del genere: ToolsGroup produce piani di rifornimento ed Evo suggerisce i prezzi, e i pianificatori supervisionano entrambi attraverso un’interfaccia utente unificata, approvando modifiche e monitorando KPI. Quindi ancora un umano nel processo, ma con meno manopole da girare manualmente.

Prospettiva scettica: Ci sono alcune bandiere da tenere d’occhio con ToolsGroup. In primo luogo, il rischio di integrazione dell’acquisizione. Come ha sottolineato la domanda, il software acquisito spesso fatica a integrarsi veramente. ToolsGroup ora deve integrare la piattaforma di Evo (che presumibilmente aveva il proprio modello di dati e UI) con SO99+ e possibilmente con le capacità di JustEnough. Questo potrebbe essere impegnativo; nel frattempo, la soluzione potrebbe essere un po’ articolata (dati passati tra i moduli anziché un algoritmo unificato). Il comunicato stampa afferma benefici immediati, ma realisticamente l’integrazione tecnica completa richiederà tempo. Dovremmo ricordare esempi passati: l’acquisizione di i2 da parte di JDA ha richiesto anni per essere razionalizzata, con successo misto ¹⁰. ToolsGroup è più piccolo, ma le acquisizioni di tecnologie specializzate comportano lo stesso rischio di esperienza utente disconnessa o flussi di dati fragili inizialmente. Mitigano questo velocizzando il rebranding e probabilmente utilizzando connessioni API tra i sistemi anziché riscrivere tutto. Tuttavia, i primi adottanti dell’ottimizzazione dei prezzi di ToolsGroup dovrebbero aspettarsi alcuni intoppi o avere bisogno di ulteriore assistenza di consulenza per calibrare il sistema congiunto.

Secondo, l’uso di parole di moda come “apprendimento quantistico” fa alzare le sopracciglia - non è un termine standard nell’apprendimento automatico. Potrebbe essere un modo di marketing per dire “algoritmo di apprendimento molto veloce” o fare riferimento alla computazione quantistica (anche se Evo non utilizza letteralmente computer quantistici per quanto si sa; potrebbe essere metaforico). Questo gergo giustifica di chiedere a ToolsGroup/Evo spiegazioni concrete. Non accettare “quantistico” alla lettera - è probabilmente solo un marchio per il loro motore di intelligenza artificiale. Sul lato positivo, ToolsGroup ha fornito esempi specifici nei loro materiali: ad esempio, una citazione da un cliente di Evo (il CEO di Event Network) che elogia l’ottimizzazione dei prezzi di Evo per fornire innovazione sostenibile e tempestive intuizioni ⁶⁴. Hanno anche citato un track record e persino studi di caso di Harvard su Evo ⁵⁵, il che conferisce un po’ di credibilità di terze parti all’approccio di Evo.

Terzo, le affermazioni di ToolsGroup su “real-time” e “responsive AI” necessitano di un’attenta analisi. L’ottimizzazione in tempo reale nella supply chain è spesso esagerata; decisioni come cambiamenti di prezzo o riequilibrio dell’inventario non avvengono veramente in tempo reale ogni secondo, ma forse giornalmente o settimanalmente. Se ToolsGroup promuove il tempo reale, chiedi se questo significa semplicemente che ricalcolano rapidamente quando arrivano nuovi dati (cosa positiva, ma non la stessa cosa di un aggiustamento istantaneo continuo). Inoltre, ToolsGroup ha lanciato Inventory.io nel 2024 dicendo che “riduce le scorte esaurite e i ribassi” con l’IA ⁶¹, presumibilmente regolando più frequentemente gli obiettivi di inventario in stagione. Anche in questo caso, si tratta probabilmente di una riequilibrazione periodica piuttosto che di una ri-pianificazione in tempo reale ogni minuto - il che va bene, ma è necessaria chiarezza per non creare aspettative irrealistiche.

Infine, le affermazioni sulle prestazioni: ToolsGroup ha spesso pubblicato miglioramenti aggregati (come ad esempio una riduzione del 30-40% dell’inventario, ecc. ⁵⁰). Un recente articolo afferma che la loro Ottimizzazione In-Season porta fino a 5,5 punti percentuali in più di margine grazie a una migliore vendita a prezzo pieno ⁶⁵. Come per tutte queste affermazioni, dovremmo chiedere il contesto (5,5 punti rispetto a quale base? Quanti clienti hanno raggiunto questo risultato?). Molte volte, queste affermazioni provengono da test pilota controllati o da singoli clienti. La cosa positiva è che ToolsGroup non fornisce numeri completamente irrealistici; sono in linea con ciò che un’ottima ottimizzazione può fare, quindi non sono esagerati, ma non sono garantiti.

In sintesi, ToolsGroup è un forte concorrente per l’ottimizzazione dell’inventario nel mercato secondario, con un vantaggio appena acquisito nell’ottimizzazione dei prezzi. Prima di Evo, si poteva criticare il fatto che ToolsGroup, come gli altri, ottimizzava l’inventario per una determinata domanda ma non influenzava quella domanda tramite i prezzi. Ora, con l’IA di Evo, possono influenzare la domanda e il ricavo, chiudendo il cerchio. Se eseguono bene l’integrazione, questo potrebbe elevare ToolsGroup da un semplice strumento di pianificazione a un sistema di ottimizzazione del profitto più autonomo. Ma finché non vediamo più prove, bisognerebbe rimanere un po’ cauti - assicurarsi che una dimostrazione di ToolsGroup mostri una effettiva coordinazione tra i prezzi e le raccomandazioni di inventario (non solo due output separati). Valutare anche il costo: le nuove capacità di ToolsGroup (Price.io, ecc.) si aggiungono all’abbonamento - bisognerebbe confrontare questo costo combinato con alternative come Syncron che includono i prezzi, o con l’uso di uno strumento di pricing dedicato più uno strumento di inventario. Il vantaggio di ToolsGroup è che ora è tutto sotto lo stesso tetto, quindi si evita di dover costruire la propria interfaccia tra, ad esempio, Zilliant (prezzi) e ToolsGroup (inventario). Date le solide radici di ToolsGroup e queste migliorie, merita il suo posto tra i migliori fornitori per l’ottimizzazione congiunta, con la precisazione che si trova in una transizione da “prima l’inventario” a “ottimizzazione olistica” - una transizione che sembra stiano gestendo con seri investimenti e uno sguardo al futuro delle decisioni sulla supply chain guidate dall’IA ⁵⁷.

5. o9 Solutions – Il Cervello Digitale: Pianificazione Integrata con Capacità di Prezzo (Emergente nel Mercato Secondario)

o9 Solutions è un nuovo entrante (fondata nel 2009 ma emersa alla ribalta alla fine del 2010) che offre una piattaforma di pianificazione aziendale integrata alimentata da intelligenza artificiale. Marchiata come il “Cervello Digitale”, la piattaforma di o9 mira a unire la previsione della domanda, la pianificazione della fornitura, la gestione dei ricavi e altro ancora in un modello unificato. Ha ottenuto consensi in vari settori (commercio al dettaglio, produzione, beni di consumo) ed è spesso citata come concorrente delle suite di pianificazione tradizionali e persino dei moduli di pianificazione ERP. Per il mercato secondario dell’automotive, o9 non è uno specialista di per sé, ma la sua piattaforma flessibile può essere configurata per la distribuzione di parti di ricambio e la determinazione dei prezzi. In particolare, o9 include Pianificazione dei Prezzi, dei Ricavi e di Mercato come parte della sua offerta, insieme alla pianificazione della supply chain. Esaminiamo le sue capacità e rilevanza per l’ottimizzazione congiunta dell’inventario e dei prezzi:

Pianificazione unificata con analisi avanzate. Il marchio distintivo di o9 è un singolo modello di dati integrato in cui la domanda, l’offerta e i dati finanziari coesistono. Ad esempio, il loro sistema può simulare simultaneamente come un cambiamento nella domanda (possibilmente innescato da una variazione di prezzo o promozione) influenzerà la produzione e l’inventario, e persino come una interruzione della fornitura potrebbe rendere necessari cambiamenti di prezzo o di allocazione. Supportano l’ottimizzazione dell’inventario multi-echelon come modulo ⁶⁶, quindi possono effettuare i calcoli di base della pianificazione dell’inventario (come ottimizzare le scorte di sicurezza tra gli echeloni). Allo stesso tempo, o9 dispone di un modulo di gestione dei prezzi e dei ricavi - nei materiali di marketing mettono in evidenza la modellazione dell’elasticità e la pianificazione degli scenari per i prezzi. Una pagina di o9 afferma: “L’integrazione della pianificazione della domanda di o9, i modelli di elasticità e i punteggi euristici dei fattori esterni aiutano a individuare i migliori momenti e cluster per i cambi di prezzo. Il Cervello Digitale di o9 modella dinamicamente i cambiamenti di volume e ricavi in tutto il tuo portafoglio e mercato quando i prezzi cambiano, consentendoti di vedere un’analisi d’impatto olistica …” ⁹ (il frammento è troncato, ma indica chiaramente un’analisi d’impatto olistica dei cambi di prezzo). Questo è esattamente il tipo di capacità necessaria per l’ottimizzazione congiunta: modifichi il prezzo, vedi immediatamente le previsioni di inventario e di ricavi.

Previsione della domanda e domanda intermittente - o9 utilizza l’apprendimento automatico moderno per la previsione e può incorporare molti segnali (indicatori economici, promozioni, ecc.). Tuttavia, non vanta specificamente un approccio unico alla domanda di parti di ricambio intermittente come fanno Lokad o ToolsGroup. La domanda del mercato secondario dell’automotive potrebbe richiedere l’utilizzo del metodo di Croston o delle reti neurali addestrate per dati sparsi - presumibilmente o9 può gestirlo, ma non è il loro punto di forza. Più spesso si vantano di miglioramenti nella previsione dei beni di consumo o nella produzione OEM dell’automotive, dove i dati sono più ricchi. Se un cliente del mercato secondario utilizzasse o9, probabilmente farebbe affidamento sul suo ML per apprendere da quanti anni di dati sono disponibili, e eventualmente utilizzerebbe la sua capacità di knowledge graph per collegare articoli correlati. Infatti, la piattaforma di o9 può creare un knowledge graph di prodotti, componenti e altro ancora, che potrebbe essere sfruttato per modellare la sostituzione di parti o la compatibilità (simile nel concetto a una matrice di compatibilità delle parti, ma non esplicitamente confezionato per tale scopo).

Compatibilità delle parti e integrazione dei dati. Poiché o9 è una piattaforma generica, non dispone di un database di compatibilità delle parti automotive pronto all’uso. L’utente potrebbe caricarne uno (come un riferimento incrociato di parti a veicoli e parti sostitutive). Il modello di dati di o9 consentirebbe di collegare una parte ad attributi (come l’applicabilità al modello di veicolo). Ciò potrebbe consentire di creare una misura personalizzata di previsione come “domanda per veicolo in funzione” se lo si desiderasse. È nelle capacità di o9, ma richiede all’implementatore di farlo - mentre Lokad o altri potrebbero averlo già pronto. Tuttavia, o9 potrebbe assimilare dati sui driver della domanda come il numero di veicoli in servizio per regione, e quindi utilizzare il ML per correlare la domanda di parti con quel driver. Questo è plausibile data la focalizzazione di o9 sull’integrazione di fattori esterni. È sicuro dire che o9 può gestire i dati di compatibilità, ma non dispone di un modulo appositamente progettato che “comprenda” le sfumature del mercato secondario dell’automotive a meno che non venga configurato.

Prezzo e intelligence dei concorrenti. Il modulo di Revenue Management di o9 è relativamente forte. È stato un elemento differenziante chiave che o9 non si occupava solo della supply chain; mirava anche a ottimizzare le decisioni commerciali. Per la determinazione dei prezzi B2B (che è rilevante nel mercato secondario se si vende a distributori o clienti di grandi dimensioni), o9 fornisce “analisi approfondita dei clienti e integrazione completa dei dati della supply chain” per la pianificazione degli accordi ⁶⁷ ⁶⁷. Ciò significa che durante la negoziazione di contratti di grandi dimensioni o nella definizione di sconti, o9 può mostrare la redditività considerando i costi della supply chain, ecc. È più un punto di vista delle operazioni di vendita ma si collega anche all’ottimizzazione dei prezzi. Per la determinazione dei prezzi dinamici (come l’aggiornamento regolare di un catalogo), o9 supporta l’ottimizzazione basata sull’elasticità. Menzionano l’incorporazione di importanti informazioni sui clienti (storico degli acquisti, elasticità del prezzo, impatto degli incentivi) per elevare l’ottimizzazione dei prezzi ⁶⁷. L’integrazione dei prezzi dei concorrenti è probabilmente uno scenario di inserimento manuale dei dati: o9 potrebbe prendere in considerazione i prezzi dei concorrenti e trattarli come un fattore esterno (come un vincolo: non fissare il prezzo sopra il concorrente di X, o come un fattore che influisce sull’elasticità). Sicuramente abilitano schede di valutazione dei fattori esterni (che potrebbero includere le mosse dei concorrenti, indici di mercato, ecc.) per guidare le decisioni sui prezzi ⁹.

Un aspetto promettente è la forza della pianificazione degli scenari di o9. Un utente può creare scenari nella piattaforma come “Cosa succede se aumentiamo i prezzi del 5% su queste parti? Cosa succede se il tempo di consegna del fornitore raddoppia?” e il sistema simulerà gli impatti attraverso la rete domanda-offerta. Anche Blue Yonder fa la pianificazione degli scenari, ma l’interfaccia di o9 è nota per essere user-friendly nella creazione e nel confronto degli scenari, con output finanziari. Ad esempio, un’azienda potrebbe simulare uno scenario di riduzione del magazzino del 20% e vedere l’impatto sul servizio e la perdita di ricavi, quindi simulare una diminuzione dei prezzi per aumentare la domanda e vedere se ciò compensa. Questo tipo di scenario integrato è dove o9 eccelle concettualmente.

Scalabilità e costi. o9 è basato su cloud e progettato per gestire grandi volumi di dati aziendali. Alcuni rapporti indicano che o9 può essere esigente in termini di risorse - spesso comporta la creazione di un “gemello digitale” interno della supply chain e l’esecuzione di calcoli complessi. Ci sono stati aneddoti che le implementazioni di o9 hanno richiesto ottimizzazioni per soddisfare le aspettative di performance quando i dati sono cresciuti. Ma o9 è stato utilizzato da aziende Fortune 500 (ad es. Lenovo, Estée Lauder) per la pianificazione su larga scala. Per un mercato secondario dell’automotive con, diciamo, 500k parti e distribuzione multi-anello, o9 dovrebbe essere in grado di modellarlo, anche se potrebbe richiedere un’infrastruttura cloud robusta. Riguardo ai costi, o9 mira tipicamente a clienti di alto livello, quindi il suo prezzo è allineato con i grandi fornitori. Potrebbe comportare consistenti tariffe di abbonamento e costi di servizio per configurare i modelli per l’azienda. Un potenziale vantaggio in termini di costi è se un’azienda può dismettere più strumenti legacy (pianificazione della domanda, inventario, determinazione dei prezzi, S&OP) e sostituirli tutti con o9, il valore consolidato potrebbe giustificare la spesa. Ma se si utilizza solo una parte di o9 (solo inventario e prezzi) senza sfruttare appieno le sue capacità IBP, potrebbe risultare più conveniente utilizzare strumenti specializzati.

Automazione e ottimizzazione dell’utente. o9, nonostante tutto il parlare sull’IA, è solitamente un sistema di pianificazione guidato. Gli utenti (pianificatori, responsabili della domanda, analisti dei prezzi) interagiscono regolarmente con il sistema, guardando i cruscotti e gli avvisi prodotti dal “cervello digitale”. o9 può automatizzare alcune decisioni - ad esempio, può rilasciare automaticamente una proposta di ordine di acquisto o proporre un cambio di prezzo - ma in generale si aspetta che gli utenti le rivedano o le approvino. È meno una scatola nera che esegue solo e più un assistente intelligente. Essi enfatizzano visibilità in tempo reale e gestione delle eccezioni: il sistema monitora gli KPI e se qualcosa va storto (come una domanda molto al di sopra della previsione), lo segnala e suggerisce azioni (forse accelerare l’approvvigionamento o aumentare il prezzo se appropriato). Si tratta di un approccio semi-automatizzato. Impedisce un’operazione completamente a mani libere ma garantisce una supervisione umana. Alcuni potrebbero sostenere che questa dipendenza da scenari e aggiustamenti guidati dall’utente è una continuazione della pianificazione tradizionale (solo con strumenti migliori), piuttosto che un sistema autonomo rivoluzionario. È una critica valida che gran parte dell’ “IA” di o9 è dietro le quinte e il front-end richiede ancora pianificatori esperti.

Analisi scettica: o9 è spesso ricco di parole di moda - il loro marketing adora termini come “alimentato da IA”, “in tempo reale”, “gemello digitale”, “apprendimento automatico su larga scala”. A volte mancano di specificità in pubblico, forse perché il loro segreto è in parte il modello di dati flessibile e in parte gli algoritmi che incorporano (che potrebbero non essere radicalmente diversi dagli altri, solo più integrati). La cautela della domanda riguardo alle parole di moda si applica sicuramente: dovremmo chiederci, ad esempio, qual è esattamente l’approccio di o9 alla “percezione della domanda” o all’ “ottimizzazione in tempo reale”? Senza risposte chiare, si può presumere che sia un mix di tecniche consolidate con un’interfaccia brillante. Un’altra area da tenere d’occhio è l’esperienza di dominio - la piattaforma di o9 può essere configurata per qualsiasi cosa, ma questo significa che per il mercato dei ricambi automobilistici, il cliente o il consulente deve inserire le conoscenze (come quali parti sono intercambiabili, come modellare le sovrapposizioni, quali dovrebbero essere le politiche di livello di servizio). Fornitori come Syncron o PTC hanno quelle conoscenze di dominio integrate in qualche misura (da modelli, parametri pre-regolati). Con o9, si potrebbe partire da una lavagna vuota o da un modello generico. Questo potrebbe portare a una implementazione più lunga o a un rischio se il proprio team non è esperto nella pianificazione dei ricambi. Fondamentalmente, o9 è potente ma non preconfigurato.

Dovremmo notare che i fondatori di o9 e molti membri del team provengono da vecchie aziende di supply chain (notoriamente i2 Technologies). Hanno visto cosa non funzionava - ad esempio, le soluzioni eccessivamente complesse e settoriali di i2 - e hanno cercato di creare un sistema più unificato e user-friendly. In questo senso, o9 potrebbe aver evitato alcuni degli ostacoli dei problemi di integrazione ereditati. È stato costruito da zero, quindi niente vecchi incubi di integrazione del codice. Tuttavia, si potrebbe sostenere che sta cercando di bollire l’oceano facendo tutto (approvvigionamento, domanda, finanza, ecc.). In alcuni casi, concentrarsi profondamente su un’area produce risultati migliori (come Lokad che si concentra profondamente sulla domanda probabilistica e sull’ottimizzazione personalizzata potrebbe superare l’accuratezza della previsione di o9 per i prodotti lenti basata sull’IA più generale).

Per la tariffazione competitiva, o9 probabilmente non ha la profondità degli algoritmi specializzati di Syncron accumulati in un decennio, ma può replicare molte strategie. Potrebbe fare più affidamento sull’utente che gli dice quale strategia adottare (come mirare a essere il 5% sopra il concorrente o simile), mentre Syncron o Revionics hanno regole integrate e persino un po’ di apprendimento automatico dai test di prezzo.

In conclusione, o9 Solutions è una piattaforma solida per la pianificazione integrata, e si allinea concettualmente con l’ottimizzazione congiunta avendo tutti i fattori rilevanti in un unico luogo. È capace di ottimizzare insieme inventario, prezzi e assortimenti, ma l’efficacia dipenderà da quanto è ben configurato per un business di ricambi specifico. Per un’organizzazione che desidera un sistema per tutto, dalla previsione della domanda al S&OP esecutivo ai prezzi, o9 è una scelta convincente. Ma è necessario un occhio attento per garantire che l’IA promessa produca effettivamente decisioni migliori e che il costo/complessità non aumenti. Se si sta considerando o9, si dovrebbe richiedere un pilota che dimostri, ad esempio, l’utilizzo di dati di domanda intermittente reali e dati di prezzi competitivi per produrre un piano coordinato di stoccaggio e prezzi, e verificare che i risultati superino ciò che farebbero gli strumenti specializzati separati. Considerare anche l’esperienza utente: i vostri pianificatori sono a loro agio nel programmare essenzialmente scenari e fidarsi delle raccomandazioni di IA di o9? O preferiscono un controllo più deterministico?

Dato il relativo nuovo di o9 in questo specifico settore, potrebbe essere classificato leggermente più in basso semplicemente a causa di riferimenti post-vendita meno provati. È notevole che in Gartner Peer Insights e in altre comparazioni, o9 competa spesso con ToolsGroup e Blue Yonder per la supply chain e con strumenti di pricing per il revenue, il che significa che è un jolly per tutte le stagioni, ma bisogna verificare se è abbastanza esperto in quei settori per le vostre esigenze.

6. Blue Yonder – Leader Legacy con Soluzioni Modulari (Ottimizzazione dell’Inventario + Prezzi al Dettaglio, ma con Integrazione Limitata)

Blue Yonder (ex JDA Software) è un gigante di lunga data nella supply chain e nella pianificazione al dettaglio. Offre un’ampia suite chiamata Luminate, che copre la previsione della domanda, la pianificazione della fornitura, l’ottimizzazione dell’inventario, nonché soluzioni di merchandising e di pricing. La rilevanza di Blue Yonder per il mercato dei ricambi automobilistici deriva principalmente dalla sua pedigree di ottimizzazione dell’inventario (derivante dall’acquisizione nel 2009 da parte di JDA delle tecnologie i2, che aveva una solida soluzione di pianificazione dei ricambi di servizio utilizzata dagli OEM) e secondariamente da una soluzione di ottimizzazione dei prezzi (acquisita nel 2020 da Revionics, più focalizzata sul retail). Sebbene Blue Yonder abbia argomenti sia per l’inventario che per i prezzi, la domanda chiave è se lavorino veramente insieme per un’ottimizzazione congiunta. Troviamo che Blue Yonder tende ad avere moduli compartimentati che possono essere integrati tramite dati, ma che non sono stati originariamente progettati come uno. Questo, unito ad alcune sfide tecnologiche ereditate e a messaggi iperbolici, pone Blue Yonder un po’ indietro rispetto a soluzioni più focalizzate in questa specifica valutazione.

Capacità di ottimizzazione dell’inventario. La pianificazione Blue Yonder Luminate include ciò che un tempo era la Gestione dei Ricambi di Servizio di i2. Si tratta di uno strumento maturo e ricco di funzionalità per l’IO (Ottimizzazione dell’Inventario) che può gestire reti multi-echelon, previsioni di domanda intermittente e complessi vincoli di fornitura. Ad esempio, Mercedes-Benz USA ha utilizzato gli strumenti di Blue Yonder per gestire oltre 100.000 ricambi di servizio presso 400 concessionari, raggiungendo livelli di servizio leader del settore mantenendo nel contempo la redditività ⁶⁸ ⁶⁹. Questo indica che Blue Yonder ha conseguito con successo alti tassi di riempimento (MBUSA ha citato un servizio del 98% in una discussione ⁷⁰) e ha bilanciato l’investimento in inventario. La soluzione di Blue Yonder probabilmente ha calcolato le scorte di sicurezza a ciascun echelon e ha utilizzato la pianificazione degli scenari per testare la rete. In una recente conferenza di Automotive Logistics, lo stratega automobilistico di Blue Yonder ha delineato “cinque abilitatori chiave” per le catene di approvvigionamento dei ricambi di servizio, evidenziando cose come la visibilità end-to-end, la pianificazione degli scenari per le interruzioni e l’allineamento dei livelli di servizio con la redditività ⁷¹ ⁷². Una citazione: “La resilienza non riguarda solo il trasporto di enormi quantità di inventario… si tratta di diventare snelli, redditizi e resilienti allo stesso tempo. Con l’inflazione alta si desiderano alti livelli di servizio, ma è possibile farlo con un capitale circolante inferiore?” ⁵². Questo riassume l’approccio all’inventario di Blue Yonder: utilizzare l’ottimizzazione per preservare il servizio tagliando l’inventario e i costi - essenzialmente ciò che fa qualsiasi buon strumento di IO.

Blue Yonder fornisce anche uno strato S&OP/IBP per valutare gli esiti finanziari. Menzionano di alimentare “linee guida finanziarie e strategiche” insieme agli obiettivi di servizio nel processo di pianificazione ⁷³, il che suggerisce che il loro sistema di pianificazione può ottimizzare le metriche aziendali, non solo il tasso di riempimento. Infatti, l’ottimizzatore dell’inventario multi-echelon di Blue Yonder può essere configurato per minimizzare il costo totale per un dato livello di servizio o massimizzare il servizio per un budget - forme di ottimizzazione economica. Tuttavia, tradizionalmente, l’ottimizzatore di JDA/i2 non includeva decisioni di pricing dinamiche; assumeva che le curve di domanda fossero input, non variabili decisionali.

La previsione della domanda in Blue Yonder è ora potenziata dall’IA (dal momento in cui l’azienda si è rinominata dopo aver acquisito una società tedesca di IA “Blue Yonder”). Hanno Luminate Demand Edge che utilizza l’apprendimento automatico. Probabilmente gestisce la domanda intermittente utilizzando una combinazione di metodi di serie temporali e ML. Non abbiamo dettagli per le parti di servizio, ma dato che MBUSA ha ottenuto una maggiore precisione delle previsioni attraverso Blue Yonder secondo il loro team ⁷⁴ ⁷⁵, sembra funzionare adeguatamente. Il caso MBUSA ha anche elogiato la capacità di eseguire scenari ipotetici rapidamente (diverse volte a settimana) per testare cambiamenti ⁷² ⁷⁶ - qualcosa che storicamente richiederebbe un mese con strumenti più vecchi. Questa agilità è importante in tempi volatili (come le interruzioni da COVID, che MBUSA ha affrontato ripianificando rapidamente in Blue Yonder ⁷⁷).

Capacità di ottimizzazione dei prezzi (Revionics). Revionics (ora “Blue Yonder Pricing”) è un leader nel settore dell’ottimizzazione dei prezzi al dettaglio SaaS. Eccelle nella modellazione dell’elasticità dei prezzi, nell’analisi promozionale e nella risposta ai prezzi della concorrenza - principalmente per prodotti al dettaglio a ciclo di vita breve (alimentari, merci generiche). In un contesto di ricambi, Revionics potrebbe essere applicato ai prezzi delle parti nei canali di vendita al dettaglio (ad esempio, se un’azienda vende parti online direttamente ai consumatori, potrebbe utilizzarlo per ottimizzare quei prezzi considerando i prezzi online dei concorrenti, l’elasticità della domanda, ecc.). Revionics utilizza l’IA per modellare come la domanda cambia con il prezzo e può imporre regole di pricing (come finire in .99, ecc.). Può anche estrarre i prezzi dei concorrenti e incorporarli - una necessità nel settore dei ricambi auto in cui il confronto dei prezzi è facile.

Tuttavia, Revionics non è stato progettato per i prezzi delle parti di servizio B2B. È più adatto a scenari di vendita al dettaglio ad alto volume. Il mercato dei ricambi automobilistici ha aspetti di questo tipo (ad esempio, un venditore di parti online è molto simile a uno scenario di vendita al dettaglio), ma ha anche aspetti di parti a basso volume a lunga coda in cui l’elasticità è difficile da misurare a causa dei dati sparsi. Revionics di solito ha bisogno di un volume di vendite ragionevole per valutare l’elasticità; per le parti molto lente, potrebbe ricorrere a approcci basati su regole. Blue Yonder potrebbe non aver ancora adattato Revionics per il settore delle parti di servizio in modo specifico (anche se potrebbero farlo).

Gap di integrazione. Il nocciolo della questione è che la pianificazione dell’inventario di Blue Yonder e i prezzi di Revionics sono prodotti separati sulla piattaforma Luminate. Al momento attuale, non sembrano condividere un ciclo di ottimizzazione unificato. Un utente potrebbe utilizzare manualmente gli output di uno nell’altro - ad esempio, utilizzare Revionics per decidere i prezzi, quindi alimentare quei piani di prezzo nella previsione della domanda in Luminate Planning in modo che l’inventario sia pianificato in base ai nuovi prezzi. Ma si tratta di un’integrazione manuale o semi-automatica, non di un’ottimizzazione congiunta automatizzata. La roadmap di Blue Yonder potrebbe includere un’integrazione più stretta (parlano di commercio unificato end-to-end), ma con scetticismo, questo richiederà uno sforzo significativo. Abbiamo visto come sono andate le acquisizioni precedenti: quando JDA ha acquisito i2, gli esperti del settore hanno notato “i2 arriva con una vasta gamma di soluzioni complesse… rende difficile gestire i2 come un’azienda di software” ¹⁰. JDA/Blue Yonder alla fine ha integrato alcuni algoritmi di i2, ma ci sono voluti anni e alcuni moduli di i2 sono stati dismessi. Allo stesso modo, Revionics è un servizio cloud distinto; integrare i suoi output in tempo reale con la pianificazione potrebbe non essere banale.

Scalabilità e architettura. Blue Yonder ha modernizzato gran parte della sua infrastruttura per funzionare su cloud (principalmente Azure). Hanno anche iniziato a sfruttare Snowflake per i loro dati e analisi in alcuni casi (hanno annunciato partnership per la condivisione dei dati di Luminate). Ciò potrebbe significare che se un cliente utilizza Blue Yonder, potrebbe anche impiegare Snowflake per consolidare i dati dai sistemi di pianificazione ed esecuzione, il che comporta costi aggiuntivi. Le applicazioni di Blue Yonder, tuttavia, di solito utilizzano Azure SQL o simili dietro le quinte, non necessariamente Snowflake, a meno che non si tratti di analisi avanzate. Per quanto riguarda i costi, Blue Yonder di solito ha prezzi di livello enterprise. A volte addebitano anche per utente o per modulo, il che può sommarsi se hai bisogno di domanda, offerta, inventario, prezzi tutti separatamente.

Una preoccupazione architetturale: le soluzioni ereditate di Blue Yonder (come i2 Service Parts) erano pesanti in termini di memoria e calcolo (risolvendo grandi problemi di ottimizzazione). Se non ottimizzati, ospitare queste soluzioni su cloud può essere costoso. Ma è probabile che Blue Yonder abbia ottimizzato e scalato queste soluzioni su Azure adesso. Nel caso di MBUSA, hanno esplicitamente dichiarato che l’utilizzo del SaaS di Blue Yonder ha permesso di eseguire scenari più velocemente ⁷², implicando una adeguata performance su cloud.

Intelligence competitiva e gestione dei canali. Revionics è molto forte nell’intelligence competitiva sui prezzi - è stato progettato per acquisire i prezzi dei concorrenti (soprattutto per i rivenditori online che si confrontano con Amazon, ecc.). Quindi Blue Yonder può sicuramente incorporare i dati sui prezzi dei concorrenti, almeno sul lato dei prezzi. Sul lato dell’inventario, le informazioni sui concorrenti non influiscono direttamente (come per gli altri - di solito non ridurresti il tuo stock solo perché un concorrente ne ha in abbondanza, a meno che tu non stia coordinando in modo strano). Ma per i prezzi, sì: lo strumento di Blue Yonder può automatizzare la risposta ai cambiamenti di prezzo dei concorrenti entro determinati limiti. È credibile; Revionics aveva molti riferimenti nel settore del retail per questo. Multi-canale: la suite commerciale di Blue Yonder è tutta incentrata sull’omni-channel - soddisfare gli ordini da qualsiasi canale in modo ottimale. Tuttavia, la loro pianificazione è tipicamente segmentata per unità aziendale (potrebbero fare previsioni separate per il servizio OEM rispetto alle vendite al dettaglio). Possono integrarle in IBP se necessario. Il software potrebbe acquisire sia la domanda dei rivenditori che la domanda dell’e-commerce, anche se probabilmente gestite come due flussi di domanda separati.

Automazione e controllo dell’utente. Blue Yonder storicamente fornisce molta configurabilità. La storia di MBUSA ha mostrato che hanno ancora utilizzato la “conoscenza tribale” dei loro pianificatori in alcuni casi (sovraimpostazioni durante il COVID) ⁷⁸. Blue Yonder enfatizza anche una visione di “pianificazione autonoma”, ma attualmente si tratta più di un processo a ciclo chiuso in cui i piani vengono eseguiti e il sistema ripianifica regolarmente, con gli utenti che monitorano. Hanno anche capacità di control tower che rilevano automaticamente problemi e possono attivare azioni, ma una supply chain completamente robotizzata è un obiettivo. Salim Shaikh di Blue Yonder ha descritto un “sistema a ciclo chiuso in cui abbiamo input, percepiamo quando accadono le cose, rispondiamo e diamo feedback… e ripetiamo il processo” ⁷⁹. Questo è fondamentalmente il loro approccio all’automazione: ripianificare continuamente (forse più volte a settimana) e adattarsi. È automatizzato nel ricalcolo iterativo, ma sono gli esseri umani a impostare i parametri iniziali e a poterli regolare.

Punti critici: Blue Yonder tende a utilizzare molti slogan di moda - “supply chain autonoma, cognitiva, in tempo reale, basata su ML”, ecc. Spesso c’è sostanza dietro (utilizzano l’ML; hanno l’automazione), ma a volte il marketing va oltre l’integrazione effettiva. Ad esempio, chiamare la loro soluzione “end-to-end” - in realtà, end-to-end potrebbe significare che hanno moduli per tutto, ma quei moduli potrebbero non essere collegati in modo così fluido come si potrebbe pensare. Il disastro dell’acquisizione di i2 è un promemoria: JDA ha promesso l’offerta di supply chain integrata più completa ⁸⁰ nel 2010 con i2, eppure per anni i clienti sono rimasti con la vecchia i2 o hanno avuto difficoltà con le nuove versioni. Un po’ di quel retaggio potrebbe ancora perseguitare Luminate (forse per questo MBUSA ha ancora fatto riferimento efficacemente alla logica di i2). Inoltre, le affermazioni sulle prestazioni di Blue Yonder dovrebbero essere verificate. Se dicono “riduzione delle scorte del X% con miglioramento del servizio del Y%”, chiedi se si tratta di una media o di un caso selezionato. Hanno casi studio impressionanti (come la riduzione del costo di trasporto del 7% di DHL nel design della rete, la pianificazione centralizzata di Renault, ecc.), ma spesso hanno delle avvertenze.

Problemi legati alla tecnologia legacy - L’ottimizzazione dell’inventario di Blue Yonder (da i2) era potente ma richiedeva un’ottimizzazione fine e a volte aveva la reputazione di essere complessa. Se non è stata completamente riscritta, potrebbe ancora essere in parte una scatola nera che richiede consulenza di esperti per essere configurata in modo ottimale. Inoltre, il fatto che Revionics sia separato potrebbe richiedere set di competenze separati per la configurazione (un team per la pianificazione dell’inventario, un altro per la determinazione dei prezzi). Ciò potrebbe significare silos organizzativi a meno che l’azienda che lo utilizza non li superi attivamente.

Ottimizzazione dell’assortimento - Blue Yonder dispone di strumenti di gestione delle categorie dal lato del retail, che potrebbero gestire l’assortimento (decidere quali prodotti portare in quale posizione). Nel settore delle parti di ricambio, l’ottimizzazione dell’assortimento potrebbe significare decidere quali parti tenere in magazzino (specialmente per i prodotti a lenta rotazione). Gli strumenti di Blue Yonder potrebbero teoricamente farlo analizzando i modelli di domanda e la redditività. Ma ancora una volta, potrebbe non essere automatizzato - probabilmente un pianificatore imposta le soglie (ad esempio, se una parte non ha avuto domanda per 3 anni e bassa popolazione di veicoli, contrassegnarla per la fase di eliminazione). Soluzioni concorrenti come Syncron hanno una logica simile. Non ci sono prove che Blue Yonder ottimizzi in modo univoco l’assortimento oltre agli altri (e probabilmente meno focus, poiché si rivolgono a ambienti in cui di solito il catalogo è dato e si cerca di tenere in magazzino secondo necessità).

In sintesi, Blue Yonder porta molti pezzi: un’ottimizzazione dell’inventario di alto livello, una solida pianificazione della domanda e una soluzione di determinazione dei prezzi leader. Tuttavia, i pezzi attualmente sembrano essere assemblati piuttosto che uniti organicamente per un’ottimizzazione congiunta. Un’azienda potrebbe certamente utilizzare Blue Yonder per fare un’ottimizzazione congiunta, ma comporterebbe l’esecuzione di due sistemi in tandem e l’integrazione delle informazioni stesse. Il fornitore non offre ancora una singola soluzione “ottimizza prezzo + inventario insieme” pronta all’uso per il mercato delle parti di ricambio. Data la complessità e alcuni notevoli fallimenti nelle implementazioni passate (alcuni clienti hanno finito per cambiare sistema a causa della frustrazione con i2 o JDA negli anni 2000), è necessaria cautela. Blue Yonder è un’opzione potente, specialmente se si utilizza già uno dei suoi moduli e si desidera espanderlo, ma assicurati di esaminare attentamente le promesse vaghe. Ad esempio, termini come “rilevamento della domanda guidato dall’IA” dovrebbero essere accompagnati da una spiegazione su come ti aiuta specificamente (rileva un picco in una determinata parte e ti avvisa? E poi cosa succede - regola automaticamente i prezzi o gli ordini?). Se queste domande ricevono risposte concrete, Blue Yonder potrebbe essere una scelta sicura, seppur impegnativa. In caso contrario, si potrebbe propendere per una soluzione più specializzata o moderna per questa particolare esigenza di ottimizzazione congiunta.

Conclusione

In un mercato tanto impegnativo quanto il mercato delle parti di ricambio automobilistiche - caratterizzato da domanda sporadica, un’enorme quantità di SKU e la necessità di bilanciare servizio, costo e profitto - è cruciale superare l’esagerazione dei fornitori e identificare chi può veramente offrire un’ottimizzazione congiunta dell’inventario, dei prezzi e dell’assortimento.

Da questa analisi:

Lokad emerge come leader nell’innovazione, offrendo un approccio fresco probabilistico ed economico che affronta direttamente le complessità del mercato delle parti di ricambio (grafici di compatibilità, ottimizzazione completamente numerica di ogni decisione) ¹ ². Minimizza la dipendenza dalle supposizioni degli utenti e si concentra su decisioni automatizzate basate su prove, anche se richiede un coinvolgimento competente dei dati.
Syncron si distingue per la sua integrazione specifica del settore dei prezzi e dell’inventario. Offre capacità credibili e testate sul campo, fornendo essenzialmente una piattaforma di ottimizzazione delle parti di ricambio che gestisce i dettagli della pianificazione delle parti mentre ottimizza i prezzi con intelligenza e competenza competitiva ⁴ ⁸¹. Le sue affermazioni sono generalmente supportate da funzionalità concrete, anche se gli utenti devono eseguire correttamente la configurazione della strategia per raccogliere i benefici.
PTC Servigistics offre una profondità senza pari e una lunga esperienza. È affidabile per l’ottimizzazione di base dell’inventario e capace nella determinazione dei prezzi, ma spetta all’implementatore utilizzare appieno la sua ampiezza. Tende ad essere pesante e complesso - un purosangue che ha bisogno di un fantino esperto. Anche se può ottenere risultati eccellenti (e lo ha fatto per molti OEM ⁴¹), bisogna fare attenzione alle pratiche obsolete o alla frizione dell’interfaccia che potrebbero ridurre il suo potere teorico.
ToolsGroup è storicamente stato un cavallo da lavoro silenzioso nell’ottimizzazione dell’inventario per il mercato dei ricambi e ora, con Evo, si sta muovendo aggressivamente nello spazio dell’ottimizzazione congiunta. È uno da tenere d’occhio: la combinazione del loro motore di inventario provato con l’IA dei prezzi di Evo potrebbe produrre una soluzione molto potente che è sia intelligente che user-friendly (come suggerito dai loro nuovi prodotti “.io” centrati sull’interfaccia utente). Ma, al momento, comporta rischi di integrazione e un uso combinato non provato su larga scala - la prudenza e un progetto pilota sarebbero prudenti prima di puntare sulle promesse di marketing ⁸. Il potenziale di crescita, tuttavia, è significativo se la loro visione si materializza.
o9 Solutions porta tecnologia moderna e una filosofia integrata, che è attraente per coloro che desiderano un ambiente di pianificazione unificato. Certamente può fare ciò che è necessario in teoria, ma la mancanza di un focus specifico sul mercato dei ricambi e la dipendenza dalla configurazione significa che è buono solo quanto il team di progetto che lo implementa. Le aziende con team di analisi solidi potrebbero sfruttare o9 per creare una super-soluzione su misura; altri potrebbero trovarlo troppo generale e optare per qualcosa di più preconfezionato. È un compromesso tra flessibilità e prontezza out-of-the-box.
Blue Yonder rimane un fornitore di alto livello nell’ambito della supply chain e della determinazione dei prezzi individualmente, ma per l’ottimizzazione congiunta nel mercato dei ricambi, attualmente è indietro. I pezzi ci sono, ma l’unità no. Dovremmo essere scettici di qualsiasi affermazione che Blue Yonder da solo ridurrà l’inventario del X% aumentando contemporaneamente il tasso di riempimento del Y% e aumentando i margini - a meno che non mostrino un caso in cui la loro pianificazione dell’inventario e i prezzi di Revionics fossero attivamente coordinati con un miglioramento misurabile al di là di quanto ciascuno facesse separatamente. Le loro storie di clienti si concentrano sull’ottimizzazione della supply chain ⁷⁵ o sull’ottimizzazione dei prezzi, non entrambi insieme in un’unica narrazione, il che è significativo. Fino a quando Blue Yonder non intreccia strettamente i prezzi e l’inventario in un’unica piattaforma (o almeno un processo senza soluzione di continuità), gli utenti dovranno pensare molto all’integrazione da soli.

In generale, il chiaro trend è che l’ottimizzazione congiunta non è più un ideale teorico ma una necessità pratica. I fornitori che sono cresciuti in un settore (solo inventario o solo prezzi) si stanno ora estendendo in settori adiacenti, sia tramite sviluppo che tramite acquisizioni. Questa convergenza è ottima per i clienti perché costringe tutti a migliorare il proprio gioco. Tuttavia, significa anche più iperbole di marketing poiché ogni fornitore afferma di fare “ottimizzazione AI end-to-end”. Spetta all’acquirente esigere trasparenza: chiedere come la soluzione gestisce uno scenario specifico del mercato dei ricambi (ad esempio, una parte senza vendite per 12 mesi - la ridurrà, alzerà il prezzo o la segnalerà per l’eliminazione? Basato su quale logica? O un improvviso aumento della domanda di una parte perché un concorrente è rimasto senza stock - il sistema lo noterà tramite le vendite perse dai concorrenti (se i dati sono disponibili) e regolerà i prezzi o lo stock?).

Mantenendo uno scetticismo sano verso portafogli alimentati da acquisizioni, affermazioni miracolose sui KPI senza contesto, e presentazioni ricche di parole di moda, e concentrandosi sulle capacità tangibili supportate da prove, le aziende possono scegliere un fornitore che si adatti veramente alle loro esigenze.

In sintesi, i migliori fornitori (come quelli classificati più in alto qui) hanno dimostrato con fonti credibili che: utilizzano previsioni probabilistiche per domare la variabilità ¹³, incorporano la conoscenza della compatibilità delle parti nella pianificazione ¹, applicano ragionamento economico (scambi di profitto e costi) nell’ottimizzazione ², scalano a grandi dati senza costi folli, incorporano dati competitivi e di mercato nei loro algoritmi ⁸¹, coprono tutti i canali di vendita in modo coerente e consentono un alto grado di automazione con la possibilità di intervento esperto. Coloro che non sono riusciti a convincere su questi punti sono stati classificati più in basso.

Infine, oltre alla tecnologia, considera il track record del fornitore nel mercato secondario. La competenza nell’implementazione, la capacità di gestire le particolarità dei tuoi dati specifici (ad esempio, tabelle di riferimento incrociate disordinate, sparsità) e il supporto post-implementazione nel perfezionare il sistema possono fare la differenza nel successo più dell’algoritmo stesso. Una vistosa demo “guidata dall’IA” significa poco se il fornitore non può supportarti attraverso il processo faticoso di pulizia di tre decenni di storia delle parti di servizio. Al contrario, un fornitore con una tecnologia leggermente meno vistosa ma con una profonda esperienza nel mercato secondario potrebbe portarti più rapidamente e in modo più affidabile al valore. La scelta ottimale varierà in base alla dimensione dell’organizzazione, alla complessità e alla prontezza al cambiamento - ma armati delle informazioni critiche sopra riportate, puoi tagliare attraverso il rumore e prendere una decisione ben fondata.

In conclusione: l’ottimizzazione dell’inventario, dei prezzi e dell’assortimento nel mercato secondario dell’automotive è un problema multidimensionale - esigi soluzioni che affrontino tutte le dimensioni con rigore ingegneristico, non solo con un’apparenza di marketing. Ogni fornitore ha punti di forza, ma nessuno è perfetto; chiedendo prove per ciascuna capacità, garantisci che la soluzione scelta non ottimizzi solo i KPI su una slide, ma nei tuoi magazzini e nei tuoi bilanci effettivi.