Bewertung von Afresh, Anbieter von Software für Bestand und Nachschub im Lebensmittelhandel

Von Léon Levinas-Ménard

Zuletzt aktualisiert: 4. November 2026

Afresh bietet Software für den Lebensmittelhandel zur Filialbelieferung, Bestandszählung, Herstellung zubereiteter Speisen, Rezepturverwaltung und Beschaffung für Distributionszentren. Filialmitarbeiter prüfen damit Bestände und führen empfohlene Bestellungen und Produktionsaufgaben aus; Einkäufer der Distributionszentren steuern den Lagernachschub und bearbeiten Ausnahmen im Einkauf. Die ursprünglich für Frischeabteilungen entwickelte Plattform weitete ihren beworbenen Umfang im März 2026 auf verpackte Lebensmittel, Tiefkühlware, allgemeine Handelswaren sowie Gesundheits- und Schönheitsprodukte aus. 1 2 3 4

Gesamtnote: 6,0/10.

Dimension	Note
Fachliche Tiefe der Supply Chain	6,4/10
Substanz von Entscheidungen und Optimierung	6,8/10
Integrität von Produkt und Architektur	5,0/10
Technische Transparenz	5,6/10
Seriosität des Anbieters	6,0/10

Afresh verfügt über eine substanzielle technische Grundlage für verderbliche Bestände: eine veröffentlichte Zielfunktion für Bestellungen, probabilistische Nachfrage- und Bestandsmodelle sowie Erläuterungen dazu, wie die Haltbarkeit Entscheidungen verändert. Die stärksten Belege betreffen Frischeprozesse in den Filialen. Das weitergehende Versprechen, die Wirtschaftlichkeit des Lebensmittelhandels zu optimieren, ist weniger gut belegt, insbesondere dort, wo Warenpräsentationsregeln, Lagereinkauf und Filialarbeit zusammenwirken. Die Software kann eine Bestellung verbessern und zugleich die Regel unangetastet lassen, die diese Bestellung unwirtschaftlich macht. 5 6 10

Afresh veröffentlicht genügend technische Einzelheiten, um mehrere Mechanismen beurteilen zu können. Die Kundenreferenzen umfassen zudem einen dauerhaften Einsatz und operative Verbesserungen. Weniger öffentliche Belege gibt es zu den Gesamtbetriebskosten, zur Begrenzung von Sicherheitsvorfällen und zur Wirtschaftlichkeit der neuesten Funktionen für Distributionszentren und das gesamte Filialsortiment.

Afresh im Vergleich zu Lokad

Afresh bündelt Entscheidungen des Lebensmittelhandels in Anwendungen für Filialteams und Einkäufer. Lokads Ansatz stellt ein fortlaufend gepflegtes Entscheidungssystem in den Mittelpunkt, das umsetzbare Maßnahmen unter Unsicherheit wirtschaftlich bewertet und die ausgewählten Maßnahmen an operative Systeme übermittelt. Die umfassendere Entwurfsperspektive wird in Introduction to Supply Chain erläutert. Der Unterschied betrifft die Verantwortung für die Entscheidungslogik und deren Umfang, nicht die Frage, ob einer der Anbieter probabilistische Prognosen nutzt.

Afreshs veröffentlichte ShrinkAware-Regel ordnet Verderb, entgangenen Verkäufen und Lagerhaltung Kosten zu. Das Bestandsmodell behandelt auch den Lagerbestand als unsicher. Hier bestehen Überschneidungen mit Lokads Dienstleistung zur Bestandsoptimierung, bei der Supply Chain Scientists die numerische Entscheidungslogik des Kunden entwickeln und pflegen. 5 6

Der schwierigere Unterschied zeigt sich, wenn eine kaufmännische Annahme falsch ist. Ein Mindestbestand für die Warenpräsentation kann mehr Ware verlangen, als vor dem Verfallsdatum verkauft werden kann. Ein Lager kann seine eigenen Abverkaufskennzahlen verbessern, indem es alternde Ware an Filialen schickt. Das zuständige Entscheidungssystem muss solche Anreize sichtbar machen und korrigieren, statt lediglich regelkonforme Bestellungen zu berechnen. Afreshs eigene Darstellung dieser Probleme liefert einen konkreten Prüfstein dafür, wie weit die Optimierung reicht. 10

Für einen Lebensmittelhändler bietet Afresh umfangreiches, unmittelbar nutzbares Wissen über Theken, Rezepturen, Ausbeuten, Bestandszählungen und die Zubereitung im Tagesverlauf. Lokads Angebot legt mehr Gewicht darauf, das wirtschaftliche Modell über zusammenwirkende Entscheidungen hinweg anzupassen und zu pflegen. Entscheidend ist in der Praxis, welcher Ansatz bessere ausführbare Entscheidungen liefert, wenn die fortlaufende Arbeit von Filialmitarbeitern, Einkäufern, Verantwortlichen für die Warenpräsentation, Entwicklern und Führungskräften mitgerechnet wird.

Historie: technische Kontinuität, gefolgt von einem breiteren KI-Versprechen

Afresh wurde 2017 gegründet. Bereits die Finanzierungsankündigung vom Juli 2020 beschrieb eine KI-gestützte Plattform für frische Lebensmittel und warb mit Verbesserungen bei Umsatz, Abfällen und Margen. Diese frühen Aussagen betrafen eine klar begrenzte Anwendung für den Lebensmittelhandel; die späteren technischen Veröffentlichungen verleihen ihnen mehr Substanz als eine rückwirkende Änderung des Vokabulars. 12

Ein technischer Artikel von 2021 erklärte, weshalb eine genaue Punktprognose für die Bestellung verderblicher Waren nicht ausreicht. Er führte ein kleines Beispiel mit dynamischer Programmierung durch und zeigte anschließend, wie die Berücksichtigung des Produktalters den Zustandsraum explodieren lässt. Der Artikel unterschied dieses Lehrbeispiel ausdrücklich vom Produktionsverfahren. Die simulierten Kosten- und Abfallverbesserungen dienten der Veranschaulichung und waren keine Kundenergebnisse. 7

Es folgten die probabilistische Zutatenbestellung 2022, die ShrinkAware-Regel 2023 sowie die Bestandsschätzung und Aktionsprognosen 2024. Jeder Beitrag behandelte ein erkennbares Problem des Lebensmittelhandels und legte einen Teil des Mechanismus offen. Diese Entwicklung spricht für eine kohärente technische Roadmap: Unsicherheit, Verderblichkeit und unvollkommene Beobachtungen bleiben in allen Artikeln zentral. 8 5 6 9

Auch kundenseitige Berichte belegen den fortgesetzten Einsatz. Albertsons erklärt in seinem Nachhaltigkeitsbericht 2025, Afresh im Jahr 2024 für Obst und Gemüse, Fleisch sowie Fisch und Meeresfrüchte eingesetzt zu haben. Dies bestätigt die operative Nutzung unabhängig von Afreshs Vertriebsunterlagen, auch wenn die betreffende Passage keinen finanziellen Ertrag isoliert, der der Software zuzurechnen wäre. 13

Mit der Einführung von Fresh Buying im November 2025 verändert sich die Art der Belege. Die Ankündigung beschrieb KI-Agenten, die Prognosen, Lieferantenauswahl, Lkw-Beladung und Problemlösung koordinieren; Wakefern wurde als früher Kunde mit bevorstehender Einführung genannt. Die Erweiterung vom März 2026 dehnte das Angebot dann auf die gesamte Filiale aus. Grocery Outlets Ankündigung vom Juni betraf die Auswahl der Lösung für die Bestellung des gesamten Filialsortiments. Diese Ankündigungen belegen die Produktrichtung und geschäftliche Zusagen; die veröffentlichten technischen Artikel beschreiben vorwiegend frühere Komponenten für die Frischeabteilungen. 14 4 20

Die historische Sorge gilt daher dem wachsenden Abstand zwischen nachgewiesenen Mechanismen und beworbenem Funktionsumfang. Afresh verdient Anerkennung für mehrere Jahre konkreter Entwicklungsarbeit. Die neueren Aussagen zu Agenten und unternehmensweiter Optimierung benötigen eine gleichwertige Offenlegung des tatsächlich eingesetzten Entscheidungsumfangs, der Fehlleistungen und der wirtschaftlichen Nettoergebnisse im Betrieb.

Entscheidungsmechanismen: aussagekräftige Wahrscheinlichkeiten, unvollständiger wirtschaftlicher Umfang

Eine echte Kostenzielsetzung für verderbliche Waren

ShrinkAware kombiniert Verderbskosten, entgangene Verkäufe und Lagerhaltungskosten. Es unterscheidet zwischen Verkaufsflächen- und Hinterlagerbestand und lässt die Fehlmengenstrafe bereits einsetzen, bevor die Regale vollständig leer sind. Die Autoren erläutern außerdem, dass der Schätzaufwand der Empfindlichkeit der Entscheidung folgen sollte: Ein kleiner Fehler bei der Haltbarkeit wiegt bei manchen Produkten wesentlich schwerer als bei anderen. Afresh meldete nach der Einführung 2023 eine weitere Schwundreduzierung von 5–10 % gegenüber der vorherigen Regel. Der Artikel veröffentlicht weder die betrachtete Stichprobe von Einsätzen noch eine reproduzierbare Auswertung. 5

Dies ist ein stärkerer Ausgangspunkt, als die Prognosegenauigkeit zu optimieren und darauf zu hoffen, dass der resultierende Bestand rentabel ist. Einer schwach bestückten Präsentation Kosten zuzuordnen, belegt jedoch noch nicht die richtige Höhe dieser Kosten. Die Strafkosten können einen wirtschaftlich begründeten Nachfrageverlust abbilden oder eine Präferenz der Warenpräsentation, die Regale systematisch überfüllt. Die Entscheidungsqualität hängt davon ab, wie dieser Unterschied gemessen und fortlaufend berücksichtigt wird.

Bestandsunsicherheit und der Wert einer Zählung

Afreshs InvHMM-Artikel von 2024 modelliert den tatsächlichen Bestand als verborgene Größe und physische Zählungen als fehlerbehaftete Beobachtungen. Sein Partikelfilter führt alternative Bestandsverläufe über Verkäufe, Lieferungen, Schwund und Verfall fort und aktualisiert deren relative Plausibilität, sobald Zählergebnisse eintreffen. Afresh berichtet auf einer Teilmenge verlässlicher Messungen über einen um 10–40 % niedrigeren mittleren quadratischen Fehler als bei einer fortgeschriebenen Bestandsbuchhaltung. 6

Der nützliche Beitrag liegt in der Verbindung zur Handlung. Könnte eine Zählung die nächste Bestellung wesentlich verändern, hat sie einen Wert; führen alle plausiblen Bestände hingegen zu keiner Bestellung, bringt erneutes Zählen unmittelbar wenig. Stichprobenziehung allein ist ein grundlegendes numerisches Verfahren. Zu entscheiden, welche Unsicherheit eine Klärung lohnt, kann tatsächlich Filialarbeit einsparen. Die öffentliche Darstellung liefert dafür einen Mechanismus, während die gemeinsame Kalibrierung mehrerer Artikel und Beschaffungsereignisse weitgehend unerörtert bleibt. 6

Prognosevalidierung mit einem operativen Horizont

Afreshs Artikel zu Aktionsprognosen beschreibt ein Encoder-Decoder-Netzwerk, das Verkäufe, Preise, Filial- und Artikelkennungen, Präsentationsgrößen und Aktionsarten nutzt. Es bewertet die Nachfrage über drei Tage und verbindet diesen Horizont mit dem Bestellintervall und der Lieferverzögerung. Eine Ablationsstudie entfernt die Aktionsdaten; die daraus resultierende Verschlechterung wird anhand von Quantilverlust und Kalibrierung verglichen. Die berichtete Abdeckung von 77,5 % für eine Prognose des 80. Perzentils an einem Zeitpunkt nahe dem Aktionsbeginn ist ein Kalibrierungsergebnis und keine Aussage über eine Prognosegenauigkeit von 77,5 %. 9

Das ist erheblich aufschlussreicher als eine Schlagzeile mit nahezu perfekter Genauigkeit. Die gewählte Aggregation dient einem benannten Nachschubhorizont, und die Unsicherheit bleibt sichtbar. Die nächste wirtschaftliche Frage lautet, ob die bessere Prognose jene Bestellungen verändert, die noch rechtzeitig ausgeführt werden können, und wie viel Marge diese Änderungen sichern. Eine Prognoseverbesserung nach dem ersten Aktionstag kann für den späteren Nachschub wertvoll sein und zugleich für die anfängliche Warenzuteilung zu spät kommen.

Rezepturen verbinden Artikel; Abhängigkeiten bleiben entscheidend

Das Rezeptur-Lehrbeispiel von 2022 übersetzt die Nachfrage nach zubereiteten Produkten in den Bedarf an gemeinsam genutzten Zutaten. Es zieht Stichproben aus den Nachfrageverteilungen der Rezepturprodukte, wendet Umrechnungsfaktoren an und leitet ein Quantil für die Zutatenbestellung ab. Das Beispiel setzt ausdrücklich unabhängige Nachfragen sowie sofortigen Wareneingang und sofortige Zubereitung vor der Öffnung voraus. Substitution, schwankende Ausbeuten und Zutatenmangel bleiben Erweiterungsmöglichkeiten. 8

Eine gemeinsame Aktion kann die Nachfrage nach mehreren Rezepturen zugleich erhöhen; ein konkurrierendes Gericht kann Nachfrage abziehen. Unabhängige Ziehungen bilden den Randbereich des gemeinsamen Zutatenbedarfs falsch ab, wenn solche Beziehungen relevant sind. Mehr Stichproben können eine fehlende Abhängigkeit nicht reparieren. Das Lehrbeispiel macht diese Einschränkung ausdrücklich sichtbar.

Afreshs Rezepturdokumentation vom Oktober 2026 beschreibt inzwischen eine abteilungsübergreifende Zuordnung von Zutaten sowie filialspezifische Zutatenkennungen und Ausbeuten. Sie erkennt außerdem an, dass manuelle Korrekturen auf fehlenden Kontext im Modell hinweisen können. Dies ist ein praktischer Fortschritt bei der Pflege der Abbildung des Geschäfts. Die Dokumentation zeigt nicht, wie das aktuelle Produktionssystem die gemeinsame Unsicherheit von Nachfrage, Ausbeute und Beschaffung modelliert. 11

Der Einkauf für Distributionszentren erweitert den Entscheidungsumfang

Die Dokumentation für Distributionszentren vom Oktober 2026 nennt probabilistische Nachfrage, Lieferantenzuverlässigkeit bei Bestandspuffern, Abwägungen zwischen Fracht und Verderb, Kapitalgrenzen für Vorratskäufe sowie auf Ersatzprodukte übertragene Nachfrage. Routinebestellungen können automatisch übermittelt werden; Vorratskäufe benötigen die Zustimmung eines Einkäufers. 3

Offen bleibt, wie diese Aspekte zusammengeführt werden. Zuverlässigkeitsstatistiken und konfigurierbare Lieferzeiten können einen Puffer verbessern, ohne die Verteilung künftiger Liefertermine und -mengen abzubilden. Ein lokal rentabler Vorratskauf kann Kapazität oder Kapital beanspruchen, die anderswo besser eingesetzt wären. Die öffentliche Beschreibung legt weder das gemeinsame stochastische Modell noch das Verfahren zur Auswahl gekoppelter Maßnahmen offen. Ein solches Modell muss zudem korrekt bleiben, wenn Lieferantenpraktiken, Geschäftsbedingungen und Filialverhalten sich ändern. Dieser Pflegeaufwand steht im Mittelpunkt der Holimization; er ist kein Implementierungsdetail, das verschwindet, sobald ein Solver eine Antwort liefert.

Konfigurationspflege, Produktivität und Verantwortung

Wer verantwortet die Annahmen, die den Ertrag vernichten?

Ein Artikel von Afreshs VP of Account Management vom Oktober 2026 beschreibt enttäuschende Schwundwerte trotz scheinbar guter Bestellkennzahlen der Filialen. Ein Beispiel führt die Verluste auf ein Distributionszentrum zurück, das zu viel einkauft und Ware mit kurzer Resthaltbarkeit weitergibt. Ein anderes nennt eine Präsentation, die zwei Kisten Blutorangen erfordert, während der Wochenabsatz ein Zehntel einer Kiste beträgt. Der Artikel argumentiert, ein Bestellsystem, das diese Präsentation auffüllt, tue genau das, was von ihm verlangt wurde. 10

Dieses letzte Argument offenbart eine schwache wirtschaftliche Abgrenzung. Die Präsentation entspricht ungefähr zwanzig Wochen Nachfrage, noch bevor die Frische berücksichtigt wird. Ein System, das mit Abfallvermeidung verkauft wird, sollte diesen Widerspruch in eine konkrete Handlungsanforderung übersetzen und die Verantwortung für eine Änderung der Präsentation zuweisen. Eine verlustbringende Anweisung erfolgreich zu erfüllen, ist keine erfolgreiche Optimierung.

Der Autor erklärt, dass gemeldete Systemfehler seiner Beratungserfahrung nach fast immer auf nicht aufeinander abgestimmte Menschen und Prozesse zurückzuführen gewesen seien. Das Präsentationsbeispiel zeigt die Grenze dieser Unterscheidung: Die Software akzeptiert eine Vorgabe zur Warenpräsentation, die vorhersehbar Abfall erzeugt. Wirtschaftliche Verantwortung muss das Erkennen und Korrigieren solcher Eingaben einschließen, einschließlich der Frage, wer handeln muss, wenn die Anwendung sie nicht ändern kann. 10

Afreshs Artikel zur Rezepturzuordnung vertritt eine bessere Haltung: Wiederholte manuelle Korrekturen können auf fehlenden Modellkontext hinweisen. Auch die aktuelle Stelle für kundennahe Entwicklungsarbeit weist den Entwicklern die Verantwortung zu, das tatsächliche Kundenproblem zu ermitteln, die Lösung zu bauen und Ergebnisse wie eingesparte Stunden und vermiedene Abfälle zu messen. Das sind konstruktive Verpflichtungen zur Modellpflege. Die Stellenanzeige beschreibt eine Arbeitsweise, belegt aber weder eine vertragliche Risikoteilung noch geprüfte Projektrenditen. 11 19

Welche Arbeit entfällt und welche bleibt

Afreshs Seite zur Filialbestellung wirbt mit einer um 40–50 % schnelleren Bestellung und beschreibt geführte Zählungen und Bestellprüfungen. Empfehlungen können außerdem über eine Backend-API in eine vorhandene Händleroberfläche eingebunden werden. Der relevante Produktivitätsgewinn besteht in weniger Berechnungen und gezielteren Beobachtungen; der zentrale Filialprozess umfasst weiterhin das Urteil der Mitarbeiter und die physische Prüfung. 1

Production Planning verknüpft Zutaten und fertige Waren und plant die Zubereitung innerhalb des Tages. Mitarbeiter prüfen vor der Produktion die Bestandsschätzungen. Konfigurierbare Mindestmengen bleiben verbindlich, und das Produkt erfasst die Ausführung, manuelle Korrekturen und die Einhaltung der Vorgaben. 2 Die Unterscheidung zwischen notwendiger physischer und vermeidbarer Planungsarbeit ist wesentlich: Obst zu schneiden erfordert Arbeit; wiederholt Mengen zu korrigieren, die ein Modell berechnen könnte, ist dagegen ein fortlaufender Softwarekostenfaktor.

Die Fallstudie von Fresh Thyme beschreibt die Ablösung papierbasierter Produktionsplanung in einem Unternehmen mit 70 Filialen. Sie berichtet über einen Anstieg der Vorgabentreue von ungefähr 40 % auf 90 %, 70 % mehr Umsatz mit Grillhähnchen gegenüber dem Vorjahr und 8,8 % Umsatzwachstum im Feinkostbereich. Zudem beschreibt sie, wie die Unternehmenszentrale die gewonnene Transparenz zur Anleitung der Filialen nutzt. Diese Zahlen zeigen eine operative Veränderung; sie nennen jedoch weder den zusätzlichen Arbeitsaufwand noch Abfälle, Marge oder Einführungskosten, die zur Berechnung des Nettoertrags nötig wären. 15

Heinen’s liefert ein anderes, enger gefasstes Beispiel: das Ersetzen preisbasierter Zählungen zum Periodenende durch artikelbezogenes Scannen. Der CFO erklärt, die Zählung dauere nun vier Stunden; die veröffentlichte Darstellung nennt jedoch keine zahlenmäßige Dauer des früheren Verfahrens. Die bessere Artikelidentifikation ist greifbar; eine prozentuale Arbeitsersparnis lässt sich daraus nicht berechnen. 16

Diese Gewinne sollten am gesamten wiederkehrenden Arbeitsaufwand gemessen werden: Rezepturen und Ausbeuten pflegen, Mindestbestände für die Präsentation überprüfen, Datenzuführungen korrigieren, Ausnahmen untersuchen, zählen und die Einhaltung überwachen. Eine schnellere Filialoberfläche ist nützlich. Ein dauerhafter Produktivitätsvorteil verlangt, dass der gesamte Entscheidungsaufwand je Filiale oder Einkaufsarbeitsplatz sinkt, ohne dass gleichwertige Arbeit in einem zentralen Supportteam entsteht.

Softwarekomponenten und Sicherheit

Aktuelle Stellenanzeigen und Partnerschaftsangaben zeigen eine weitgehend kohärente Plattformausrichtung. Die Backend-Stelle im Bereich Ordering nennt Python, JavaScript, TypeScript, React Native, Databricks und GraphQL ausdrücklich als Afreshs Technologie-Stack; Azure erscheint bei den geforderten Erfahrungen. Die Stelle für kundennahe Entwicklungsarbeit erklärt, dass das Team Databricks und Azure mit PySpark und dbt betreibt. Es handelt sich um aktuelle, undatierte Stellenanzeigen, die für diese Bewertung abgerufen wurden. 18 19

Komponente oder Systemgrenze	Beleg	Konsequenz
Bestellanwendungen und Dienste	Genannte Programmiersprachen, React Native und GraphQL in der Ordering-Stellenanzeige	Mobiler Code und Dienstecode müssen sich bei Prozessänderungen gemeinsam weiterentwickeln.
Datenengineering	Databricks, Azure, PySpark und dbt in der kundennahen Entwicklungsarbeit	Verarbeitung, Orchestrierung, Datentransformationen und deren Betriebskosten bleiben Teil der Leistungserbringung.
Kundendatenaustausch	Databricks Open Sharing, früher Delta Sharing	Kann doppelte Integrationsarbeit für Händler reduzieren, die die Plattform bereits nutzen.
Operative Integration	Empfehlungs-API und Anbindungen an Einkaufssysteme	Die Ausführung hängt weiterhin von gepflegten Zuordnungen und Händlersystemen ab.

Die Databricks-Ankündigung vom Oktober 2026 beschreibt den Zugriff auf Kundendaten in einer vorhandenen, kontrollierten Umgebung und die Rückgabe standardisierter Daten. Das ist eine nützliche Integrationslösung. Der Name der Partnerschaft liefert keinen unabhängigen Beleg dafür, dass das Bestellmodell besser, günstiger zu betreiben oder leichter zu pflegen ist. Dafür sind Messungen zu doppelter Datenhaltung, Verarbeitung, Integrationsaufwand und laufender Entwicklungszeit erforderlich. 17

Afreshs Dokumentation für Distributionszentren nennt SSO, SCIM, Zugriffskontrollen, Verschlüsselung und Datenvernichtung bei Vertragsende. Die öffentliche Beschreibung erklärt jedoch nicht die Mandantentrennung, die Reichweite kompromittierter Dienstzugangsdaten, Einschränkungen des Supportzugriffs oder die Wiederherstellung nach zerstörerischen Änderungen. 3 Diese Mechanismen sind erforderlich, um Sicherheit durch Systemgestaltung beurteilen zu können. Ein Compliance-Status beantwortet diese technischen Fragen nicht.

Die Entwicklungsstellen lassen außerdem die Berechtigungen von Produktionscode und privilegierten Vorgängen offen. Ihr Zugriff auf die von Afresh betriebenen und mit Kunden verbundenen Umgebungen benötigt eine durchsetzbare Grenze, einschließlich Beschränkungen für Zugangsdaten, Abhängigkeiten und Netzwerkzugriffe.

Supply-Chain-Bewertung

Die Gesamtnote ist der gleichgewichtete Mittelwert der folgenden 25 Teilnoten. Bewertet werden die am 4. November 2026 verfügbaren öffentlichen Belege.

Fachliche Tiefe der Supply Chain

Kriterium	Note
Wirtschaftliche Ausrichtung	7/10
Umsetzung der Entscheidungen	8/10
Begriffliche Klarheit zur Supply Chain	8/10
Unabhängigkeit von überholten Lehrsätzen	5/10
Robustheit gegenüber irreführenden Kennzahlen	4/10

Durchschnitt: 6,4/10.

Wirtschaftliche Ausrichtung — 7/10. Die veröffentlichte Zielfunktion für Bestellungen verderblicher Waren verknüpft Mengen mit Kosten. Die Schwäche liegt in kaufmännisch vorgegebenen Einstellungen, die diese Wirtschaftlichkeit überlagern können, ohne vom Entscheidungssystem korrigiert zu werden. 5 10

Umsetzung der Entscheidungen — 8/10. Filialbestellungen, Zubereitungsmengen und Einkaufsbestellungen sind konkrete Ergebnisse. Die Integration in Einkaufssysteme verschafft dem Produkt für Distributionszentren einen Ausführungspfad über Empfehlungen und Berichte hinaus. 1 2 3

Begriffliche Klarheit zur Supply Chain — 8/10. Afresh erklärt Verderblichkeit, ungenaue Bestände, Zutatenumwandlungen und den Unterschied zwischen einer guten Prognose und einer guten Bestellung. Diese Mechanismen erfassen das physische Geschäft mit einem nützlichen Detaillierungsgrad. 6 7 11

Unabhängigkeit von überholten Lehrsätzen — 5/10. Wahrscheinlichkeitsverteilungen verbessern statische Planungspuffer, doch Servicepräferenzen und Mindestbestände der Warenpräsentation prägen das Ergebnis weiterhin. Die wirtschaftliche Berechtigung solcher Einstellungen kann nicht auf Dauer an die Pflege von Vorgaben ausgelagert werden. 2 5

Robustheit gegenüber irreführenden Kennzahlen — 4/10. Die technischen Artikel unterscheiden Kalibrierung, Fehler und Entscheidungskosten. Kommerzielle Fallstudien betonen Umsatz und Vorgabentreue, ohne eine vollständige Ertragsrechnung zu veröffentlichen. Dadurch können erfolgreiche Zwischenkennzahlen an die Stelle der Rentabilität treten. 9 15

Substanz von Entscheidungen und Optimierung

Kriterium	Note
Tiefe der probabilistischen Modellierung	7/10
Eigenständige Substanz von Optimierung oder maschinellem Lernen	7/10
Berücksichtigung realer Einschränkungen	8/10
Entscheidungsautomatisierung und Arbeitsproduktivität	6/10
Widerstandsfähigkeit gegenüber realer betrieblicher Komplexität	6/10

Durchschnitt: 6,8/10.

Tiefe der probabilistischen Modellierung — 7/10. Für Nachfrageverteilungen und unsichere Bestandsschätzungen sind Mechanismen und Validierung offengelegt. Weniger vollständig sind die Belege für gemeinsam unsichere Lieferungen, Ausbeuten, Substitution und die gemeinsame Nutzung von Ressourcen. 6 8 9

Eigenständige Substanz von Optimierung oder maschinellem Lernen — 7/10. ShrinkAware und das Bestandsmodell behandeln konkrete Schwächen allgemeiner Nachschubverfahren. Ihr Beitrag liegt in der Formulierung und der operativen Nutzung, nicht in der Neuartigkeit von Stichprobenverfahren oder neuronalen Netzen. 5 6

Berücksichtigung realer Einschränkungen — 8/10. Rezepturzuordnung, Frische, Zubereitungsschritte und Einkaufseinschränkungen werden ausdrücklich behandelt. Die verbleibende Sorge betrifft das Zusammenwirken dieser Einschränkungen im Netzwerk, nicht einen Mangel an fachlichen Details. 2 3 11

Entscheidungsautomatisierung und Arbeitsproduktivität — 6/10. Mengenempfehlungen und automatisierte Routinebeschaffung sparen Arbeit. Geführte Filialprüfungen, Ausnahmebehandlung und die Überwachung der Vorgabentreue bleiben beträchtlich, und die Kundenfälle messen nicht den gesamten fortlaufenden Aufwand. 1 3 15

Widerstandsfähigkeit gegenüber realer betrieblicher Komplexität — 6/10. Afresh verbindet wiederkehrende manuelle Korrekturen mit fehlendem Rezepturkontext und beschreibt die Korrektur von Zutatenzuordnungen und Ausbeuten. Die kundennahen Entwickler überführen operative Probleme in Pilotprojekte und wiederverwendbare Plattformänderungen. Dies bietet konkrete Wege, das Entscheidungsmodell zu überarbeiten. Historische Wiederholungsprüfungen, wirtschaftliche Abnahmetests und die kontrollierte Freigabe solcher Änderungen bleiben unzureichend dokumentiert. (11, 19)

Integrität von Produkt und Architektur

Kriterium	Note
Architektonische Kohärenz	6/10
Klarheit der Systemgrenzen	6/10
Ernsthaftigkeit der Sicherheit	3/10
Softwareökonomie und Gesamtbetriebskosten	4/10
Eignung für programmatische und agentengestützte Abläufe	6/10

Durchschnitt: 5,0/10.

Architektonische Kohärenz — 6/10. Bestellung und Produktion nutzen gemeinsame Zutaten- und Prognosedaten, und der offengelegte Technologie-Stack lässt eine erkennbare Plattformausrichtung erkennen. Die öffentlichen Informationen zeigen nur begrenzt, wie die neuesten Einkaufs- und Agentenfunktionen diese Architektur mitnutzen. 2 18 19

Klarheit der Systemgrenzen — 6/10. Die operativen Schnittstellen und Mitarbeiterabläufe sind verständlich. Weniger klar ist die wirtschaftliche Verantwortung, wenn eine Bestellung einer konfigurierten Regel folgt, die vorhersehbar Abfall erzeugt. 1 3 10

Ernsthaftigkeit der Sicherheit — 3/10. Authentifizierungs- und Zugriffskontrollfunktionen werden aufgelistet. Die Begrenzung von Vorfällen, privilegierte Zugriffe, die Wiederherstellung nach zerstörerischen Fehlern und die Folgen einer kompromittierten Integration werden nicht in vergleichbarer Tiefe erklärt. 3

Softwareökonomie und Gesamtbetriebskosten — 4/10. Die Datenplattform, Anwendungsdienste und kundenspezifische Entwicklungsarbeit verursachen laufende Betriebskosten. Weder der Hosting-Verbrauch noch der fortlaufende Konfigurationsaufwand werden beziffert. 17 18 19

Eignung für programmatische und agentengestützte Abläufe — 6/10. APIs und die automatische Bestellübermittlung ermöglichen maschinelle Ausführung. Das Agentenversprechen ist nur insoweit glaubwürdig, wie es Entscheidungsarbeit beseitigt und zugleich die Kontrolle über wirtschaftliche Annahmen erhält; seine angekündigte Breite übersteigt die veröffentlichten Implementierungsdetails. 1 3 14

Technische Transparenz

Kriterium	Note
Öffentliche technische Dokumentation	7/10
Prüfbarkeit ohne Mitwirkung des Anbieters	6/10
Transparenz zu Portabilität und Anbieterbindung	4/10
Transparenz der Einführungsmethode	6/10
Belegdichte hinter technischen Aussagen	5/10

Durchschnitt: 5,6/10.

Öffentliche technische Dokumentation — 7/10. Die technischen Artikel beschreiben Ziele, Annahmen, Modelle und Bewertungsmaße für Unternehmensplanungssoftware ungewöhnlich detailliert. Die entsprechende Offenlegung zum neueren Produktumfang ist eher funktional als mathematisch. 5 6 9 3

Prüfbarkeit ohne Mitwirkung des Anbieters — 6/10. Leser können aussagekräftige Mechanismen und Lehrbeispielcode ohne Vorführung untersuchen. Sie können weder die berichteten Produktionsverbesserungen reproduzieren noch die vollständige eingesetzte Entscheidungslogik prüfen. 7 5

Transparenz zu Portabilität und Anbieterbindung — 4/10. Datenaustausch und eine Empfehlungs-API reduzieren die Abhängigkeit von der Oberfläche. Sie erklären nicht, wie ein Händler erlerntes Verhalten exportieren, Regelentscheidungen rekonstruieren oder das Modell ersetzen könnte, ohne seinen Entscheidungsprozess neu aufzubauen. 1 17

Transparenz der Einführungsmethode — 6/10. Produktdokumentation und Entwicklerrekrutierung machen Datenarbeit, Einführung und fortlaufende Kundenbetreuung sichtbar. Das hilft, den Arbeitsumfang zu erkennen, belegt aber weder vorhersehbare Kosten noch, wer diese bei geänderten Annahmen trägt. 2 19

Belegdichte hinter technischen Aussagen — 5/10. Komponentenbezogene Bewertungen und benannte Einsätze stützen die Kernaussagen zu Frischeabteilungen. Weitergehende wirtschaftliche Ergebnisse und die neuesten Plattformerweiterungen beruhen stärker auf Zusammenfassungen des Anbieters und Einführungsankündigungen. 6 9 13 14

Seriosität des Anbieters

Kriterium	Note
Technische Seriosität der öffentlichen Kommunikation	6/10
Integrität der technologischen Roadmap	7/10
Begriffliche Klarheit	7/10
Wirtschaftliche Verantwortung	4/10
Behauptungsfähigkeit in einer Welt agentischer Software	6/10

Durchschnitt: 6,0/10.

Technische Seriosität der öffentlichen Kommunikation — 6/10. Entwickler unterscheiden veranschaulichende Modelle vom Produktivbetrieb und erklären relevante Einschränkungen. Breite KI- und Margenversprechen werden in kommerziellen Unterlagen weniger präzise behandelt. 7 8 12 14

Integrität der technologischen Roadmap — 7/10. Die datierte Abfolge zeigt anhaltende Arbeit an denselben Frischeproblemen, gefolgt von verwandten Produkterweiterungen. Das jüngste Agentenmarketing erhöht die Anforderungen, eine gleichwertige Kontinuität auch bei den neuen Funktionen nachzuweisen. 5 6 7 14

Begriffliche Klarheit — 7/10. Afresh versteht, dass Bestandsbeobachtungen, Haltbarkeit und Umwandlungen zum Entscheidungsproblem gehören. Weniger überzeugend ist der Umgang mit präsentationsbedingten Verlusten, weil eine unwirtschaftliche Anweisung als Grenze der Softwareverantwortung akzeptiert wird. 6 10 11

Wirtschaftliche Verantwortung — 4/10. Kundenbeispiele machen den Nutzen plausibel, und die kundennahe Entwicklungsarbeit betont gemessene Ergebnisse. Die öffentliche Darstellung lässt dennoch die vollständige Projektwirtschaftlichkeit aus und bietet Raum, ungünstige Ergebnisse den umgebenden Abläufen zuzuschreiben. 10 15 19

Behauptungsfähigkeit in einer Welt agentischer Software — 6/10. Fachwissen zu verderblichen Beständen und entscheidungsrelevante Datenmodellierung können wertvoll bleiben, wenn Oberflächen leichter zu bauen sind. Der dauerhafte Vorteil muss in verlässlichen, gepflegten wirtschaftlichen Entscheidungen liegen, nicht in einem Assistenten, der einem Einkäufer eine weitere Aufgabenliste präsentiert. 6 11 14