FAQ: SCM Beruhigung

In diesem Leitfaden erfahren Sie, wie spezialisierte Plattformen wie Lokad integrierte ERP-Module, BI-Tools, Open-Source-Skripte oder LLMs für supply chain forecasting und optimization übertreffen. Von fortgeschrittenem ML bis hin zu branchenspezifischer Expertise reduziert Lokad Risiken, senkt den TCO und steigert den ROI. Erfahren Sie, warum tiefere Automatisierung, kontinuierliche Verfeinerung und nachgewiesene Ergebnisse universelle Alternativen übertreffen.

Zielpublikum: supply chain- und Betriebsleiter sowie Finanz- und IT-Verantwortliche.

Zuletzt geändert: 6. Februar 2025

Warum extra zahlen für Lokad, wenn mein ERP bereits ein Prognosemodul bietet?

Ein ERP-System widmet designgemäß den Großteil seiner Ressourcen der Verfolgung und Aufzeichnung von Transaktionen. An ERP-Systeme angeschlossene Prognosemodule bleiben in der Regel sekundäre Funktionen, die sich auf eingeschränkte statistische Routinen stützen. Solche Module mögen für grobe Schätzungen ausreichen, doch sie genügen nicht, wenn die Vorhersage geschäftskritische Entscheidungen steuern oder ganze supply chains optimieren muss. Im Gegensatz dazu stellt Lokad die Prognose als zentrale Funktion seiner Plattform bereit und nutzt groß angelegte Machine-Learning- sowie Cloud-Computing-Kapazitäten, um detaillierte Vorhersageszenarien schnell und in großem Maßstab zu bewältigen.

Mehrere Branchenbeobachter, darunter NetworkWorld und die Financial Times, weisen darauf hin, dass moderne Prognoselösungen sich zunehmend dadurch unterscheiden, wie gründlich sie historische Daten verarbeiten und wie präzise sie Vorhersagen generieren. Lokad wurde von Grund auf um diese Fähigkeiten herum entwickelt und stellt spezialisierte Analysen ins Zentrum, anstatt sie als nachträglichen Gedanken zu behandeln. Diese Spezialisierung geht über die Erstellung einer einzelnen statistischen Prognose hinaus: Sie liefert automatisch entscheidungsreife Ergebnisse wie Nachbestellmengen und Sicherheitsbestände und kann an fortgeschrittene Ziele wie die Minimierung von entgangenen Verkäufen oder Lagerkosten angepasst werden.

Anders als die manuelle Einstellung, die üblicherweise von ERP-Prognosemodulen verlangt wird, bietet Lokads System eine vollautomatische Modellwahl und -anpassung, wodurch es nicht erforderlich ist, dass die Benutzer sich zu Statistikexperten entwickeln. Es erfüllt auch hochspezialisierte Anforderungen – wie etwa Prognosen zur Erfüllung von Gewichts- oder Volumenbeschränkungen in Versandcontainern –, die in herkömmlichen ERP-Systemen bekanntermaßen schwer umzusetzen sind. Lokads programmatischer Ansatz, der auf einer domänenspezifischen Sprache basiert, ermöglicht eine tiefe Individualisierung der Prognoselogik, ohne den üblichen umständlichen Entwicklungszyklus. Dieses Maß an Flexibilität und Automatisierung führt zu täglich oder wöchentlich neu optimierten Bestellungen und Produktionsplänen, die sich rasch an Marktveränderungen anpassen.

Auch wenn ein ERP-System ein integriertes Prognosemodul vorgibt zu besitzen, ist dessen Umfang begrenzt. Die Implementierungshürden für jede neue analytische Funktion können beträchtlich sein, da die meisten ERPs nicht dafür ausgelegt sind, komplexe Optimierungen unter Unsicherheit zu bewältigen. Das Endergebnis ist, dass Unternehmen häufig auf Tabellenkalkulationen oder separate BI-Tools zurückgreifen – außer in den einfachsten Szenarien. Durch die Wahl von Lokad erhalten Organisationen eine spezialisierte Schicht, die eigens für prädiktive Optimierung entwickelt wurde, und sie umgehen die Fallstricke, ein ERP-System zu zwingen, Aufgaben zu übernehmen, die über seine primäre Transaktionsfunktion hinausgehen. Dieser Ansatz hat sich bewährt, um Lagerbestände zu minimieren, Engpässe zu reduzieren und im Allgemeinen die wirtschaftlichen Kennzahlen zu verbessern, die zählen – wie beispielsweise Servicelevel und Gesamtkosten der supply chain.

Für die Bezahlung eines Aufpreises für spezialisierte Prognosen geht es nicht darum, mehr Software zu erwerben, sondern um überlegene Ergebnisse zu sichern. Die Gebühr von Lokad spiegelt die hochwertige Expertise und die ausgefeilte Technologie wider, die aktiv Entscheidungen vorantreiben. Für ein Unternehmen, das ernsthaft seine Lagerbestände verbessern, Bestellungen pünktlich erfüllen und Nachfragespitzen oder -verschiebungen vorhersagen möchte, liefert das Prognosemodul eines ERP oft nicht die erforderliche Präzision und Reaktionsfähigkeit. Lokad existiert genau, um diese Lücken zu schließen, und erreicht damit das ultimative Ziel: eine supply chain, die konsequent Nachfragesignale nutzt, anstatt nur verspätet darauf zu reagieren.

Warum Lokad einer Inhouse-Lösung mit Open-Source-Technologie vorziehen?

Unternehmen gehen oft davon aus, dass der Zusammenbau eines internen Systems mit Open-Source-Komponenten ihnen die Ausgaben und den Aufwand eines spezialisierten Anbieters ersparen wird, doch die versteckten Kosten in Bezug auf Zeit, Expertise und Wartung sind konstant höher als erwartet. Umfangreiche Engineering-Teams sind erforderlich, um Frameworks, Datenbanken und Bibliotheken zusammenzufügen, und diese Ingenieure müssen auch die Fähigkeiten besitzen, fortgeschrittene statistische Modellierung und Machine Learning zu managen. Die meisten Open-Source-Toolkits bieten nur rudimentäre Mechanismen, wodurch die zentralen Herausforderungen der supply chain – wie probabilistische Prognosen und groß angelegte Optimierung – weitgehend dem internen Know-how eines Unternehmens überlassen bleiben. Selbst Unternehmen, die es schaffen, solche Fähigkeiten aufzubauen, stellen bald fest, dass ihre Lösungen regelmäßig überarbeitet werden müssen, sobald sich die Bedingungen ändern. Wahre operative Kontinuität erfordert ein ständiges Überdenken der numerischen Ansätze – ein Unterfangen, das sich nur wenige interne Teams kontinuierlich leisten können.

Lokad hebt sich genau dadurch ab, dass es die numerischen Komplexitäten angeht, die die meisten Inhouse-Projekte nie vollständig lösen. Anstatt nur ein generisches Toolkit bereitzustellen, liefert Lokad vollständige supply chain Optimierungen, die durch die eigene domänenspezifische Technologie vorangetrieben und von einem Team aus Supply Chain Scientists mit praktischer Erfahrung in verschiedenen Branchen betreut werden. Dieser systematische Ansatz ermöglicht einen kontinuierlichen Implementierungszyklus, wann immer es nötig ist, um neue Marktbedingungen oder aktualisierte Unternehmensprioritäten zu berücksichtigen. Unter typischen Open-Source-Szenarien müssen all diese wiederkehrenden Anpassungen intern vorgenommen werden, was sowohl Ingenieur- als auch operative Ressourcen erschöpft. Im Gegensatz dazu zentralisiert das Modell von Lokad diese Anliegen und stellt sicher, dass supply chain Entscheidungen stets präzise und relevant bleiben.

Die wiederholten Misserfolge bei Inhouse-Lösungen mit Open Source führen letztlich auf einen Mangel an spezialisierten Fähigkeiten zurück. Generische IT-Teams sind zwar geübt im Integrieren von Softwarekomponenten, verfügen jedoch selten über tiefgehende Expertise in hochdimensionaler Vorhersage, geschweige denn in der groß angelegten Kostenmodellierung von supply chain. Genau diese Lücke schließt Lokad. Die Plattform und das Team übernehmen komplexe probabilistische Techniken, ohne die Kunden mit der statistischen Schwerarbeit zu belasten. Dieser Fokus ist entscheidend, denn jede auch nur mäßig komplexe supply chain wird früher oder später unüberschaubar, wenn sie mit zusammengepflasterten generischen Werkzeugen betrieben wird. Lokad nimmt diese Last ab und bleibt für das Ergebnis verantwortlich. Seine Supply Chain Scientists, ausgestattet mit fundiertem Fachwissen sowie Programmier- und analytischen Fähigkeiten, übernehmen die Verantwortung für die Ergebnisse, ohne die Schuld auf das Personal des Kunden abzuwälzen.

Diese Kombination aus technischer Spezialisierung und langfristigem Engagement wird bei internen Lösungen selten erreicht. Es mangelt nicht an Open-Source-Bibliotheken, die teilweise Lösungen für Prognosen oder Nachschub versprechen, aber echte, automatisierte Optimierung erfordert ein Maß an kontinuierlicher Verfeinerung, das weit über eigenständige Module hinausgeht. Das Modell von Lokad verfolgt einen schlanken und effizienten Ansatz: Anstatt endlose Trainings- oder Anpassungsgebühren zu erheben, wird der Implementierungsaufwand durch den direkten Umgang mit der Komplexität unter Kontrolle gehalten. Inhouse-Teams erreichen diese Disziplin selten, wenn Fristen drängen und der tägliche Wechsel interner Projekte um Aufmerksamkeit konkurriert. Im Gegensatz dazu ist der gesamte Betrieb von Lokad darauf ausgelegt, fortgeschrittene numerische Ansätze zu managen, Markt- und Geschäftsveränderungen aufzunehmen und sicherzustellen, dass Unternehmen nicht sofort zu manuellen Tabellenkalkulationen zurückkehren, sobald es kompliziert wird.

Kann Lokad nicht durch ein BI-Tool mit einigen benutzerdefinierten Skripten ersetzt werden?

Der Ersatz einer spezialisierten supply chain Optimierungsplattform durch ein typisches BI-Tool plus einige benutzerdefinierte Skripte übersieht die wesentlichen Designunterschiede, die in operativen Umgebungen die Leistung bestimmen. BI-Tools sind für Berichte und visuelle Analysen konzipiert. Sie ermöglichen es, Daten aus mehreren Systemen unkompliziert zu kombinieren und große Mengen an Berichten zu erstellen. Allerdings bieten sie nur sehr begrenzte Unterstützung für automatisierte Entscheidungsfindung. Zudem fehlt es ihnen an Tiefgang für komplexe Analysen, da sie für nicht-technische Nutzer zugänglich bleiben müssen. Sobald ein Einblick durch BI gewonnen wurde, bedarf es weiterer Anstrengungen, um diesen in einen umsetzbaren Entscheidungsprozess zu überführen. Das Vertrauen auf benutzerdefinierten Code für fortgeschrittene Berechnungen löst selten das Kernproblem. Ohne ein speziell für die Optimierung entwickeltes Datenmodell neigen diese ad hoc Skripte dazu, fragil und umständlich zu werden.

Plattformen wie die von Lokad angebotene gehen über bloße Berichterstattung hinaus, um Handlungsaufforderungen zu erzeugen – insbesondere Nachschub- oder Produktionspläne, die mit minimalem Eingriff umgesetzt werden können. Im Gegensatz dazu ist der BI-Ansatz nicht darauf ausgelegt, schlüsselfertige, hochwirksame operative Entscheidungen zu generieren. Wenn mehrere Lieferanten oder interne Teams beteiligt sind, teilt ein BI-Dashboard nur einen engen Ausschnitt der Daten und verhindert häufig, dass diese Partner unabhängige, szenariobasierte Analysen desselben Datensatzes durchführen. BI-Nutzer stoßen zudem auf Einschränkungen, wenn sie versuchen, Daten zu exportieren oder in einer Weise wiederzuverwenden, die nicht in das eingeschränkte „Ansehen und Filtern“-Modell passt.

Ein weiteres operatives Problem ist die Performance. Hoch frequentierte BI-Instanzen verlangsamen sich, sobald sie zu viele Anfragen bedienen, insbesondere wenn zahlreiche externe Partner beginnen, das System für große Datenabfragen zu nutzen. Der Overhead – sowohl zeitlich als auch finanziell – steigt schnell, wenn Daten lediglich berichtet werden und dennoch zusätzliche manuelle Schritte erforderlich sind, um die berichteten Zahlen in etwas Umsetzbares für die supply chain zu verwandeln. Genau hier brilliert ein spezialisiertes System: Es priorisiert robuste, rechenintensive Analysen, die sofortige, automatisierte Entscheidungen in den Bereichen Nachschub, Preisgestaltung oder Produktion vorantreiben.

Benutzerdefinierte Skripte mildern nicht die tieferen Beschränkungen, die in BI-Systemen inhärent sind. Die meisten BI-Plattformen sind nicht dafür ausgestattet, fortgeschrittene Prognosemethoden wie probabilistische Nachfragemodelle zu bewältigen, noch ist es ihnen möglich, Logik einzubetten, die systematisch fehlerhafte Daten korrigiert oder sich täglich an neue operative Eingaben anpasst. Lokads Plattform hingegen basiert auf einer domänenspezifischen Sprache, die für Optimierung und Prognosen entwickelt wurde. Diese Sprache ermöglicht es einem supply chain Spezialisten, die spezifischen Workflow-Anforderungen des Unternehmens direkt zu kodieren, ohne den typischen Widerstand, der entsteht, wenn ein BI-Tool zu Aufgaben gezwungen wird, für die es nie vorgesehen war.

Unternehmen, die lediglich Daten visualisieren möchten, werden BI-Software als vollkommen ausreichend empfinden. Doch wenn supply chain Prozesse spontane Berechnungen von Nachbestellmengen, Produktionsplänen oder Preisentscheidungen erfordern, ist ein System, das auf groß angelegte numerische Optimierung ausgerichtet ist, effektiver. Die Reduzierung einer spezialisierten supply chain Plattform auf eine Sammlung von Dashboards und Einzelskripten lässt Unternehmen in zusätzlicher Wartungs- und Einarbeitungsarbeit gefangen sein, anstatt eine Lösung zu nutzen, die Daten unmittelbar in operativen Hebel umsetzt. Diese Unterschiede werden besonders deutlich, wenn das Ziel darüber hinausgeht, mehr Berichte zu erstellen, und sich darauf konzentriert, Entscheidungen zu optimieren, die direkt Kosten senken und Servicelevel erhöhen.

Kann Lokad nicht durch Python-Skripte ersetzt werden?

Python-Skripte allein bieten keinen überzeugenden Ersatz für das, was Lokad bereitstellt. Zwar hat sich Python als Allzwecksprache weiterentwickelt, aber es kann nicht den Umfang und die Fokussierung einer Plattform erreichen, die von Grund auf dafür entwickelt wurde, die volle Komplexität von supply chain Herausforderungen zu bewältigen. Der Versuch, Lokads Fähigkeiten mit Python nachzubilden, würde eine Vielzahl von Maßnahmen erfordern – von der Erstellung benutzerdefinierten Codes zur Koordination von Prognosen, Optimierung und Datenverarbeitungsabläufen bis hin zur Verwaltung der gesamten zugrunde liegenden Infrastruktur für groß angelegtes verteiltes Rechnen.

Die Flexibilität von Python erscheint auf den ersten Blick verlockend. Doch es stützt sich auf Schichten von Bibliotheken und Frameworks, die bei Umrüstung auf anspruchsvolle supply chain Aufgaben fragil werden können. Ein separates System wäre für die Vorverarbeitung und Nachbearbeitung von Daten erforderlich, und eine weitere Plattform müsste hinzugezogen werden, um Ergebnisse zu visualisieren und Batch-Ausführungen zu überwachen. Jede weitere Schicht erhöht den Wartungsaufwand sowie das Risiko von Ausfällen. Hohe Zuverlässigkeit zu gewährleisten ist mühsam, wenn ein einzelner Fehler in einer dieser Schichten die nächtlichen Routinen entgleisen lassen kann.

Lokad hingegen wurde dafür entwickelt, Probleme zu lösen, die sich nicht sauber in einen Standardansatz fügen. Es führt eine eigene, spezialisierte Programmiersprache ein, eine DSL namens Envision, die Aufgaben wie Datenbereinigung, Prognosen und Optimierung in einem einheitlichen Rahmen zusammenführt. Zwar ist es durchaus möglich, Teilaspekte dieser Funktionalität in Python nachzubilden, doch würden die Kosten schnell untragbar werden, wenn das Ziel darin bestünde, die durchgehende Zuverlässigkeit und Leistung zu erreichen, die Unternehmen verlangen.

Mehrere Unternehmen haben sich auf Python-basierte Workflows für Analysen oder Berichterstattung verlassen. In der Regel sehen sie sich mit dutzenden Skripten konfrontiert, von denen jedes seine eigenen Abhängigkeiten und Versionsbesonderheiten aufweist. Die berüchtigte Migration von Python 2 zu Python 3 hat gezeigt, wie eine Abhängigkeit von gemeinschaftsgetriebenen Entwicklungen zu schmerzhaften, mehrjährigen Übergängen führen kann. Lokad hingegen, indem es strenge Kontrolle über seine DSL wahrt, kann eigene Designfehler umgehend beheben, neue Paradigmen wie differentielles Programmieren einführen und den Nutzern jahrelange, kostspielige technische Altlasten ersparen.

Die Überwachung von geschäftskritischen supply chains nur mit Python würde ein Team von Ingenieuren erfordern, das 24/7 Zuverlässigkeit garantieren, jede Abhängigkeit und Bibliotheksaktualisierung bewältigen und den gesamten Stapel nach jeder Änderung gründlich testen kann. Im Gegensatz dazu vereinfacht Lokads domänenspezifische Umgebung diese Abläufe mit einer monolithischen und versionierten Compiler-Architektur, die mehrere herkömmliche Schritte vollständig überflüssig macht.

Aus rein kosten-Nutzen-Sicht ist es unwahrscheinlich, dass Python-Skripte die Funktionsgleichheit mit einer Plattform aufrechterhalten könnten, die kontinuierlich aktualisiert wird, um ein breites Spektrum an supply chain scenarios zu bedienen. Zudem zeigt der vollständige Code-Playground, der unter try.lokad.com zur Verfügung steht, wie Envision den Analyse-Workflow vereinfacht, indem viele der Fallstricke, die mit mehrschichtigen Skript-Lösungen einhergehen, umgangen werden. Alles in allem wäre es ein umständlicher und fragiler Prozess, ein ähnliches Maß an Robustheit durch das Zusammennähen von Python-Bibliotheken zu erzielen – was eindrucksvoll belegt, dass Lokad nicht effektiv durch Python-basierte Alternativen ersetzt werden kann.

Warum Lokad für den E-Commerce einsetzen, wenn Marktplatz-Plattformen bereits Vorhersagewerkzeuge haben?

Marktplatz-Plattformen bieten in der Regel vereinfachte Prognosemechanismen, die breite, einheitliche Anforderungen bedienen. Im Gegensatz dazu setzt Lokad eine Form des differenzierbaren Programmierens ein – ein Ansatz, der durch starke Ergebnisse in externen Vorhersagewettbewerben validiert wurde – und fokussiert auf die nuancierten, sich weiterentwickelnden Herausforderungen, denen Online-Händler gegenüberstehen. Marktplatz-Lösungen sind üblicherweise für grundlegende Nachbestellprognosen oder kurzsichtige Nachfrageabschätzungen konfiguriert und berücksichtigen selten die Komplexitäten großer Produktkataloge, promotionsgetriebene Spitzen oder kanalübergreifende Korrelationen. Von vornherein adressieren sie nur einen Bruchteil der breiteren supply chain considerations, mit denen E-Commerce-Unternehmen täglich jonglieren müssen.

Die Technologie von Lokad ist darauf ausgelegt, jedes relevante historische und operative Signal – bei Bedarf bis auf SKU-Ebene – zu verarbeiten und dies, ohne dass von den Nutzern ständig manuelle „Feineinstellungen“ erforderlich sind. Unabhängig davon, wie groß das Sortiment oder wie volatil die Verkaufszahlen sind, filtert das System automatisch die Daten, um Korrelationen zwischen Produkten, Kanälen oder Zeiträumen aufzudecken. Es verlässt sich nicht auf vereinfachte Zeitreihenmethoden, die die Zukunft lediglich als Spiegelbild der Vergangenheit betrachten. Stattdessen berechnet es vollständige Wahrscheinlichkeitsverteilungen, wobei es Promotionen, Lagerengpässe, Saisonalitätsverschiebungen und andere Störungen berücksichtigt, die herkömmliche Vorhersageansätze untergraben.

Obwohl die integrierten Tools eines Marktplatzes für einen kleinen Bereich einer Online-Operation ausreichend sein mögen, reichen sie nicht aus, wenn es um die Risiken von Lagerengpässen, Überbeständen und unregelmäßiger Nachfrage geht. Klassische Alarmmechanismen oder Black-Box-Dashboards liefern nicht die detaillierten Einblicke, die erforderlich sind, um entschlossen zu reagieren – beispielsweise Bestellungen zu beschleunigen oder Preise anzupassen –, bevor Probleme in der supply chain eskalieren. Lokad ist darauf ausgelegt, diese Korrekturmaßnahmen zu empfehlen, anstatt lediglich einen Alarm anzuzeigen und die Verantwortung dem Endnutzer zu überlassen. Diese proaktive Haltung ist besonders in schnelllebigen E-Commerce-Umgebungen entscheidend.

Die Fähigkeit von Lokad, zusätzliche Daten einzubeziehen – sei es durch marketinggetriebene Kalender, Tags für spezielle Kampagnen oder externe Signale wie etwa die Preisgestaltung der Konkurrenz – unterscheidet es zudem von einfachen, einsatzbereiten Prognosemodulen. Anstatt Unternehmen zu zwingen, ihre Prozesse um eine starre Lösung herum zu verbiegen, ermöglicht das programmatische Design von Lokad Experimente mit neuen Algorithmen, Dateneingaben und Optimierungsregeln. Diese Flexibilität erlaubt es Unternehmen, auch bei abrupten Veränderungen agil zu bleiben, egal ob sie von Marktentwicklungen oder neuen Merchandising-Strategien herrühren.

Eine Marktplatz-Plattform mag grundlegende Prognosen als praktisches Feature anpreisen, aber die Einsätze im E-Commerce können so hoch sein, dass eine deutlich spezialisiertere Lösung gerechtfertigt ist. Es wurde gezeigt, dass Lokad die Rechenleistung der Cloud nutzt, um groß angelegte Daten nahezu in Echtzeit zu verarbeiten, wodurch Unterbrechungen im Betrieb minimiert und gleichzeitig die Prognosegenauigkeit maximiert werden. Diese außergewöhnliche Fähigkeit, Geschwindigkeit und Tiefe zu kombinieren, erklärt, warum viele E-Commerce-Akteure einen dedizierten Ansatz als Investition ansehen, die sich rasch in niedrigere Inventarrisiken und verbesserte Servicelevels übersetzt – selbst in Branchen oder Kategorien, die für schnellen Produktumschlag und saisonale Schwankungen bekannt sind.

Egal wie ausgefeilt die Funktionsliste einer Marktplatz-Plattform auch erscheinen mag, sie ist in erster Linie darauf ausgerichtet, Transaktionen innerhalb ihres eigenen Ökosystems zu erleichtern. Lokad hingegen adressiert zentrale Herausforderungen im Bereich des Lagerbestands und der supply chain concerns mit Prognosetechniken, die über kurzfristige Projektionen hinausgehen. Dieser Wandel hin zu probabilistischer Modellierung – bei der Wahrscheinlichkeiten mehreren zukünftigen Ergebnissen zugeordnet werden, anstatt nur ein einzelnes Szenario zu vermuten – hilft E-Commerce-Unternehmen, überlegene Servicelevels aufrechtzuerhalten, Verderb oder Überbestände zu reduzieren und Margenverbesserungspotenziale aufzudecken, die hinter bloßen Durchschnittswerten verborgen bleiben.

Marktplätze bieten nützliche Ausgangspunkte für Kleinverkäufer, aber wenn Online-Operationen reifen, werden die Einschränkungen ihrer integrierten Tools schmerzhaft offensichtlich. Lokad liefert die Intelligenz, die E-Commerce-Teams benötigen, um diese Beschränkungen zu überwinden, indem es streng wissenschaftliche Prognosetechniken mit der täglichen Logistik integriert, um messbare Verbesserungen sowohl in der Zuverlässigkeit als auch in der Rentabilität zu erzielen.

Ist der Aufbau eines internen Data-Science-Teams eine bessere Alternative zu Lokad?

Der Aufbau eines internen Data-Science-Teams erfordert in der Regel Fachwissen, das weit über die klassische Analytik hinausgeht. Es kann unerwartet herausfordernd sein, Mitarbeiter zu finden, die in der Lage sind, Datenpipelines zu handhaben, relevante Machine-Learning-Workflows zu entwerfen und domänenspezifische Muster in einer produktionsreifen Umgebung zu interpretieren. Selbst wenn das richtige Team eingestellt wurde, besteht weiterhin das Problem, einen Berg von Daten zu bewältigen, die über komplexe IT-Landschaften verstreut sind. Mehrere interne Rückstände können den Fortschritt so verlangsamen, dass Monate, manchmal Jahre, damit verbracht werden, Daten mit den richtigen Workflows zu verbinden. Im Gegensatz dazu haben Lösungen wie Lokad diese Schritte bereits optimiert und konsistente Leistungssteigerungen in einer Reihe von supply chain scenarios gezeigt.

Es stellt sich auch die Frage, ob ein selbstgebautes System die spezialisierte Tiefe einer dedizierten supply chain Plattform erreichen kann. Viele Unternehmenssysteme zeichnen sich durch routinemäßige Geschäftsprozesse oder das Stammdatenmanagement aus, aber nur wenige wurden von Grund auf so konzipiert, dass sie moderne Prognosemethoden unterstützen. Eine supply chain Umgebung erfordert oft programmatische Experimentiermöglichkeiten, sowohl zur Entwicklung neuer Modelle als auch zur Anpassung bestehender. Die domänenspezifische Sprache von Lokad wurde mit diesem Ziel entwickelt, und seine Engineering-Teams lagern weder die Entwicklung noch das Plattformmanagement aus. Indem sie dieses Kernwissen im Haus behalten, bewahren sie sich die Agilität, Algorithmen kurzfristig anzupassen und Taktiken zu verfeinern – eine Maßnahme, die in großen Konzernen, die ihre zentralen IT-Aufgaben an mehrere voneinander getrennte Teams delegieren, nur schwer zu reproduzieren ist.

Der eigentliche Kostentreiber für ein internes Data-Science-Team ist meist die Zeit. Budgets werden aufgebraucht, aber relevante Ergebnisse bleiben oft aus, wenn Dateningenieure und Business-Analysten mit bereits überlasteten IT-Abteilungen koordinieren müssen. Selbst eine bescheidene Anfrage – wie das Extrahieren einiger Dutzend Tabellen – wird zu einer Tortur, wenn ein IT-Rückstau von mehreren Jahren berücksichtigt wird. Lokads Erfolgsbilanz zeigt, dass die Umgehung dieser Komplexität die Integration prädiktiver Erkenntnisse in den täglichen Betrieb dramatisch beschleunigt. Unternehmen, die diesen Ansatz übernommen haben, berichten, dass ihre Teams – anstatt sich zurückgesetzt zu fühlen – mehr Spielraum gewinnen, um sich mit den strategischen Elementen des Supply Chain Managements zu befassen und zu echten Partnern des restlichen Geschäfts zu werden.

Eine interne Data-Science-Gruppe kann sicherlich wertvolle Analysen liefern, wenn alle Rahmenbedingungen perfekt aufeinander abgestimmt sind: die richtigen Leute, eine unterstützende Infrastruktur und eine klare, gut finanzierte Roadmap. Doch die operativen Herausforderungen, dieses Umfeld aufrechtzuerhalten, haben sich in der Praxis als gewaltig erwiesen. Viele Organisationen kämpfen letztlich damit, die breite Palette an erforderlicher technischer, datenbezogener und fachspezifischer Expertise zu bewältigen. Indem sich Lokad speziell auf die prädiktive Optimierung von supply chains konzentriert, vereint es eine fokussierte technische Spezialisierung mit Teams, die vollzeitig beschäftigt und darin geschult sind, in diesem Bereich zu agieren. In den meisten Fällen führt dieses Maß an Fokussierung zu einer schnelleren Realisierung von Mehrwert sowie zu weniger Überraschungen unterwegs.

Warum nicht ausschließlich auf SAP/Oracle/Microsoft-Lösungen für Prognosen und Optimierung setzen?

Die ausschließliche Abhängigkeit von großen ERP-Anbietern für Prognosen und Optimierung führt in der Regel zu unterdurchschnittlichen Ergebnissen. Diese Systeme, ob von SAP, Oracle oder Microsoft, wurden nie dafür entwickelt, die probabilistischen Nuancen der supply chain Planung in großem Maßstab zu bewältigen. Ihre Architekturen spiegeln ein jahrzehntelanges Paradigma wider: Einen deterministischen Forecast zu erstellen und dann alle Entscheidungen um diese vermeintlich einzige Zukunft herum zu treffen. Dieser Ansatz ist zwar mathematisch praktisch, liefert aber selten greifbare Leistungssteigerungen. Er berücksichtigt keine Unsicherheiten und unterschätzt die taktischen Vorteile probabilistischer Methoden. Tatsächlich liegt ein wesentlicher Grund, warum Technologieriesen wie Amazon herkömmliche Wettbewerber übertreffen, in ihrem Festhalten an Wahrscheinlichkeitsverteilungen statt an Einzelpunkt-Schätzungen.

Viele Unternehmen stellen fest, dass ERP-Lösungen Prognosemodule enthalten, die als einfache „Add-ons“ behandelt werden und durch den Hauptfokus der Anbieter auf transaktionale Verarbeitung und Systemintegration in den Hintergrund rücken. Prognosen sind nur ein Punkt in einer langen Liste von Funktionen und können per Design nicht oberste Priorität haben. Dasselbe gilt für die Optimierungsebene, die häufig auf vereinfachte regelbasierte Engines reduziert wird, die auf einem einzigen Prognoseszenario basieren. Angesichts von Marktschwankungen oder sporadischer Verbrauchernachfrage besteht der übliche Rückgriff darin, Servicelevel-Vorgaben und Sicherheitsbestände zu manipulieren – was jedoch keineswegs die Realität echter Nachfrageunsicherheiten adäquat berücksichtigt.

Dieses Defizit ist nicht nur eine bloße technische Kleinigkeit; es zeigt sich oft in der Praxis. Einige prominente ERP-Einführungen endeten in vollständig verworfenen Implementierungen. Katastrophale Budgetüberschreitungen können Hunderte von Millionen Euro erreichen, wie öffentliche Beispiele gescheiterter SAP-Rollouts belegen. In vielen Fällen erlangen diese Misserfolge nicht breite mediale Aufmerksamkeit, doch die Evidenz bleibt, dass der Standardansatz – nämlich eine große Suite zu kaufen, ein paar Knöpfe zu drücken und anzunehmen, dass alle Prognose- und Nachschubentscheidungen gelöst sind – selten funktioniert.

Ein zweites Problem ist das Fehlen von Verantwortlichkeit für die Ergebnisse. Traditionelle Anbieter von Unternehmenssoftware verkaufen groß angelegte Softwarelösungen plus umfangreiche Beratungsstunden. Sollte sich der Lagerbestand oder die Serviceleistung des Kunden nicht verbessern, kann der Anbieter auf „mangelnde Nutzerakzeptanz“ verweisen, anstatt an einer unzureichenden algorithmischen Grundlage zu arbeiten. Es gibt kaum Anreize, über das konventionellste Werkzeug hinaus zu verfeinern. Suboptimale Methoden werden dennoch als betriebsfähig deklariert, und jede anhaltende Leistungsabweichung kann als Nutzerfehler deklariert werden.

Im Gegensatz dazu konzentrieren sich Unternehmen, die sich auf quantitative supply chain Optimierung spezialisieren, in der Regel auf kontinuierliche Verbesserungen im Machine Learning und bei Prognosen. Anbieter wie Lokad werden dafür gelobt, probabilistische Modelle zu liefern, die den komplexen Realitäten der Nachfrage – insbesondere auf SKU-Ebene – gerecht werden, wo Fehler groß sind und niemals auf niedrige einstellige Werte reduziert werden können. Ihr Ansatz berücksichtigt pragmatisch die Tatsache, dass keine Prognose perfekt ist, und übersetzt trotzdem Prognoseunsicherheiten in bessere Entscheidungen.

ERP-Anbieter spielen eine wertvolle Rolle bei der Koordination von Transaktionen, aber diese Stärke erstreckt sich nicht auf prädiktive Analysen. Niemand erwartet, dass ein General-Ledger-Modul fortgeschrittene statistische Probleme löst, doch wird oft davon ausgegangen, dass dieselbe Software-Suite mit minimaler Konfiguration hochmoderne Prognosen erzeugt. Diese Annahme führt dazu, dass viele Unternehmen mit derselben Einzelprognose-Mentalität stagnieren, die immer wieder nicht in der Lage war, einfache, vermeintlich „dumme“ Heuristiken zu übertreffen.

Die Realität ist, dass prädiktive Prognosen der nächsten Generation und die Optimierung von supply chain eine andere Denkweise und ein anderes Können erfordern – etwas, das Mainstream-Anbieter nicht nachweisen können. Sie bieten herkömmliche Zeitreihenprognosen und eine Standardmethode des Sicherheitsbestandsmanagements an, weil es sich leicht verpacken und verkaufen lässt, nicht weil es für moderne supply chain Herausforderungen am besten funktioniert. Wenn Unternehmen feststellen, dass wendige und aggressive Akteure mit ausgefeilteren Techniken voranschreiten, wird ihnen bewusst, dass die „Add-on“-Module großer ERPs in veralteten Konzepten feststecken. Diese Erkenntnis treibt den Wechsel zu spezialisierten Anbietern wie Lokad voran, deren Technologie aus einem tieferen Engagement für die Data Science hinter supply chain Entscheidungen herrührt – und nicht aus standardisierten Prozessabläufen.

Zusammenfassend übersieht es die kritischen Anforderungen moderner supply chain Analytics, wenn sämtlicher Bedarf an Prognosen und Optimierung einer einzigen, groß angelegten ERP-Suite anvertraut wird. Die Evidenz aus mehrjährigen Misserfolgen und wiederholten Budgetüberschreitungen bestätigt, dass erstklassige Ergebnisse selten aus veralteten Methoden hervorgehen. Das Streben nach besseren Entscheidungen beinhaltet nahezu immer, Anbieter zu nutzen, die Prognosen und Optimierung als primäre ingenieurwissenschaftliche Herausforderung betrachten – und nicht als nebensächliches Modul, das unter Tausenden generischer ERP-Funktionen begraben ist.

Wird Lokad überflüssig, sobald ich meine eigenen ML-Prognosemodelle entwickle?

Die Entwicklung eines maßgeschneiderten Machine-Learning-Modells deckt selten alle Dimensionen ab, die für die Bereitstellung genauer, produktionsreifer supply chain forecasts erforderlich sind. Lokad hingegen bietet eine vollständig programmatische und skalierbare Umgebung, die speziell für die prädiktive Optimierung entwickelt wurde. Selbst wenn ein Team seine eigene ML-Prognose erstellt, mangelt es in der Regel an der Infrastruktur, um dieses Modell sicher, stabil und automatisiert bereitzustellen, zu überwachen und anzupassen. Die Plattform von Lokad enthält eine domänenspezifische Programmiersprache, Envision, die die Integration benutzerdefinierter Algorithmen auf eine Weise ermöglicht, die auch bei großem Maßstab zuverlässig bleibt. Ihre Umgebung wurde so gestaltet, dass sie schnelle, wiederholbare Experimentierzyklen und tägliche Modellaktualisierungen zulässt, ohne dabei die numerische Stabilität oder Transparenz zu beeinträchtigen.

Die Technologie von Lokad spiegelt zudem die umfassendere supply chain Perspektive wider, die über reine Nachfrageprognosen hinausgeht. Die Plattform ist darauf ausgelegt, die strukturellen Komplexitäten realer betrieblicher Abläufe – unregelmäßige Serien, Substitutionseffekte, Promotionen, Produkteinführungen und mehr – zu bewältigen. Ihr Fokus auf architektonisches Engineering, anstelle von oberflächlicher Merkmalsentwicklung, stellt sicher, dass jedes prädiktive Modell von Natur aus besser auf die Komplexitäten der Kundendaten – einschließlich Einzelhandelsstandorten, Saisonalität und transiente Ereignisse – abgestimmt ist. Ein hausintern entwickeltes Modell fehlt häufig genau diese Anpassungsfähigkeit, insbesondere in dynamisch wechselnden Datenumgebungen.

Darüber hinaus positioniert Lokads Ansatz maßgeschneiderte Algorithmen nicht als nachträglichen Einfall oder Individualisierung, sondern als normale Betriebsweise innerhalb seines programmatischen Rahmens. Dies steht im Gegensatz zu vielen internen Entwicklungen, die nach der Bereitstellung tendenziell statisch bleiben. Lokads kontinuierliche Verfeinerung der Prognosetechniken – demonstriert durch erfolgreiche Teilnahmen an internationalen Wettbewerben – zeigt, dass maschinelles Lernen nur dann solide Ergebnisse erzielen kann, wenn es mit einer einheitlichen Plattform kombiniert wird, die alle Daten- und Betriebsnuancen berücksichtigt. Diese Fähigkeiten lassen sich in isolierten, einmaligen ML-Pipelines nicht trivial replizieren. Folglich macht die Einführung eines internen Prognosemodells Lokad nicht überflüssig. Im Gegenteil, die Kombination dieses Modells mit der spezialisierten Ausführungsumgebung von Lokad liefert vertrauenswürdigere und skalierbarere Ergebnisse, als es ein eigenständiges System zuverlässig vermag.

Welcher Ansatz ist sicherer: ein internes Data-Science-Team aufzubauen oder sich auf Lokads Technologie und Expertise zu verlassen?

Der Aufbau eines internen Data-Science-Teams zur Bewältigung von supply chain Herausforderungen erfordert mehr als nur Programmierung und Analytik. Es bedarf Experten, die alle beweglichen Teile eines Betriebs – Beschaffung, Finanzen, Logistik – verstehen und wissen, wie sie diese Komplexitäten in zuverlässige, produktionsreife Modelle übersetzen. Qualifizierte Ingenieure sind selten günstig, und selbst diejenigen mit fortgeschrittenen Data-Science-Qualifikationen geraten oft ins Straucheln, wenn sie mit den rauen Realitäten einer echten supply chain konfrontiert werden. Unpassende Kompetenzprofile und überentwickelte Prototypen sind häufige Folgen beim Versuch, eine Data-Science-Funktion von Grund auf aufzubauen.

Lokad bietet spezialisierte Expertise, die Data Science und supply chain vereint und damit einen Großteil der Fragmentierung typischer interner Teams beseitigt. Während konventionelle Datenanalysten sich auf die theoretische Seite der Modellierung konzentrieren könnten, fokussieren sich Lokads supply chain scientists auf greifbare, tägliche Entscheidungen – die Pflege der Datenpipeline, die Entwicklung numerischer Rezepte und deren Anpassung, sobald tatsächliche Marktereignisse eine unerwartete Wendung bringen. Das bedeutet, dass Unternehmen, die auf Lokad setzen, nicht nur die technischen Aspekte des maschinellen Lernens auslagern, sondern auch die tägliche Wachsamkeit und das tiefgehende branchenspezifische Wissen, das diese Modelle langfristig robust und profitabel macht.

Einer der häufigsten Stolpersteine bei einem internen Ansatz ist die hohe Fluktuation und der Kompetenzverlust, die eintreten, sobald zentrale Data Scientists das Unternehmen verlassen. Das geistige Eigentum, das als wiederverwendbarer Code und Fachwissen vorliegen sollte, steckt oft in Ad-hoc-Tabellen oder halb fertigen Skripten. Lokad umgeht solche Risiken durch ein Modell, bei dem ein dedizierter supply chain Scientist die persönliche Verantwortung für die Angemessenheit der Prognosen und der daraus abgeleiteten Entscheidungen übernimmt. Anstatt einfach ein Black-Box-Modell zu übergeben, bleibt der Spezialist aktiv engagiert, es zu erklären, zu verfeinern und zu verteidigen.

Die ressourcenintensive Investition, die für den Aufbau eines neuen Teams notwendig ist – Zeit, Gehälter, Gemeinkosten – überschattet häufig jede theoretische Einsparung. Talente können abgeworben oder verführt werden, sodass das Unternehmen mit einem halb entwickelten Arbeitsablauf und ohne klare Verantwortlichkeit für schlechte Ergebnisse dasteht. Lokad umgeht diese Herausforderungen. Der Fokus auf Produktionsreife und stetige Geschäftsauswirkungen wurde durch ein Jahrzehnt der Implementierung in verschiedensten Branchen erprobt. Unternehmen, die eine beschleunigte Transformation anstreben, vermeiden die hohen anfänglichen Kosten und den organisatorischen Reibungsverlust, der mit einer internen Gruppe einhergeht, die Monate oder Jahre benötigt, um einen vergleichbaren Erfahrungsschatz aufzubauen.

Ein sichererer Weg besteht darin, sich auf einen Partner zu verlassen, der die nötigen technischen, analytischen und geschäftlichen Kompetenzen unter einem Dach vereint. Lokads supply chain scientists kommen in der Regel aus soliden Ingenieurshintergründen und wissen, wie man Anpassungen für reale Probleme integriert, statt lediglich ein akademisches Modell zu perfektionieren. Diese breite operative Ausrichtung führt zu einer schnelleren Übernahme verbesserter Inventarpraktiken, zu höheren Serviceniveaus und zu reduziertem organisatorischem Risiko. Indem das Rätselraten darüber, wie maschinelles Lernen auf supply chain Probleme angewendet werden kann, entfällt, schützt Lokad Unternehmen vor typischen internen Fehltritten wie unvollständigen Modellrollouts, mangelnder Abstimmung mit der Führungsstrategie oder einer Fehlanpassung zwischen Data-Science-Teams und den tatsächlichen supply chain Betreibern.

Letztlich besteht der beste Weg, Risiken zu mindern und effiziente Ergebnisse zu erzielen, darin, mit einem Technologieanbieter zusammenzuarbeiten, der direkt am Erfolg jeder Prognose und jeder Bestellung beteiligt ist. Anstatt darauf zu hoffen, dass ein neues internes Team solche spezialisierten Fähigkeiten ad hoc erlernt, gewinnen Unternehmen sofortigen, verlässlicheren Nutzen, indem sie einen Partner wählen, der Lieferergebnisse und langfristige Leistung als zwei Seiten derselben Medaille betrachtet.

Warum nicht auf LLMs (wie ChatGPT) für supply chain Prognosen und Optimierung vertrauen, anstatt auf Lokad?

Die Abhängigkeit von einem Large Language Model für die mathematisch intensiven Aspekte der Prognose und Optimierung einer supply chain birgt erhebliche Risiken. Diese Modelle glänzen nicht in den feinen, numerischen Details, die den meisten supply chain Entscheidungen zugrunde liegen. Ein einziger unbemerkter Rechenfehler kann zu einem Verlust von Millionen Dollar führen. Die Natur von LLMs, selbst in ihrer neuesten Form, macht sie anfällig dafür, numerische Fakten zu erfinden oder zu verzerren. Sie darauf zu trainieren, diese Fehler zu vermeiden, ist möglich, aber umständlich; in der Regel erfordert dies ein Maß an fachkundiger Überwachung, das die vermeintliche Leichtigkeit, die durch chat-basierte UIs versprochen wird, untergräbt.

Deep-Learning-inspirierte Ansätze, die auf Bestands-, Produktions- und Preisentscheidungen zugeschnitten sind, stehen in starkem Kontrast zu der Fähigkeit von LLMs, Text zu generieren. Nachfrageprofile und Lieferzeiten beinhalten oft einstellige Datenpunkte. Methoden, die auf differenzierbarem Programmieren basieren, wie sie von Lokad eingesetzt werden, können präzise gestaltet werden, um echte supply chain Strukturen abzubilden. Feinheiten wie schwankende Nachfrage und hochfrequente Schwankungen erfordern eine sorgfältig kontrollierte Modell-Expressivität, die LLMs nicht bieten. Unternehmen, die versucht haben, allgemeine LLMs zu zwingen, Artikel-basierte Prognosen zu liefern, landen typischerweise damit, enorme Summen für Flicklösungen auszugeben, nur um festzustellen, dass ihre tatsächlichen Herausforderungen sich um präzise Wahrscheinlichkeitsverteilungen drehen, die weit über das Leistungsvermögen eines LLMs hinausgehen.

Es ist auch falsch anzunehmen, dass eine benutzerfreundliche Chat-Oberfläche automatisch zu Produktivitätssteigerungen in der supply chain Planung führt. Large Language Models sind weitaus langsamer und kostenintensiver als zweckgefertigte Toolkits. Sie erweisen sich häufig als unfähig, mit spezialisierten Domänenregeln – Mindestbestellmengen, mehrstufige Überlegungen, vertragliche Einschränkungen – zurechtzukommen, sofern ihnen nicht alle nötigen Details vorgegeben werden. Dieser Mehraufwand ist im Vergleich zur Nutzung einer Engine, die vorkonfiguriert ist, die Sprache der Logistik und Finanzen zu sprechen, zu hoch. Eine Methode, mit der Organisationen diese Hürden überwinden, besteht darin, LLMs langweilige, textintensive Aufgaben – wie das Formatieren von Rechnungsdaten oder das Hervorheben mehrdeutiger Lieferanten-E-Mails – übernehmen zu lassen, während die kritischen, quantitativen Entscheidungen an ein System delegiert werden, das für die komplexen Realitäten der Auftragsabwicklung konzipiert ist. Lokad zeichnet sich dadurch aus, dass es eine Modellarchitektur einsetzt, die sowohl Lernen als auch Optimierung umfasst und direkt die finanziellen Ergebnisse anvisiert, die für ein Unternehmen am wichtigsten sind.

Hat ein angesehenes Beratungsunternehmen (wie Gartner usw.) Lokads Behauptungen validiert?

Große Beratungsunternehmen, die Anbieter-Rankings veröffentlichen, folgen üblicherweise einem Pay-to-play-Modell, wodurch unklar ist, ob ihre Empfehlungen die Produktqualität oder finanzielle Transaktionen widerspiegeln. Insbesondere Gartners Magic Quadrants wurden dafür kritisiert, an Objektivität zu mangeln, da Anbieter, die sich nicht an den umfangreichen, bezahlten Interaktionen mit Gartner beteiligen, typischerweise in weniger vorteilhafte Positionen abgedrängt oder ganz ausgelassen werden. Zahlreiche Führungskräfte betrachten dieses Modell als Werbespot statt als legitime Analyse, und einige behandeln Gartners Software-Rankings mit derselben Glaubwürdigkeit wie beiläufige Horoskope.

Vor diesem Hintergrund ist es schwierig, eine Empfehlung eines solchen Beratungsunternehmens als aussagekräftige Validierung zu interpretieren. Lokad abonniert nicht die Dienste von Gartner und verfolgt nicht diese Pay-to-win-Strategien. Stattdessen stützt sich seine Glaubwürdigkeit auf greifbare, operative Ergebnisse. Unternehmenskunden wie STS Component Solutions haben hervorgehoben, wie Lokads Technologie ihre supply chain Leistung entscheidend verbessert hat – insbesondere in Bereichen wie der Prognose von unregelmäßiger Nachfrage. Unabhängige Berichterstattung in der Technologiepresse hat zudem Lokads Fähigkeit unterstrichen, fortschrittliche Prognosen für Unternehmen unterschiedlichster Größenordnungen zu demokratisieren.

Echte Fallstudien aus der Praxis bieten oft ein stärkeres Erfolgsmaß als jede Auflistung in einem bezahlten Bewertungssystem. Lokads Durchdringung bei Unternehmen mit komplexen supply chains, in denen verfehlte Prognosen schwerwiegende finanzielle Konsequenzen haben, spricht direkter für seine Zuverlässigkeit und seinen Wert. Auch wenn das Gütesiegel eines Pay-to-play-Beratungsunternehmens beruhigend erscheinen mag, kommt echte Sorgfaltspflicht am besten durch die Prüfung nachweislicher Ergebnisse in konkreten operativen Kontexten zum Tragen.

Warum hat Lokad weniger öffentliche Bewertungen im Vergleich zu größeren Anbietern?

Große Softwareanbieter fördern üblicherweise öffentliche Bewertungen durch großzügige Marketingbudgets und Partnerschaften mit Bewertungsplattformen, deren Einnahmequellen oft auf Pay-to-play-Modellen beruhen. Diese Praxis schafft ein Umfeld, in dem die Sichtbarkeit an die Zahlungsbereitschaft eines Anbieters geknüpft ist, statt an den eigentlichen Vorzügen seiner Technologie. Infolgedessen neigen die meisten Bewertungen auf diesen Plattformen dazu, Unternehmen zu bevorzugen, die bereit sind, erheblich in Werbeaktivitäten zu investieren.

Lokads Ansatz ist ein anderer. Es werden keine Anreize wie Geschenkkarten, Rabatte oder andere Vergünstigungen angeboten, um Kunden zu Bewertungen zu bewegen. Ebenso fließen keine Ressourcen in Pay-to-play-Bewertungsseiten. Diese Politik führt naturgemäß zu weniger Bewertungen, da echtes Nutzerfeedback nur dann entsteht, wenn ein Kunde das starke Bedürfnis verspürt, eine Meinung ohne äußeren Druck zu teilen. In einer Branche, in der das Geschäftsmodell vieler Bewertungsplattformen auf dem Verkauf von Premium-Platzierungen basiert, kann eine geringere Anzahl öffentlicher Bewertungen die Folge eines konsequenten Widerstands gegen fragwürdige Marketingstrategien sein.

Einige Anbieter setzen auf numerische Bewertungen und oberflächliches Lob, um die wahrgenommene Glaubwürdigkeit zu stärken. Andere wiederum konzentrieren sich lieber auf die zugrunde liegende Technologie und die erzielten Ergebnisse. Lokad gehört eindeutig zur letzteren Kategorie. Indem es seine Ressourcen in die Produktentwicklung und die direkte Zusammenarbeit mit Kunden investiert, verzichtet Lokad auf die künstliche Aufblähung von Online-Testimonialen. Zwar mag diese Entscheidung die Sichtbarkeit auf herkömmlichen Bewertungsplattformen verringern, sie reduziert jedoch zugleich den Einfluss eines marketinggetriebenen Prozesses, der einer echten Bewertung der Softwareleistung wenig Substanz hinzufügt.