Automotive Aftermarket Optimierungssoftware, Februar 2025

Von Léon Levinas-Ménard

Zuletzt geändert: 2. Februar 2025

Einführung

Der Automobil-Ersatzteilsmarkt benötigt mehr als isolierte Lagerbestands- oder Preistools. Bei spärlicher Nachfrage, austauschbaren Teilen und zunehmender Komplexität können nur wenige Anbieter wirklich Lagerbestand, Preise und Sortiment gemeinsam optimieren. Diese Studie bewertet die Anwärter basierend auf technischen Belegen – nicht auf Marketing – und zeigt, wer das Versprechen der gemeinsamen Optimierung unter Unsicherheit einlöst und wer noch in veralteten Denkweisen feststeckt.

Anbieter-Ranking (Gemeinsame Lagerbestands-, Preis- und Sortimentsoptimierung)

Lokad – Bietet den kohärentesten Ansatz zur gemeinsamen Optimierung, der von Grund auf für probabilistisches Modellieren und ökonomische Optimierung entwickelt wurde. Es verarbeitet Daten zur Teilen-Fahrzeug-Kompatibilität in nativer Weise und integriert Preise in Lagerentscheidungen mit strenger finanzieller Begründung ¹ ².
Syncron – Speziell entwickelt für Aftermarket-Ersatzteile mit integrierten Modulen für Lagerbestand und Preise. Starke probabilistische Prognosen für schwankende Nachfrage und robuste Handhabung von Wettbewerberpreisen, obwohl ein Teil der Optimierung auf benutzerdefinierten Strategien beruht ³ ⁴.
PTC Servigistics – Ausgereifte Suite zur Optimierung von Ersatzteilen im Bereich Lagerbestand und Preise. Bewährte mehrstufige Algorithmen und ML-Erweiterungen ⁵ ⁶, aber alte Komplexität und die Integration der Module können trotz Behauptungen von durchgängiger KI Herausforderungen darstellen.
ToolsGroup (with Evo) – Fortschrittliche Lagerbestandsoptimierung (SO99+), ergänzt durch neu erworbene Preis-KI (Evo). Überragend im probabilistischen Nachfrage-Modelling und mehrstufigem Lager, aber jüngste Übernahmen (z.B. Evo, JustEnough) werfen Integrationsfragen auf ⁷ ⁸.
o9 Solutions – Moderne integrierte Planungsplattform („Digital Brain“), die Nachfrage, Angebot und Preise in einer Umgebung modelliert. Bietet Modellierung der Preiselastizität und Szenarioplanung ⁹, wobei fachspezifische Fähigkeiten (z.B. Teilen-Kompatibilität) möglicherweise eine kundenspezifische Konfiguration erfordern.
Blue Yonder – Umfassende Supply-Chain-Suite (legacy JDA/i2) mit starker Lagerbestandsoptimierung und einem Einzelhandels-Preismodul (Revionics). Allerdings ist gemeinsame Optimierung nicht inbegriffen – Preise und Lagerbestand bleiben nach der Übernahme als separate Technologien bestehen ¹⁰. Die Abhängigkeit von veralteter i2-Technologie und Schlagwörtern („autonome Supply Chain“) kaschiert Integrationslücken.

(Andere Anbieter wie SAP, Oracle, Kinaxis usw. werden hier ausgelassen, da keine nachgewiesene gemeinsame Lagerbestands- und Preisoptimierung im Aftermarket-Kontext demonstriert wurde. Üblicherweise behandeln sie Preise und Lagerbestand getrennt.)

Überblick – Warum gemeinsame Optimierung wichtig ist

Die Optimierung des Lagerbestands kann im Automobil-Ersatzteilmarkt nicht sinnvoll von der Preisgestaltung getrennt werden. Die Komplexität dieses Marktes – hunderte von tausenden langsam rotierenden SKUs, hochgradig schwankende Nachfrage und viele austauschbare Teile – erfordern, dass Lagerentscheidungen und Preisstrategien gemeinsam getroffen werden. Traditionelle Werkzeuge, die Lagerbestände isoliert optimieren (z.B. anhand von Füllraten oder Servicelevels), „verfehlen den Kern“ in dieser Branche ¹¹. Da Preise Nachfrage und Rentabilität direkt beeinflussen, müssen Lagerbestand, Preise und Sortiment als Ganzes optimiert werden. Anbieter in diesem Bereich behaupten, KI/ML einzusetzen, um diese Herausforderungen zu bewältigen, aber ein kritischer Blick ist nötig, um echte Fähigkeiten vom Marketing-Hype zu unterscheiden.

Im Folgenden bewerten wir kritisch die Technologie jedes führenden Anbieters anhand wesentlicher Anforderungen: probabilistische Prognosen für schwankende Nachfrage, Handhabung der Teile-Fahrzeug-Kompatibilitätsmatrix, echte ökonomische Optimierung von Entscheidungen, Skalierbarkeit/Kosteneffizienz der Architektur, Integration von Wettbewerbsinformationen, Unterstützung von Multi-Channel Verkaufsdaten und Grad der Automatisierung im Vergleich zur Abhängigkeit von manuellen Anpassungen. Wir heben vage Behauptungen und Altlasten hervor und weisen darauf hin, wo Anbieter eventuell überversprechen (z.B. kühne prozentuale Verbesserungen ohne Kontext) oder erworbene Komponenten zusammenflicken. Jeder Anbieterbericht beginnt mit seinen Stärken, gefolgt von Einschränkungen und eventuellen Warnsignalen.

¹² Eine riesige Vielfalt an Ersatzteilen – von Filtern bis zu Bremsscheiben – kennzeichnet den Automobil-Ersatzteilmarkt. Lösungen müssen spärliche Nachfragemuster für Millionen solcher Artikel entschlüsseln und Lagerbestand und Preise gemeinsam optimieren, anstatt in getrennten Silos.

1. Lokad – Probabilistische, wirtschaftsorientierte Optimierung

Lokad zeichnet sich durch seine Basis der probabilistischen Prognosen und durchgängige „prädiktive Optimierung“ aus, die speziell für komplexe Lieferketten wie im Automobil-Ersatzteilsbereich entwickelt wurde. Anstatt einen Einzelpunkt-Nachfragewert vorherzusagen, erstellt Lokad vollständige Wahrscheinlichkeitsverteilungen der Nachfrage über Vorlaufzeiten, wobei Unsicherheiten berücksichtigt werden. Wie in der technischen Dokumentation heißt: „Probabilistische Nachfrageprognosen sind ein Muss, wann immer es um die Lagerbestandsoptimierung geht.“ ¹³ Dies ist entscheidend für Ersatzteile, bei denen die Nachfrage spärlich und null-inflationär ist; herkömmliche Mittelwertprognosen oder periodische Modelle unterschätzen das Risiko von Fehlbeständen. Lokads Engine verarbeitet native schwankende Nachfragemuster und sogar probabilistische Vorlaufzeiten ¹⁴, die in Optimierungsentscheidungen einfließen.

Erstklassige Behandlung der Teile-Kompatibilität. Lokad hat stark in die Modellierung der Teile-Fahrzeug-Kompatibilitätsmatrix investiert, indem es diese als „erstklassigen Bürger“ in seinen Algorithmen betrachtet ¹⁵ ¹. Diese Kompatibilitätsdaten (oft über 100 Millionen Beziehungen, die ca. 1 Mio. Teile mit ca. 100k Fahrzeugmodellen verbinden ¹⁶) sind essenziell, um die tatsächliche Nachfrage zu ermitteln. Die graphbasierten Modelle von Lokad identifizieren die zugrunde liegende „Bedarfseinheit“ – den Bedarf des Fahrzeugs – anstatt naiv jede Teilenummer isoliert vorherzusagen ¹. Das bedeutet, dass wenn mehrere Teilenummern denselben Bedarf decken können (OEM-Teil vs. Aftermarket-Äquivalent, Nachfolgeregelungen etc.), Lokads Prognosen und Empfehlungen diese Austauschbarkeit widerspiegeln. Nachfragesignale werden somit korrekt interpretiert: Beispielsweise könnte ein Teil, das null Verkäufe aufweist, dennoch Lagerbestand rechtfertigen, wenn ein kompatibler Ersatz verkauft wurde – etwas, das klassische Zeitreihenmethoden übersehen ¹⁷.

Echte wirtschaftliche Optimierung. Lokads Philosophie fokussiert sich auf ökonomische Treiber statt auf willkürliche Servicestandards. Der Optimierer berücksichtigt alle relevanten Kosten, Preise und Einschränkungen, um das eigentliche Ziel zu maximieren: Rentabilität und Betriebszeit. Die Lösung modelliert explizit die Abwägungen zwischen Lagerkosten, Servicelevel und Preisgestaltung – das „Dreiklangproblem“ von Kapital, Preis und Service ¹⁸. Zum Beispiel verbessert mehr Lagerbestand den Service, bindet jedoch Kapital und birgt das Risiko von Veralterung; höhere Preise erhöhen die Marge, dämpfen jedoch das Volumen ¹⁹. Lokad geht dies an, indem es „end-to-end… unter Berücksichtigung aller relevanten wirtschaftlichen Faktoren“ optimiert, von den Lagerhaltungskosten bis hin zum Risiko, Kunden durch mangelhaften Service zu verlieren ². Im Gegensatz zu vielen Werkzeugen, die lediglich versuchen, eine bestimmte Füllrate zu erreichen, kann Lokad so konfiguriert werden, dass es etwa den erwarteten Gewinn maximiert oder die Gesamtkosten unter Serviceeinschränkungen minimiert, unter Verwendung einer benutzerdefinierten „Lagerbelohnung“ oder wirtschaftlichen Zielfunktion in seiner Envision-Skriptsprache ²⁰. Es kommt nicht mit festen Annahmen über Ziele – Nutzer können Service, Kosten und Marktanteil nach Belieben gewichten ².

Dieser wirtschaftliche Fokus erstreckt sich auch auf die Preisoptimierung. Lokads Plattform kann Preissetzungsempfehlungen generieren, die Lagerbestände und Nachfrageelastizität berücksichtigen. In der Praxis haben Kunden wie Mister Auto (ein Online-Teiledistributor) Lokad genutzt, um Tausende von Teilen in 20 Ländern dynamisch zu bepreisen, wobei „algorithmische Modelle auf Basis von Big Data“ anführten, die ihre Preiswirksamkeit steigerten ²¹. Lokads CEO betont in Interviews die Bedeutung der Preisgestaltung im Aftermarket und die Analyse von Wettbewerberpreisen für ähnliche Teile ²². Tatsächlich kann das System Preisangaben der Konkurrenz und Verkaufsdaten einlesen, um die Preiselastizität zu erlernen ²³. Durch das Durchführen von Was-wäre-wenn-Simulationen (z.B. A/B-Tests innerhalb des Tools ²⁴) ermöglicht Lokad den Nutzern zu sehen, wie kleine Preisänderungen die Nachfrage beeinflussen könnten ²³. All diese Faktoren fließen dann in Lagerentscheidungen ein. Beispielsweise, wenn eine Preiserhöhung bei einem langsam drehenden Teil die Nachfrage kaum senkt, könnte das System ein geringeres Lager akzeptieren (und umgekehrt). Das ist gemeinsame Optimierung in Aktion – keine künstliche Trennung zwischen Preisgestaltung und Lagerplanung.

Skalierbarkeit und Architektur. Lokad wird als Cloud-basierte Lösung (gehostet auf Azure) angeboten und ist auffallend code-gesteuert (Nutzer schreiben Skripte in einer firmeneigenen Sprache namens Envision, um Datenumwandlungen und Optimierungslogik anzupassen). Obwohl dies ein gewisses Fachwissen erfordert, ermöglicht es ein hohes Maß an Automatisierung und Anpassung. Aus Skalierbarkeitsgründen ist Lokads Architektur darauf ausgelegt, große, spärliche Datensätze effizient mit Cloud-Ressourcen zu verarbeiten, ohne alle Daten in teuren RAM oder Data Warehouses zu zwingen. Beispielsweise können ihre Algorithmen für Kompatibilitätsgraphen die ca. 100 Mio. Beziehungslinien verarbeiten, ohne auf brute-force Matrixerweiterung zurückzugreifen ¹⁶. Sie nutzen spaltenbasierte Speicherung und Streaming-Berechnungen im Hintergrund (laut ihren technischen Mitteilungen), wodurch vermieden wird, dass Kunden ein separates Datenwürfel-Lizenzmodell wie Snowflake für den täglichen Betrieb erwerben müssen. Dies führt wahrscheinlich zu einer kosteneffizienteren Skalierung: Ein Verweis merkt an, dass diese Graphmodelle klassische Zeitreihenmethoden übertreffen, die sich mit solch umfangreichen, granularen Daten schwer tun ¹⁷. Lokads Fokus auf Cloud-Optimierung bedeutet, dass der Großteil der Rechenarbeit serverseitig erledigt wird und die Kunden keine On-Premise-HPC-Hardware unterhalten müssen. Es gibt keinen Hinweis darauf, dass man sich auf ein einziges im Speicher befindliches Modell verlässt, das die Kosten in die Höhe treiben würde, während die SKU-Zahlen steigen; stattdessen wenden sie gezielte Big-Data-Algorithmen an (z.B. benutzerdefinierte kombinatorische Lösungsansätze und Monte-Carlo-Simulationen), die auf handelsüblichen Cloud-Instanzen laufen können.

Wettbewerbsintelligenz und Multi-Channel-Unterstützung. Per Design kann Lokad beliebige Zusatzdaten – Wettbewerberpreise, Web-Preis-Scrapes, Fahrzeugbestandsdaten, E-Commerce- gegenüber stationäre Verkaufszahlen – in seine Prognose- und Entscheidungsmodelle einlesen. Die Flexibilität des Skriptansatzes bedeutet, dass Nutzer disparate Datenquellen verknüpfen und Lokads Engine dann Muster erlernt oder entsprechende Entscheidungen trifft. Beispielsweise, wenn Wettbewerber bei bestimmten Teilen einen Lagerengpass haben, könnte Lokad vorschlagen, den Preis (und/oder Lagerbestand) für diese Teile zu erhöhen, um den Gewinn zu maximieren – eine Strategie, die auch Syncron hervorhebt ²⁵. Lokads Fähigkeit, solche Logik zu integrieren, wird durch eigene Inhalte belegt: Sie diskutieren den Vergleich von Wettbewerberpreisen und verstehen, wie selbst kleine Preisänderungen die Nachfrage im Aftermarket beeinflussen können ²⁶. Die Mehrkanalnachfrage wird durch integrierte Prognosen über die Kanäle hinweg behandelt – man kann separate Verkaufsdatenströme einspeisen (z.B. B2B-Werkstattverkäufe, B2C-Online-Bestellungen usw.) und Lokads probabilistisches Modell erfasst die Charakteristika jedes Kanals. In einer Lokad-TV-Episode weist Vermorel auf den Aufstieg des E-Commerce hin und darauf, wie Online- und Offline-Kanäle im Aftermarket zusammenlaufen, was der prognostische Ansatz berücksichtigen muss ²⁷. Die Modellgranularität (bis hin zu „spezifischen Kanal- und Einzelbestellzeilen“-Daten ²⁸ im Allgemeinen) ermöglicht es Lokad, beispielsweise einen Online-Flash-Verkauf von konstanten Werkstattverkäufen zu unterscheiden und somit die Signalgenauigkeit zu verbessern.

Automatisierung vs. einstellbare Parameter. Lokads Lösung ist in der Entscheidungsfindung hoch automatisiert. Die Envision-Skripte liefern, einmal eingerichtet, täglich Nachbestellentscheidungen, Preisaktualisierungen und Sortimentsvorschläge ohne manuelles Eingreifen. Es gibt keine manuellen Prognose-Overrides oder Dutzende von Planungsparametern, die in jedem Zyklus angepasst werden müssen – ein deutlicher Bruch mit herkömmlichen Werkzeugen. Lokad kritisiert oft Konzepte wie ABC-Klassifikationen oder vom Nutzer gewählte Sicherheitsbestände als „veraltet“ und suboptimal für den Aftermarket ¹¹. Stattdessen automatisiert die Plattform Entscheidungen basierend auf dem quantitativen Modell, während sich der Nutzer auf die Definition von Einschränkungen oder Zielen (z.B. Budgetgrenzen, gewünschte Gewinnmarge) konzentriert. Dieser robotisierte Ansatz führt zu weniger menschlicher Voreingenommenheit und Arbeitsaufwand, erfordert jedoch Vertrauen in das System und anfängliche Anstrengungen, um korrekte Modelle aufzusetzen. Es sei darauf hingewiesen, dass Lokad ein kleinerer Anbieter ist und sein Ansatz relativ neu ist; potenzielle Kunden sollten sicherstellen, dass die Modellierungsflexibilität nicht in ein endloses Programmierprojekt ausartet. Evidenz aus Fallstudien (z.B. Bridgestones mehrstufige Optimierung via Lokad ²⁹, Mister Autos Preiserfolg ²¹) weist darauf hin, dass erhebliche Gewinne erzielt werden können, wenn der Ansatz gut umgesetzt wird.

Skeptische Prüfung: Lokads Behauptungen stützen sich überwiegend auf technische Argumente statt auf pauschale Marketingstatistiken, dennoch sollte man nach messbaren Ergebnissen fragen. Beispielsweise impliziert Lokad, dass es die „Stunden des Ausfalls pro Dollar“ durch optimierte Entscheidungen dramatisch reduzieren kann ³⁰. So intuitiv dies auch ist, erfordert die Quantifizierung dieser Verbesserung im Vergleich zu einer Basislinie eine sorgfältige Analyse. Die gute Nachricht ist, dass sich Lokad nicht stark auf bedeutungslose KI-Schlagwörter verlässt; man wird sie nicht mit „Echtzeit-kognitiver Nachfrageerfassung“ prahlen hören, ohne Erklärung. Wenn überhaupt, könnte ihre Schwäche darin liegen, dass erfahrene Nutzer benötigt werden, um die Plattform voll auszuschöpfen – was effektiv einen Teil des Implementierungsaufwands auf die Kundenseite verlagert (mit Unterstützung von Lokad). Dennoch setzt Lokad im Bereich der gemeinsamen Lagerbestands-, Preis- und Sortimentsoptimierung mit seinem probabilistischen, kompatibilitätsorientierten und wirtschaftlich rationalen System hohe Maßstäbe. Die fehlende Altlast (in den letzten zehn Jahren entwickelt) und der alleinige Fokus auf Entscheidungsoptimierung machen es zu einem führenden Anwärter für Unternehmen, die einen datenwissenschaftlich getriebenen Ansatz bewältigen können.

2. Syncron – Speziell entwickelte Aftermarket-Plattform (Lagerbestand + Preis)

Syncron bietet eine integrierte Cloud-Plattform, die speziell für Aftermarket-Ersatzteile konzipiert ist, mit zwei Flaggschiff-Modulen: Syncron Inventory (Teileplanung) und Syncron Price. Im Gegensatz zu vielen Konkurrenten hat Syncron beide Fähigkeiten intern für denselben Bereich entwickelt, was eine engere Integration ermöglicht, die sich auf Hersteller und Distributor von Ersatzteilen konzentriert. Dieser Fokus zeigt sich in Funktionen wie der Handhabung von Händlernetzwerken, Supersessionsketten und maßgeschneiderten Preisstrategien für Teile. Syncron betont, dass die Kombination von Lagerbestandsmanagement und Preisgestaltung Synergien erzeugt – wie eine ihrer eigenen Veröffentlichungen anmerkt, „es ist die Paarung der beiden Strategien, die zu einer echten Optimierung über die gesamte After-Sales-Service-Organisation führt.“ ⁴ Im Folgenden untersuchen wir, wie Syncron unsere Schlüsselkriterien adressiert:

Probabilistische Prognose & intermittierende Nachfrage – Syncron’s Bestandsplanung nutzt KI/ML-Vorhersagemethoden, um die berüchtigte Unbeständigkeit der Nachfrage nach Service-Teilen anzugehen. Obwohl detaillierte Algorithmen proprietär sind, ist Syncron dafür bekannt, Croston’s Methode und deren Ableitungen zu implementieren, ergänzt durch maschinelles Lernen zur Musterdetektion. Ihr Marketing erwähnt explizit „KI-gesteuerte Service-Teile-Planung“ ³¹ und rühmt Ergebnisse wie eine 20%ige Steigerung der Teileverfügbarkeit bei einer 30%igen Reduktion des Lagerbestands für Kunden ³² ³³. Diese Verbesserungen deuten auf eine bessere Vorhersagegenauigkeit und Optimierung als herkömmliche Nachbestellsysteme hin. Wir sollten den genauen Prozentsätzen skeptisch gegenüberstehen (kein Ausgangswert oder Stichprobengröße angegeben), aber unabhängige Referenzen (z. B. IDC MarketScape, der Syncron als Marktführer bezeichnet ³¹) zeigen, dass die Prognosen von Syncron in der Branche hoch angesehen sind. Sie unterstützen die mehrstufige Planung, was bedeutet, dass die Prognosen in eine Optimierung einfließen, die den Lagerbestand über zentrale Lagerhäuser, regionale Depots bis hin zu Händlern verteilt und dabei die Variabilität auf jeder Ebene berücksichtigt. Dieser mehrstufige Ansatz ist in der Automobilbranche von entscheidender Bedeutung, in der OEMs Teile global lagern. Das System von Syncron kann die Nachfrage auf jeder Stufe simulieren und optimale Lagerziele festlegen, anstatt jeden Standort isoliert zu betrachten.

Teil-Fahrzeug-Kompatibilität & Nachfrageindikatoren – Syncrons Stärke liegt mehr im Bereich Teileplanung (dazu gehören Supersessionen und Gruppierungen) und weniger explizit in der Nutzung von Fahrzeugbestandsdaten für Prognosen. Dennoch handhabt Syncron Teil-Supersession-Ketten (wenn eine Teilenummer durch eine andere ersetzt wird) absolut. Tatsächlich stellen sie fest, dass in der Automobilbranche OEMs manchmal „eine neue Supersession-Artikelnummer ohne technischen Grund generieren, um den Wettbewerb in Schach zu halten“ ³⁴. Die Software von Syncron verknüpft solche Supersession-Artikel, sodass die Nachfragehistorie kombiniert wird und zukünftige Prognosen nicht fragmentiert sind – eine grundlegende Notwendigkeit, die sie liefern. Für Kompatibilität (Austauschbarkeit) über verschiedene Marken oder Quellen hinweg ermöglicht Syncron die Definition einer „PICS/VAU-Matrix“ oder eines Abgleichs funktional äquivalenter Teile ²⁵. In ihrem gemeinsamen Optimierungsblog wird ein Vorteil so aufgeführt: „Nutzen Sie Informationen aus der PICS/VAU-Matrix oder dem Service-Level, um die Preise für Artikel zu erhöhen, die Wettbewerber vermutlich nicht auf Lager haben.“ ³⁵ Dies impliziert, dass das Preisfindungsmodul von Syncron sich der Lagerverfügbarkeit und Kompatibilität bewusst ist; wenn ein Teil schwer anderswo zu finden ist, schlägt das System einen höheren Preis vor. Es ist ein wenig ein Stellvertreter für echtes Kompatibilitätsdenken – anstatt die Nachfrage eines Teils anhand der Gesamtzahl der Fahrzeuge zu prognostizieren, die es nutzen könnten (Lokads Ansatz), stellt Syncron sicher, dass äquivalente Teile erkannt werden, um die Strategie anzupassen (insbesondere die Preisgestaltung).

Syncrons Lösung erstellt möglicherweise nicht nativ Prognosen auf „Fahrzeug“-Ebene, aber sie verarbeitet detaillierte historische Nachfrage und kann externe Einflussfaktoren einbeziehen. In ihrer Dokumentation wird von „Millionen von Datenpunkten“ gesprochen und sogar die Nutzung von IoT/Telematikdaten (z. B. GPS, Nutzungsprofile) für das Händlerbestandsmanagement erwähnt ³⁶. Dies legt nahe, dass Syncron, sofern Fahrzeugnutzungs- oder Bevölkerungsdaten bereitgestellt werden, diese in die Prognose einfließen lassen könnte. In der Praxis verlassen sich die meisten Syncron-Anwender auf die Nachfragehistorie (Lieferungen, Händlerbestellungen) als primäres Signal, was in gewissem Maße ohnehin Kompatibilität widerspiegelt (da vermutlich jede Nachfragetransaktion bereits für ein Teil stattgefunden hat, das in ein Fahrzeug passt). Wo Syncron glänzt, ist die Sicherstellung, dass keine Nachfrage verloren geht, wenn Teile wechseln oder durch Ersatzteile ersetzt werden – ihre einheitliche Plattform verhindert den klassischen Fehler, austauschbare Teile in der Planung getrennt zu behandeln.

Ökonomische Optimierung und Preis-Integration – Syncron vertritt eindeutig die Auffassung, dass die gleichzeitige Optimierung von Bestand und Preisvorgaben vorteilhaft ist. Sie heben Szenarien hervor wie Preisgestaltung basierend auf der Teileverfügbarkeit und Preisgestaltung nach dem Lagerlebenszyklus ²⁵ ³⁷. Konkret kann Syncron Price beispielsweise empfehlen, den Preis eines Teils zu erhöhen, das auf dem Markt knapp ist (niedriger Wettbewerbslagerbestand) oder dessen Lagerabnahme bewusst niedrig gehalten wird, um das Verhältnis von Angebot und Nachfrage auszugleichen. Umgekehrt kann Syncron bei überschüssigem oder veraltetem Lagerbestand Preisreduzierungen auslösen, um diesen abzubauen ³⁸. Dies ist eine Form der wirtschaftlichen Entscheidungsfindung: Preisgestaltung als Hebel zur Reduzierung der Lagerkosten zu nutzen und den Lagerstatus zur Information für profitablere Preisentscheidungen heranzuziehen. Sie erwähnen auch kanalspezifische Preisgestaltung, die an Service Levels gebunden ist ³⁹ – beispielsweise könnte man für Teile in einem margenstarken Kanal Premiumpreise verlangen (und in höhere Servicelevels investieren), während man bei captive Teilen mit geringem Wettbewerb ein niedrigeres Serviceniveau (Risiko eines Lagerfehlbestands) in Kauf nimmt, da Kunden keine Alternative haben, aber dennoch möglicherweise einen höheren Preis beibehalten aufgrund der captive Natur. Diese nuancierten Strategien zeigen, dass Syncrons Optimierung nicht rein auf Kostenminimierung oder Service-Maximierung abzielt, sondern zu versuchen, Umsatz und Gewinn zu maximieren, während die Serviceziele erreicht werden. Tatsächlich sagt ihre Botschaft „Make profit not waste“ einiges aus ⁴⁰.

Innerhalb von Syncron Inventory legen Benutzer typischerweise Ziel-Servicelevel oder Füllraten für verschiedene Kategorien von Teilen fest, und die Software optimiert die Lagerbestände, um diese mit minimalen Kosten zu erreichen. Dank der Integration mit Syncron Price können diese Ziele jedoch durch die Preissensitivität beeinflusst werden. Syncron Price selbst verwendet fortschrittliche Analysen, um Preisniveaus zu optimieren: Es führt die Kunden über einfache Kostenaufschläge hinaus zu wertbasierter und wettbewerbsorientierter Preisgestaltung. Ein Syncron-Berater betonte die Bedeutung, „das lokale Wettbewerber-Set zu definieren … und die Querverweise zu Konkurrenzartikeln in Bezug auf funktionale Passung, Qualität und Markenwert zu qualifizieren, um die richtige wettbewerbsfähige Preispositionierung zu finden.“ ⁴¹ Dies zeigt, dass das Preisfindungstool von Syncron in der Lage ist, die Preise von Konkurrenzartikeln für äquivalente Teile zu speichern und zu analysieren (wobei der Benutzer angibt, welche konkurrierenden Produkte tatsächlich übereinstimmen). Strategien wie automatisierte Preisführung/Folgerschaft (z. B. immer 5% über oder 5% unter einem Konkurrenten) können konfiguriert werden ⁴², und das System führt diese Regeln in großen Katalogen aus. Noch ausgefeilter ist ihre Preiselastizitätsanalyse: Syncron Price kann messen, wie sich das Nachfragevolumen mit dem Preis für sensible Teile verändert ⁴³ und liefert eine „wissenschaftliche Sicht auf den Volumeneinfluss“, die hilft, einen optimalen Preis festzulegen.

Alle diese Preisgestaltungsfähigkeiten fließen wieder in die Bestandsoptimierung ein, indem sie beeinflussen, wie die Nachfrage ausfällt (und wie profitabel sie ist). Obwohl dies nicht in einem einzigen Algorithmus vollständig integriert ist (Bestand und Preis bleiben separate Module, die Daten austauschen), hat Syncron die Daten und Workflows effektiv vorintegriert. Das Ergebnis ist eine Form der vorschreibenden Analyse: Zum Beispiel, wenn der optimale Preis eines Teils steigt, wird Syncron Inventory eine etwas niedrigere prognostizierte Nachfrage feststellen und nicht zu viel bevorraten; wenn eine große Aktion oder Preissenkung geplant ist, kann die Prognose nach oben angepasst und der Bestand entsprechend positioniert werden ⁴⁴ ⁴⁵. Sie erwähnen explizit, dass während Preiskampagnen die Bestandsunterstützung gewährleistet wird, sodass man erkennen kann, ob ein Verkaufsspitzenanstieg echte neue Nachfrage war oder lediglich eine zeitliche Verschiebung ⁴⁵.

Skalierbarkeit & Kosteneffizienz. Syncrons Lösungen sind SaaS und hosten Daten sowie Berechnungen in der Cloud (vermutlich Azure). Sie geben an, dass über 20k+ Instanzen in mehr als 100 Ländern im Einsatz sind ⁴⁶, was auf eine robuste Multi-Mandanten-Cloud hindeutet. In Bezug auf das Datenvolumen sind viele Syncron-Kunden große OEMs (z. B. Volvo, JCB, Hitachi). Die Software bewältigt zig Millionen Teil-Standort-Kombinationen und umfangreiche Transaktionshistorien. Öffentliche Warnsignale hinsichtlich von Skalierungsgrenzen gab es bisher nicht; Syncrons ursprüngliche On-Premise-Versionen (vor etwa einem Jahrzehnt) wurden in den letzten Jahren zu einem cloud-nativen Stack modernisiert. Ein zu beachtender Aspekt ist die Kostenseite: Soweit bekannt, stützt sich Syncron nicht auf etwas wie Snowflake für Analysen, aber als spezialisierter Anbieter können die Abonnementkosten hoch sein (was in einer Quelle darin reflektiert wird, dass Syncrons Kosten als „deutlich unter dem Durchschnitt“ bewertet werden, möglicherweise weil die Preisgestaltung nicht benutzerbasiert, sondern wertbasiert erfolgt ⁴⁷). Der Vorteil ist, dass man nicht separat für ein Data Warehouse zahlt – Syncron bringt sein eigenes optimiertes Datenmanagement für Teile mit. Zudem bieten sie ein Lieferantenportal und Funktionen für virtuelle Lagerhäuser ⁴⁸ ⁴⁹ (zur Zusammenarbeit und zur Bündelung von Lagerbeständen), was einen Mehrwert über die Kernberechnungen hinaus schafft. Aus technologischer Sicht setzt Syncron nicht auf allzu trendige Begriffe; „KI-gesteuert“ wird verwendet, aber dahinter stecken bekannte Methoden, die auf den Ersatzteilbereich zugeschnitten sind (z. B. probabilistische Prognosen, Optimierungslöser). Dies deutet darauf hin, dass sich ihre F&E fokussiert, und nicht auf generischen KI-Hype ausgelegt ist. Wir sollten jedoch die beeindruckenden Leistungsversprechen auf ihrer Website (40% Kostensenkung etc. ³²) kritisch hinterfragen – diese repräsentieren vermutlich sorgfältig ausgewählte erfolgreiche Projekte. Beispielsweise könnte „30% Lagerbestandsreduktion“ ³³ von einem OEM stammen, der zuvor überhaupt keine Optimierung hatte. Es ist nicht garantiert für ein Unternehmen, das bereits ein Planungstool verwendet.

Wettbewerbsintelligenz-Integration. Syncron unterstützt eindeutig die Einbeziehung von Konkurrenzpreisen und Marktdaten in seine Preisempfehlungen. Wir sahen, wie sie den Nutzern raten, Wettbewerber-Sets und Querverweise zu definieren ⁴¹. Das bedeutet, wenn Sie ein OEM sind, der Ersatzteile verkauft, können Sie beispielsweise Aftermarket-Lieferanten-Teilenummern und Preise in Syncron Price laden und diese Ihren eigenen Teilen zuordnen. Die Software kann dann automatisch Ihre Preisgestaltung innerhalb der gewünschten Margen im Vergleich zu den Wettbewerbern halten. Außerdem berücksichtigt sie geografische Unterschiede, da der lokale Wettbewerb je nach Region variieren kann ⁵⁰. Diese Fähigkeit ist im Aftermarket entscheidend, wo Drittanbieter OEMs oft unterbieten – Syncron bietet eine systematische Methode, darauf zu reagieren. In Bezug auf das Handling der Kompatibilitätsmatrix für Konkurrenzteile muss der Nutzer den Querverweis pflegen (z. B. dass der Artikel 1234 von Wettbewerber X äquivalent zu meinem Teil ABC ist). Das System weiß dies nicht magisch; aber einmal eingerichtet, nutzt es diese Zuordnung, um die Preisgestaltung anzupassen und sogar Teile zu kennzeichnen, bei denen es keinen Wettbewerb gibt (wo Sie den Preis sicher erhöhen könnten). Syncron Inventory verwendet Wettbewerbsdaten nicht direkt (die meisten Unternehmen teilen ihre Lagerbestände nicht), aber indem Sie Ihren eigenen Bestand mit dem Wissen um Ihre Preiswettbewerbsfähigkeit optimieren, planen Sie indirekt besser. Beispielsweise, wenn Sie eine wertbasierte Preisstrategie wählen (höhere Preise für einzigartige Wertteile, niedrigere für standardisierte Teile), sorgt Syncrons integrierter Ansatz dafür, dass Ihre Lagerinvestitionen entsprechend folgen – mehr Bestand für margenstarke, gewinnträchtige Teile und kein Übervorrat für Teile, bei denen Sie ohnehin bei der Preisgestaltung verlieren würden ³⁹.

Multi-Channel und Automatisierung. Syncron bedient vorwiegend B2B-Kanäle (OEM zu Händler, OEM zu unabhängigen Netzwerken) und unterstützt mehrstufige Multi-Channel-Szenarien. Ein Hersteller kann Syncron nutzen, um seinen zentralen Bestand sowie den Bestand an Dutzenden von Händlerstandorten zu verwalten (ihre Dealer Inventory Management-Lösung ist eine Erweiterung, die dabei hilft, für jeden Händler lokale Bestandsniveaus und Nachbestellpunkte festzulegen, basierend auf sowohl lokaler Nachfrage als auch zentralen Daten ⁵¹). Für Vertriebskanäle kann Syncrons Nachfrageprognose nach Region oder Kundentyp segmentieren. Es wird vielleicht nicht explizit als „Omnichannel“ bezeichnet, da im Aftermarket die Kanäle nicht wie Einzelhandelsgeschäfte versus E-Commerce organisiert sind, aber die Idee ist ähnlich – man erhält einen einheitlichen Überblick über die Nachfrage an allen Vertriebsstellen.

In puncto Automatisierung zielen Syncrons Lösungen auf einen hohen Grad an autonomem Betrieb ab, wobei der Nutzer jedoch die Kontrolle über die Strategie behält. Planer, die Syncron Inventory nutzen, können weitgehend die Nachschubplanung automatisieren (das System generiert kontinuierlich Bestellungen/Angebote). Einer ihrer Stichpunkte lautet „Automate restocking planning“ ⁴⁹. Das Preismodul kann ebenso automatisch neue Preislisten in beliebiger Frequenz generieren, basierend auf den berechneten Regeln und Optimierungen. Allerdings entfernt Syncron den Nutzereingriff nicht vollständig: Benutzer definieren die Segmentierung, legen Anfangsregeln fest und können Preisvorschläge überstimmen oder genehmigen. Das System bietet eine umfangreiche Benutzeroberfläche, um „Was-wäre-wenn“-Szenarien zu simulieren (z. B. die Auswirkung einer Preisänderung auf das Volumen zu sehen) und Empfehlungen vor der Annahme zu überprüfen. Dies ist ein traditionellerer Entscheidungsunterstützungsansatz im Vergleich zur codezentrierten Automatisierung von Lokad. Es ist vorteilhaft für Organisationen, die Governance und fachkundige Aufsicht wünschen (z. B. ein Preismanager wird Strategien anpassen und dann das System neu berechnen lassen). Es kann jedoch auch eine Schwäche sein, wenn Nutzer zu sehr eingreifen oder zu viele Parameter offengelegt werden. Der Syncron-Blog warnt, dass die Kombination von Preisgestaltung mit Inventar die Komplexität und doppelte Anstrengungen reduziert ⁵² – was impliziert, dass in ihrer integrierten Plattform keine zwei separaten Datenintegrationen oder Abstimmungsprozesse erforderlich sind. Tatsächlich erwähnen sie ein reduziertes TCO und einfachere Upgrades, indem beide in einem System zusammengeführt werden ⁵².

Skeptische Betrachtung: Syncron untermauert seinen Ansatz mit greifbaren ingenieurtechnischen Überlegungen (z. B. listen sie explizit auf, wie die Integration von Preisgestaltung und Inventar zu besseren Ergebnissen führt, etwa durch die Nutzung prognostizierter Nachfrage in Preissimulationen ⁴⁴ und die Bewertung, ob Promotionen echte Nachfrage erzeugt oder lediglich den Zeitpunkt verschoben haben ⁴⁵). Dies verleiht Glaubwürdigkeit. Dennoch sollten wir jeden untermauerten Hype hinterfragen: Begriffe wie „KI-gesteuert“ werden verwendet, doch die KI-Details werden selten über „Maschinelles Lernen mit großen Datenmengen“ hinaus erläutert. Es wäre ratsam, Syncron nach spezifischen Details zu fragen (verwenden sie neuronale Netze für Prognosen? Gradient Boosting? Wie handhaben sie mathematisch Phasen ohne Nachfrage?). Außerdem, obwohl Syncron behauptet, ein Marktführer zu sein und viele große Kunden zu haben, gibt es Berichte über lange Implementierungszeiten bei einigen Projekten – die Integration in komplexe ERP-Systeme, die Bereinigung jahrzehntelanger Teile-Daten etc. sind keineswegs trivial. Wenn ein Anbieter eine schnelle Amortisation verspricht, sollte man Referenzen anfordern: Haben diese „50+ Unternehmenskunden“ ⁵³ alle den 20%igen Verfügbarkeitszuwachs erzielt? Wahrscheinlich nicht einheitlich. Ein weiterer Punkt zur Skepsis: Nutzerabstimmung vs. Automatisierung. Syncron bietet viele Konfigurationsmöglichkeiten (Serviceklassen, Preissegmente etc.), was ein zweischneidiges Schwert sein kann. Ein weniger erfahrenes Team könnte die fortschrittlichen Funktionen nicht vollständig nutzen und dadurch zu suboptimalen Ergebnissen gelangen (wodurch dann das Tool verantwortlich gemacht wird).

Alles in allem schneidet Syncron bei der gemeinsamen Optimierung-Fähigkeit sehr gut ab, da es bewusst Preisgestaltung und Lagerbestand im Aftermarket miteinander verknüpft. Es bewältigt die zentralen Herausforderungen schwankender Nachfrage und Teileersatz, wenn auch nicht mit einem so neuartigen Ansatz wie Lokad, zumindest aber mit zuverlässigen und bewährten Techniken. Sein großer Vorteil besteht darin, für den Aftermarket gebaut zu sein, was den Bedarf an kundenspezifischen Anpassungen reduziert. Die Skepsis richtet sich hauptsächlich darauf, ob die kühnen Behauptungen auch auf Ihre Situation zutreffen und ob die Integration tatsächlich wie beworben funktioniert und nicht nur auf dem Papier existiert. Syncrons Inhalte bestehen zahlreiche Glaubwürdigkeitsprüfungen (z. B. konkrete Beispiele, Verzicht auf übermäßigen Fachjargon) und bleiben somit eine der besten Lösungen, bei denen Lager- und Preisoptimierung wirklich zusammenarbeiten.

3. PTC Servigistics – Serviceparts-Optimierung auf Unternehmensniveau (Lagerbestand & Preisgestaltung)

Servigistics, im Besitz von PTC, ist eines der ältesten und am weitesten verbreiteten Systeme für das Management von Serviceparts (SPM). Es ist eine Lösung auf Unternehmensniveau, die von der Luft- und Raumfahrt, der Verteidigung, Automobil-OEMs, High-Tech- und Industrieunternehmen für After-Sales-Service-Lieferketten eingesetzt wird. Servigistics ist in Wirklichkeit eine Suite, die Service Parts Management (für Prognose und Lageroptimierung) und Service Parts Pricing umfasst. PTC wirbt stolz damit, dass es beides integriert anbietet: Ein offizieller Newsbrief hob hervor, dass „PTC’s Servigistics Service Parts Management and Service Parts Pricing software“ gemeinsam KI und Optimierungsalgorithmen nutzt ⁵. Über Jahrzehnte hinweg haben Servigistics (und seine übernommenen Vorgänger) eine umfangreiche Funktionalität in der mehrstufigen Lagerbestandsoptimierung entwickelt und in jüngerer Zeit maschinelles Lernen sowie IoT-gesteuerte Prognoseverbesserungen hinzugefügt ⁶.

Prognosen bei unregelmäßiger Nachfrage und KI. Servigistics blickt auf eine lange Geschichte von Algorithmen zurück, die speziell auf die spärliche Nachfrage nach Ersatzteilen zugeschnitten sind. Wahrscheinlich verwendet es Crostons Methode, Bootstrapping und fortgeschrittene Zeitreihenverfahren zur Prognose. Im Jahr 2020 kündigte PTC an, dass es „maschinelles Lernen und fortgeschrittene Optimierungs-Engines einsetzt, um die Prognosegenauigkeit zu verbessern“ und den Lagerbestand optimal auszunutzen ⁶. PTC behauptete sogar, über 1 Milliarde Dollar in die Entwicklung der Algorithmen und mathematischen Modelle für die Optimierung der servicebezogenen supply chain investiert zu haben ⁵⁴ – eine Zahl, die, so schwer sie auch zu überprüfen ist, Jahrzehnte an Forschung und Entwicklung (einschließlich der Arbeit früherer Unternehmen, z. B. die Übernahme von Teilen ehemaliger Konkurrenten wie Xelus) unterstreicht. In der Praxis ermöglicht Servigistics, die Nachfrage in „Nachfragestreams“ zur getrennten Analyse aufzubrechen ⁵⁵ – beispielsweise könnte ein Strom regelmäßige Wartungsbedarfe umfassen, ein anderer Rückrufe oder Kampagnen. Dies hilft, unregelmäßige Nachfrage ursachenspezifisch zu modellieren und die Stabilität zu erhöhen. Servigistics unterstützt zudem kausale Prognosen mit IoT-Daten: Ein Add-on nutzt PTCs ThingWorx-Plattform, um vernetzte Maschinendaten (z. B. einen Sensor, der einen Teileausfall vorhersagt) zu erfassen und dadurch die Prognosen anzupassen ⁵⁶ ⁵⁷. Dies ist eine fortschrittliche Fähigkeit, die PTC aufgrund seines IoT-Schwerpunkts einzigartig macht.

Mehrstufige Optimierung ist eine Kernstärke. Das Tool optimiert den Lagerbestand in komplexen Netzwerken (Zentrallager, Regionallager, Außendienststandorte, Transporter etc.) und kann für jeden Standort optimale Lagerbestandsniveaus empfehlen, um die angestrebten Serviceniveaus bei minimalen Kosten zu erreichen. Eine Fallstudie berichtet, dass Pratt & Whitney durch den Wechsel zu Servigistics und die Vereinheitlichung der Planung nach einer Fusion eine 10%ige Reduktion des Lagerbestands bei gleichzeitig 10%iger Steigerung der Füllrate erzielte ⁵⁸. Solche Verbesserungen deuten auf fortschrittlichere, mehrstufige Algorithmen hin (vielleicht eine ganzheitlichere, netzwerkweite Optimierung anstelle isolierter Planung). Lokads Kritik an „klassischen Tools, die sich auf lokale Servicelevels pro SKU fokussieren“ ⁵⁹ spielt wahrscheinlich auf ältere Methoden an – Servigistics versucht dies zu vermeiden, indem es den Netzwerkeffekt berücksichtigt (z. B. kann ein größerer Bestand im vorgelagerten Bereich mehrere Regionen mit weniger Gesamtbestand abdecken, ein Konzept, das auch ein Lokad-Kunde entdeckte ⁶⁰). PTC betont dies in seinem Marketing: Es geht darum, „das richtige Teil zur richtigen Zeit am richtigen Ort zu dem richtigen Preis“ ⁶¹ als Leitmotiv sicherzustellen.

Teilekompatibilität und Datenkomplexität. Da Servigistics auf Serviceparts fokussiert ist, bewältigt es Nachfolgeregelungen (bei denen ein Teil einen anderen ersetzt) nahtlos – es verknüpft Prognosen automatisch so, dass, wenn Teil A Teil B ablöst, die zukünftige Nachfrage für A auch die historische Nachfrage von B einschließt. Es kann zudem die endgültigen Bestellmengen für veraltete Teile vorschlagen, während Bestände neuer Teile aufgebaut werden. Allerdings wirbt Servigistics nicht explizit mit einer graphbasierten Kompatibilitätslogik wie Lokad. Stattdessen stützt es sich stärker auf genaue Stammdaten der Teile und Planungshierarchien (z. B. Teile nach „Funktionsgruppe“ oder Gerätetyp zu gruppieren). Ein Beitrag in der PTC-Community deutete darauf hin, dass ihr Produktmanagement Personen aus der Vendavo’s pricing practice und MCA Solutions für den Lagerbestand einbezog ⁶² – was auf eine interne Mischung aus Preis- und Lagerexpertise hindeutet. Diese bereichsübergreifende Zusammenarbeit meint wahrscheinlich, dass sie das Zusammenspiel von Preisgestaltung und Nachfrage berücksichtigen, wobei Servigistics Pricing historisch gesehen ein separates Modul war, das möglicherweise aus einem anderen Codebestand stammt (möglicherweise durch eine Übernahme eines SPM-Konkurrenten durch PTC um das Jahr 2010, der ein Preistool besaß).

Service Parts Pricing Modul. PTCs Servigistics Pricing richtet sich an die wertbasierte Preisgestaltung von Ersatzteilen. Es hilft typischerweise, Teile zu segmentieren (nach Wettbewerbsintensität, captive vs. non-captive, Kundenwert etc.) und Preise festzulegen, die den Gewinn maximieren, wobei die Zahlungsbereitschaft berücksichtigt wird. Beispielsweise könnte ein OEM es nutzen, um günstige Befestigungselemente stark zu bepreisen, falls bekannt ist, dass Kunden den Komfort schätzen, während teurere Motorenteile mit einem moderaten Aufschlag bepreist werden, um die Nutzung von OEM-Teilen zu fördern. Das Preismodul kann auch Marktpreise verfolgen; jedoch sind Details zur Integration von Wettbewerberpreisen bei PTC nicht sehr öffentlich. Angesichts von PTCs Fokus auf Hersteller verbindet sich ihre Preisoptimierung oft mit Serviceverträgen und dem gesamten Service-Lifecycle-Wert (sie haben auch Module für Garantien und Serviceverträge). Somit könnte PTC die Preisgestaltung aus einer etwas anderen Perspektive angehen: Es geht darum, die Lebenszyklusprofitabilität zu sichern und nicht nur die Marge einzelner Teile. Dies wird durch PTCs Betonung von „Service Lifecycle Management (SLM)“ unterstrichen. Tatsächlich verkauft PTC häufig eine SLM-Suite, in der Preisgestaltung, Lagerbestand, Außendienst etc. alle Daten gemeinsam nutzen.

Ein bemerkenswertes Zitat von PTC lautet: „Durch rigorose Bewertungen… [verschiedene Kunden] validieren Servigistics als die einzige Lösung auf dem Markt, die in der Lage ist, den Wert zu maximieren und gleichzeitig die Kosten zu minimieren.“ ⁶³. Diese kühne Aussage (wahrscheinlich von einem gesponserten Analysten oder einer Benutzergruppe) legt nahe, dass sie glauben, dass ihre Optimierung den optimalen Kompromiss zwischen Service und Kosten besser findet als andere. Dies sollte mit Skepsis betrachtet werden, da kein Tool buchstäblich „das einzige“ ist – aber es zeigt, dass PTC Servigistics als den optimalen Optimierer positioniert, wenn es voll genutzt wird.

Realität der gemeinsamen Optimierung. Integriert Servigistics wirklich die Preis- und Lageroptimierung? In der Software weisen die beiden Module eine gewisse Integration auf (sie teilen die Teile-Datenbank, und Preistipps können teilweise von Lagerparametern beeinflusst werden). Aber die Integration ist möglicherweise nicht so eng wie bei Syncron, einfach weil sie historisch getrennt waren. PTCs Ankündigung im Jahr 2020, die beide Module mit KI-Verbesserungen zusammenzufassen ⁵, deutet auf Bemühungen hin, sie gemeinsam arbeiten zu lassen. Beispielsweise könnten sie das Preismodul mit der Nachfrageelastizität, die das Lagerbestandsmodul erfasst, versorgen oder umgekehrt. Es ist durchaus möglich, etwa zu simulieren, wie sich eine Preisänderung auf Füllraten oder Bestandsentscheidungen auswirkt – ob dies jedoch ein nahtloses Benutzererlebnis darstellt, ist unklar. Angesichts von PTCs Kundschaft (die oft nur das eine oder andere Modul verwenden) könnten voll integrierte Einsätze selten sein. Dennoch ist jedes Modul, auch getrennt, sehr leistungsfähig.

Skalierbarkeit und Architektur. Servigistics hat sich in großem Maßstab bewährt – Boeing, Deere, Caterpillar (historisch) haben es eingesetzt, wobei jeder mit Millionen von Teilen und weltweiten Operationen zu tun hatte ⁶⁴. PTC bietet es inzwischen als SaaS auf der PTC Cloud an, obwohl viele Großkunden weiterhin On-Premise- oder private Cloud-Lösungen verwenden. Es handelt sich um einen schwergewichtigen Anwendungspaket (wahrscheinlich Java-basiert und unter Zuhilfenahme relationaler Datenbanken). Standardmäßig ist es nicht von externen Cloud-Datenlagern abhängig; PTC hat ein eigenes Datenschema und eigene Rechen-Engines, von denen viele große lineare Programme oder Heuristiken im Arbeitsspeicher ausführen. In der Vergangenheit stellten Einschränkungen beim Speicher und in der Rechenzeit große Projekte vor Herausforderungen (z. B. kann die Berechnung eines optimalen Einkaufs für zig Millionen Kombinationen von Teil-Standort-Paaren NP-schwer sein). Mit der Zeit hat PTC die Leistung verbessert – etwa durch Verbesserungen am „Performance Analytics and Intelligence module“ und den Einsatz von KI zur Ursachenanalyse ⁶. Man kann vermuten, dass sie jetzt auch mehr Cloud-Elastizität nutzen (indem sie bei belastenden Szenarien zusätzliche Rechenknoten hochfahren). Es gibt keine öffentlichen Informationen darüber, dass sie etwas wie Snowflake einsetzen; wahrscheinlich nicht, da PTC Analysen tendenziell in der App integriert. Was die Kosten angeht, so ist PTC Servigistics eine Premium-Lösung (Lizenz und Implementierung kosten oft mehrere Millionen für einen globalen OEM). Die Kosten können gerechtfertigt sein, wenn der Mehrwert (reduzierte Fehlbestände im Außendienst, verbesserte Serviceerlöse) hoch ist, aber kleinere Distributoren würden es als zu kostenintensiv empfinden. Außerdem, da es sich um eine monolithische Unternehmenssoftware handelt, sind Implementierungskosten und -risiken nicht zu vernachlässigen – etwas, das PTCs Wettbewerber oft ausnutzen. Tatsächlich wies Gartner in einem Kommentar zum Erwerb von i2 durch JDA (einem damaligen Konkurrenten von Servigistics) darauf hin, wie i2 zahlreiche komplexe Lösungen hatte, die „schwer zu managen… [bei] proliferierten Produkten“ waren ¹⁰. Servigistics selbst hat mehrere Übernahmen durchlaufen (PTC erwarb Servigistics im Jahr 2012; zuvor hatte Servigistics die Teile-Software von Click Commerce erworben etc.), sodass Altlasten entstanden sind. PTC hat Jahre damit verbracht, alles zu integrieren und umzuformen, aber einige zugrunde liegende Komponenten sind möglicherweise nicht vollständig vereinheitlicht.

Wettbewerbsdaten und Intelligence. Traditionell ermöglichte Servigistics Pricing die Eingabe von Wettbewerberpreisinformationen, doch es ist möglicherweise nicht so dynamisch wie neuere Cloud-Tools. Der Hinweis, dass ein VP von PTC einen Hintergrund in der Vendavo/Deloitte-Preisstrategie hat ⁶², deutet darauf hin, dass sie B2B-Preisgestaltung gut verstehen (Vendavo ist eine Preissoftware für die Fertigungsindustrie). Daher beinhaltet Servigistics Pricing wahrscheinlich Funktionen wie preispolitische Leitlinien basierend auf Segmenten, Wasserfallanalysen der Margen usw. Es wird vermutlich nicht automatisch Wettbewerberpreise auslesen oder aktualisieren – Anwender müssten Marktdaten periodisch importieren. Zudem, da viele PTC-Kunden in Sektoren tätig sind, in denen OEM-Teile mit Aftermarket- oder Graumarktprodukten konkurrieren, gibt es vermutlich Funktionen, um zu identifizieren, welche Teile hohem Wettbewerb ausgesetzt sind und welche als Single-Source gelten. PTCs Dokumentation verweist häufig auf die Maximierung des Kundenwerts und der Betriebszeit. Eine TrustRadius-Bewertung erwähnt sogar beiläufig, dass „sicherzustellen, dass Sie das richtige Teil… zum richtigen Preis haben“ ein Top-Feature sei ⁶⁵, was darauf hinweist, dass die Preisoptimierung zumindest von einigen Anwendern im Tandem genutzt wird.

Multikanal und vielseitig. Servigistics konzentriert sich auf den After-Sales-Kanal (Serviceparts). Es wurde nicht für den mehrkanaligen Einzelhandelsverkauf von Teilen an Endverbraucher entwickelt (PTC zielt damit nicht auf AutoZone oder Amazon ab, sondern vielmehr auf OEM- und Händlernetzwerke). Im gegebenen Kontext deckt es jedoch mehrere Kanäle ab: Ein OEM kann Teile für seine eigenen Servicezentren, unabhängige Distributoren und den Direktverkauf planen, wobei die Nachfrage jedes Kanals berücksichtigt wird. Es integriert sich auch in Außendienstsysteme (wie ServiceMax, wie in einem FAQ erwähnt ⁶⁶), um die Serviceausführung mit der Teileplanung zu verbinden. Diese Art der Integration bedeutet, dass sobald ein Außendiensttechniker ein Teil verwendet, Servigistics den Lagerbestand anpassen und selbst einen erhöhten Verbrauch vorhersagen kann, falls Maschinen Probleme melden. Dies fällt in den Bereich der Automatisierung – das automatische Erkennen von Nachfragesignalen und entsprechende Reaktionen.

Automatisierung und Nutzeranpassung. Servigistics kann viele Entscheidungen automatisieren (wie Vertriebsaufträge, Bestellvorschläge und Bestandsanpassungen). Doch typischerweise überprüfen große Organisationen die Ergebnisse dennoch von ihren Planern. Die Software selbst ist regelbasiert: Anwender legen Richtlinien fest (z. B. Serviceniveauziele nach Teilklassifikation, Mindest-/Höchstwerte etc.) und das System berechnet daraufhin Vorschläge. Sie verfügt über eine sehr umfassende Benutzeroberfläche, mit der Planer Prognosen analysieren, die Bestandsgesundheit überprüfen und Parameter anpassen können. PTC hat an der Verbesserung der Benutzererfahrung gearbeitet (sie erwähnen „Design Thinking zur Transformation der User Experience“ ⁵⁴). Dennoch könnte man kritisieren, dass Servigistics viele Einstellmöglichkeiten bietet – manche würden dies als Flexibilität bezeichnen, andere als Komplexität. Beispielsweise könnte es, wenn es nicht richtig konfiguriert ist, weniger optimale Ergebnisse liefern, sodass Berater hinzugezogen werden, um Einstellungen anzupassen. PTC bietet umfangreiche Dokumentationen und hält Kundengruppen zur Beratung bereit, um Best Practices auszutauschen ⁶⁷, sodass anerkannt wird, dass Nutzerwissen entscheidend ist. Ein autonomer Modus ist nicht wirklich das Verkaufsargument von Servigistics; vielmehr ergänzt es den menschlichen Planer („KI, um Managern zu besseren Entscheidungen zu verhelfen“ – so formulierte es Evo, ein neuer Wettbewerber ⁶⁸, was ironischerweise mit dem Ethos von Servigistics übereinstimmt).

Kritische Betrachtung: Servigistics besticht durch Langjährigkeit und Umfang, bringt jedoch auch Altlasten-Erbe mit sich. Einige Anwender haben insbesondere in der Vergangenheit gescheiterte oder ins Stocken geratene Implementierungen erlebt. So dauerte es beispielsweise bei der Einführung durch die U.S. Air Force Jahre, bis Ergebnisse erzielt wurden, was auf Datenprobleme und den Projektumfang zurückzuführen war (obwohl dies heute mit den neuesten Versionen als Erfolg gilt ⁶⁴). Eine in der Branche häufig zitierte Anekdote lautet, dass Caterpillar Servigistics genutzt, sich aber letztlich für einen Wechsel zu Syncron entschied – ein Schritt, der andeutet, dass Servigistics in diesem Fall möglicherweise nicht die erhofften Ergebnisse lieferte (die genauen Details sind intern, spiegeln aber wider, wie neuere Konkurrenten den Marktführer herausforderten). PTC hat versucht, durch Innovationen (etwa durch die Integration von IoT-Daten über ThingWorx, den Einsatz von KI-Analysen usw.) solchen Entwicklungen entgegenzuwirken. Dennoch sollte man hinterfragen, wie nahtlos diese neuen Komponenten in den bestehenden Kern integriert werden. Übertreffen ihre ML-Prognosen in realen Einsätzen tatsächlich die alten statistischen Modelle, oder handelt es sich um ein Verkaufsargument, das nur wenige Kunden voll ausschöpfen? PTCs Anspruch auf „unerreichte Tiefe“ wird teilweise durch die große Installationsbasis und die Funktions-Checkliste untermauert, aber kleinere Wettbewerber könnten in bestimmten Bereichen agiler sein (wie Lokad bei der Kompatibilitätsmodellierung oder Syncron bei der einfachen Cloud-Bereitstellung). Zudem werden Servigistics’ Preisoptimierungsfähigkeiten weniger hervorgehoben und sind möglicherweise weniger ausgereift als die spezialisierter Preisanbieter. Es könnte regelbasierte Preisgestaltung und einfache Elastizität bieten, jedoch vielleicht nicht die Art von Echtzeit-Wettbewerbsneubepreisung, die ein E-Commerce-Verkäufer benötigen würde.

Zusammenfassend ist PTC Servigistics ein Kraftpaket für die Bestandsoptimierung und eine solide, wenn auch etwas traditionelle, Lösung für die Preisoptimierung. Es wird in sehr groß angelegten Operationen vertraut (was ein Beleg für seine Skalierbarkeit ist). Die gemeinsame Optimierung ist konzeptionell vorhanden – PTC kann den gesamten Lebenszyklus von Service-Teilen sowohl finanziell als auch operativ abdecken – aber man muss während der Implementierung sicherstellen, dass das Preismodul und das Bestandsmodul tatsächlich mit den richtigen Daten und Annahmen miteinander kommunizieren. Wenn es gut umgesetzt wird, könnte ein Servigistics-Nutzer einen global optimierten Bestand erreichen, bei dem die Preisgestaltung den Gewinn pro Teilsegment maximiert, und das alles unter Beibehaltung der Serviceniveaus. Vorsicht ist geboten, sich in der Komplexität nicht zu verlieren (die Notwendigkeit für qualifizierte Ressourcen, sorgfältige Datenpflege und möglicherweise erhebliche Integrationsarbeiten, um den vollen Wert zu realisieren).

4. ToolsGroup (Service Optimizer 99+ und Evo) – Verbindung von Bestandsoptimierung mit präskriptiver KI für Preisgestaltung

ToolsGroup ist ein Veteran im Bereich der supply chain Planung und bekannt für seine Service Optimizer 99+ (SO99+) Software, die sich auf die Nachfrageprognose und Bestandsoptimierung spezialisiert hat, insbesondere für Nischen- und intermittierende Nachfrage. Viele Distributoren und Hersteller (einschließlich der Automobil- und Industriebranche) haben ToolsGroup für die Bestandsplanung genutzt. Bis vor Kurzem bot ToolsGroup keine native Preisoptimierung an – der Fokus lag auf Bestands- bzw. Serviceniveaus. Allerdings hat ToolsGroup Ende 2023 Evo erworben, ein KI-Unternehmen, das sich auf Preis- und Promotionsoptimierung konzentriert ⁷. Diese Akquisition (und der frühere Erwerb des Einzelhandelsplanungstools JustEnough) signalisiert ToolsGroups Strategie, gemeinsame, entscheidungszentrierte Planung zu liefern, bei der Preis- und Bestandsentscheidungen aufeinander abgestimmt werden ⁸. Das kombinierte Angebot wird unter „Dynamic Planning“ und einer entstehenden Suite von „.io“-Produkten (z. B. Inventory.io, Price.io, Markdown.io) ⁶⁹ ⁷⁰ vermarktet. Hier bewerten wir ToolsGroups Fähigkeiten im Kontext der Aftermarket-Optimierung und erkennen an, dass ihr Preisoptimierungsteil sehr neu ist (und somit sowohl eine Chance als auch einen Skepsispunkt darstellt).

Wahrscheinlichkeitsprognose und Beherrschung intermittierender Nachfrage. ToolsGroup hat lange mit der „außergewöhnlichen Fähigkeit, intermittierende Nachfrage vorherzusagen“ ⁷¹ geworben. Ihr SO99+-System war einer der Pioniere beim Einsatz von Wahrscheinlichkeitsverteilungen anstelle einzelner Prognosen für die Bestandsplanung. Sie integrieren interne und externe Einflussfaktoren und handhaben automatisch Aspekte wie „Neue Produkteinführungen, Substitutionen und Auslauf“ ²⁸ – entscheidend für Service-Teile, bei denen Teile häufig ersetzt oder schrittweise aus dem Sortiment genommen werden. ToolsGroups Nachfrage-Modellierung analysiert auf der niedrigsten Granularität (Bestellpositionen), um die sporadische Nutzung von Teilen zu erfassen ²⁸. Im Aftermarket bedeutet das, dass sie feststellen können, dass beispielsweise ein bestimmtes Teil nur wenige Einheiten pro Jahr verkauft, und entsprechend mit einer kalibrierten Verteilung planen (oft eine Poisson-Verteilung oder ähnlich). Dies vermeidet Überbestände aus Angst vor Lieferengpässen – ein Verkaufsargument ist, dass ihre Kunden den Bestand erheblich reduzieren, während sie den Service beibehalten oder verbessern. Tatsächlich nennt ToolsGroup oft Kennzahlen wie 30-40% Bestandsreduzierung und über 96% Produktverfügbarkeit, die von den Kunden erreicht wurden ⁷². Man sollte die Allgemeingültigkeit dieser Zahlen hinterfragen (wahrscheinlich Best-Case-Szenarien), aber unabhängige Analysten haben ToolsGroups Stärke in der Service-Level-Optimierung festgestellt – das Ausbalancieren des Bestands, um eine Ziel-Füllwahrscheinlichkeit zu minimalen Kosten zu erreichen.

Mehrstufige und Nischenfokussierung. ToolsGroup handhabt die mehrstufige Distribution von Natur aus, wie Syncron und PTC. Beispielsweise kann es optimieren, wie viel von einem Teil in einem zentralen gegenüber einem regionalen Lager gehalten werden soll, um Rückstände und Notfallsendungen zu minimieren ⁷³ ⁷⁴. Ein Blog von ToolsGroup zur Fertigung weist darauf hin, dass sie „den gesamten Nachschubplanungsprozess abdecken, einschließlich fairer Allokationslogik“ ⁷⁵ und die taktische Planung mit der Ausführung verbinden. In automobilen Begriffen können sie vorschlagen, wie man den Bestand über ein Netzwerk verteilt, um differenzierte Serviceniveaus zu erfüllen (vielleicht höhere Füllraten für kritische, schnell drehende Teile, niedrigere für langsame). Sie erwähnen ausdrücklich die automatische Handhabung von Substitutionen ²⁸ – sodass, wenn Teil A Teil B ersetzen kann, ihre Nachfrageanalysen dies berücksichtigen. Dies ähnelt der Handhabung von Kompatibilität; es ist jedoch wahrscheinlich mehr auf Eins-zu-eins-Substitutionen (wie ein neues, ersetzendes Teil) ausgerichtet als auf breit angelegte Austauschsets.

Handhabung der Kompatibilitätsmatrix zwischen Teil und Fahrzeug. Historisch gesehen hat ToolsGroup keine einzigartigen Funktionen rund um das Konzept der Kompatibilitätsmatrix veröffentlicht, wie es Lokad tut. Sie verlassen sich auf die Nachfragehistorie und von den Kunden definierte Produkt-Hierarchien. Wenn der Kunde eine strukturierte Kompatibilitäts- oder Austauschdatei bereitstellt, könnte ToolsGroups Modell eine Gruppe von Teilen als verwandt behandeln (zum Beispiel durch ihre Modellierung von „Rücksendungen und Substitutionen“ ⁷⁶). Es mag nicht so detailliert sein wie die Modellierung der Bedürfnisse jedes einzelnen Fahrzeugs. Dennoch hat ToolsGroup Automobilkunden und befasst sich wahrscheinlich mit ACES/PIES-Daten (branchenübliche Aftermarket-Daten in Nordamerika), indem sie die Nachfrage für äquivalente Teile aggregieren. Mangels expliziter Erwähnung nehmen wir an, dass ToolsGroup mit einer Liste von Ersatzteilen arbeiten kann und die Gesamtnachfrage der Gruppe vorhersagt, um diese dann basierend auf Marktanteil oder anderen Faktoren einzelnen Artikeln zuzuordnen. Es berechnet dies möglicherweise nicht inhärent aus Rohfahrzeugdaten – das heißt, wenn man ToolsGroup Rohdaten einer Fahrzeugpopulation nach Modell gibt, würde es daraus wahrscheinlich nicht direkt eine Teileprognose erstellen, ohne ein kundenspezifisches Modell zu entwickeln. Dies ist ein Bereich, in dem ToolsGroup möglicherweise auf sein neues „Data Hub / Digital Supply Chain Twin“ Konzept ⁷⁰ zurückgreift, um variablere Datenquellen zu integrieren, vielleicht sogar Fahrzeugtelemetrie oder Zulassungen, was jedoch eine kundenspezifische Konfiguration erfordern würde.

Ökonomische Entscheidungsfindung und neue Preisoptimierung (Evo). ToolsGroups Kernbestandsoptimierung arbeitete traditionell auf Basis eines Abwägungsverhältnisses zwischen Serviceniveau und Kosten. Nutzer setzten Serviceniveau-Ziele (oder das System findet ein optimales Serviceniveau, indem es Ausfallkosten gegen Lagerhaltungskosten abwägt, was ein ökonomischer Ansatz ist). Das Ergebnis sind Bestandsvorschläge, die eine bestimmte Füllrate mit minimalem Lagerinvestment erreichen – indirekt ein ökonomisches Ergebnis (maximaler ROI auf den Bestand). Ohne Preisgestaltung konnte es jedoch nicht direkt den Gewinn maximieren. Die Akquisition von Evo bringt wahre ökonomische Optimierungsfähigkeiten ein: Evos Technologie wird beschrieben als „nichtlineare Optimierung, Quantum Learning und fortgeschrittene präskriptive Analysen“ für Preisgestaltung und darüber hinaus ⁸. Während „Quantum Learning“ wie ein Schlagwort klingt, bezieht es sich wahrscheinlich auf neuartige KI-Algorithmen, die Evo entwickelt hat (Evo hat Verbindungen zur akademischen Forschung, auch Harvard-Fallstudien ⁷⁷). Der Schlüssel ist, dass Evos Lösung Preise und sogar Promotions optimiert, um Geschäftsziele zu erreichen. Beispielsweise könnte Evo den optimalen Preis für jedes Teil ermitteln, um die Gesamtmarge zu maximieren, während es Volumenänderungen berücksichtigt. Durch die Integration mit ToolsGroups Bestands-Engine kann das kombinierte System theoretisch beide koordinieren: Wenn Evo einen Preisrückgang bei bestimmten Teilen vorschlägt, um Marktanteile zu gewinnen, kann ToolsGroups Bestandsplanung den Bestand für diese Teile erhöhen, um Lieferengpässen bei höherer Nachfrage vorzubeugen. Umgekehrt, wenn der Bestand sehr knapp ist, könnte das System die Preise ansteigen lassen (oder Rabatte vermeiden), um die Nachfrage auszugleichen.

ToolsGroup hat bereits begonnen, diese Synergie zu vermarkten. Ihre Pressemitteilung besagt, dass die Integration „die effizienteste, in Echtzeit verfügbare supply chain und Preisoptimierungslösung“ bieten wird ⁷⁸. Sie sprechen zudem von einer „autonomen supply chain“, in der Entscheidungen über Bestand und Preisgestaltung durch KI mit minimalem menschlichen Eingriff getroffen werden ⁷⁹. Im Wesentlichen zielt ToolsGroup + Evo genau darauf ab, was die Frage postuliert: die gemeinsame Optimierung von Bestand und Preisgestaltung (und sogar anderer Hebel wie Promotions und Kundensegmentierung). Der CEO von ToolsGroup hob hervor, dass Evos Fähigkeiten ihnen helfen werden, entscheidungszentrierte Planung zu ermöglichen – was bedeutet, dass das System direkt Entscheidungen ausgibt, und nicht nur Einsichten ⁸.

Konkret hat ToolsGroup jetzt ein Modul namens Price.io (von Evo) ⁶⁹ ⁷⁰. Evos Methodik umfasst, alle relevanten Daten (Verkäufe, Kosten, Wettbewerber, Wetter usw.) abzubilden, um optimale Preisempfehlungen zu liefern, und verwendet dabei einen iterativen „Test-and-Learn“-Ansatz, der Prognosen verfeinert und sich an Marktbedingungen anpasst ⁸⁰. Ein Ausschnitt lautet: „Evo erstellt eine Karte der vorhandenen Daten wie Verkäufe, Kosten, Kunden, Wetter und Wettbewerber, um optimale Preisempfehlungen zu liefern … die Prognosegenauigkeit zu erhöhen und sich schnell an die Marktbedingungen anzupassen, sodass Organisationen ihre Kunden zufriedenstellen und gleichzeitig die Bestands-Effizienz und Rentabilität steigern können.“ ⁸⁰. Dies ist eine starke Aussage, die Preisaktionen mit Bestands-Effizienz verbindet – was beispielsweise implizieren könnte, dass, wenn eine Preissenkung die Nachfrage antreibt, Evos KI dies bemerkt und ToolsGroup sicherstellt, dass der Bestand nicht überrascht wird.

Es ist noch früh, um Fallstudien dieser gemeinsamen Lösung im Aftermarket zu sehen, aber ToolsGroup hatte bereits Automobil-Aftermarket-Kunden für die Bestandsplanung (z. B. beschreibt ein Blog aus 2024, wie Aftermarket-Hersteller bei der Navigation durch EV-bezogene Nachfrageschwankungen unterstützt wurden ⁸¹ ⁸²). Jetzt mit der Preisgestaltung könnten sie beispielsweise einem Teilevertreiber dabei helfen, die Preise dynamisch über verschiedene Kanäle anzupassen und die Lagerbestände entsprechend zu optimieren. ToolsGroup bietet zudem jetzt Markdown-Optimierung (Markdown.io) für auslaufende Teile und Promotions (Promo.io) an, was relevant sein könnte, um veraltete Bestände zu räumen oder langsam drehende Artikel zu bündeln – was direkt in Entscheidungen zur Sortimentsoptimierung einfließt.

Skalierbarkeit und Architekturüberlegungen. ToolsGroups Bestands-Engine hat sich bei mittelgroßen bis großen Problemen (Hunderttausende von SKU-Standorten) bewährt. Einige extrem große Einsätze (Millionen von SKUs) könnten eine sorgfältige Anpassung erfordern, aber ihr Umstieg auf Cloud-Dienste (Inventory.io) deutet darauf hin, zu vereinfachen und zu skalieren. Die neuen „.io“-Produkte deuten auf einen stärker cloud-nativen Ansatz hin, möglicherweise Microservices und den Einsatz moderner Daten-Backends. Zum Beispiel verspricht Inventory.io, das im Januar 2024 gestartet wurde, „KI-gestützte Bestandsoptimierung“ mit Echtzeit-Nachfragesignalen und der Optimierung der Bruttomargenrendite auf den Bestand (GMROI) ⁸³ ⁸⁴ – insbesondere wird dabei der direkte Zusammenhang zwischen Bestand und Marge hergestellt, was neu ist und wahrscheinlich Evos Einfluss zu verdanken ist. Es gibt den Hinweis, dass „Evo uns zeigte, dass reaktionsfähiger Bestand…“ (wahrscheinlich im Sinne einer dynamischen Anpassung der Bestandsstrategie an Marktveränderungen) Teil des Designs von Inventory.io ist ⁸⁴. Dies deutet darauf hin, dass ToolsGroup möglicherweise Teile von SO99+ neu gestaltet, um Evos Logik zu integrieren, vielleicht durch die Nutzung einer gemeinsamen Datenplattform.

Eine Sorge ist die Kosten-Effizienz im großen Maßstab. Falls ToolsGroups neue Lösungen stark darauf angewiesen sind, beispielsweise alle Daten in ein Snowflake Warehouse oder ein speicherintensives System für die KI-Verarbeitung einzuspeisen, könnten dadurch die Kosten steigen. ToolsGroup hat Snowflake nicht explizit erwähnt, aber einige ihrer Wettbewerber tun dies oder Kunden könnten es verwenden. Die Bezeichnung „.io“ und die Rede von einem „Digital Supply Chain Twin“ ⁷⁰ implizieren eine Cloud-Datenbank, die alle supply chain Daten spiegelt. Wir sollten beobachten, ob ToolsGroups Ansatz effizient bleibt oder zu hohen Cloud-Rechnungen führt. Angesichts des Fokus von ToolsGroup auf den mittleren Markt versuchen sie wahrscheinlich, die Kosten effizient zu gestalten (sie haben historisch argumentiert, dass ihre Automatisierung Eilaufträge reduziert usw., wodurch die Softwarekosten kompensiert werden).

Wettbewerbsintelligenz & Multi-Channel. Der Einschluss von Evo bringt eindeutig die Preise der Wettbewerber ins Spiel: Die Evo-Engine verwendet explizit die Preise der Wettbewerber als Input für Preisentscheidungen ⁸⁰. So kann ein ToolsGroup-Kunde nun beispielsweise Preise von Konkurrenzteilen, die aus Online-Marktplätzen erfasst wurden, in seine Planung einbeziehen. Das war etwas, womit ToolsGroup zuvor allein nicht umging. Kombiniert können sie eine wettbewerbsorientierte Preispositionierung durchführen, ähnlich wie das Preismodul von Syncron. ToolsGroups Stärke lag schon in der Multi-Channel-Nachfragebehandlung – ihre Nachfrageprognose kann Daten aus verschiedenen Kanälen oder Regionen einzeln modellieren ²⁸. Beispielsweise rühmt sich ToolsGroup, dass ihre Nachfrageanalysen kanalspezifische Verhaltensweisen berücksichtigen und sogar Demand Sensing für kurzfristige Anpassungen ermöglichen ⁶⁹ (sie haben ein Produkt für Demand Sensing, das auf aktuelle Verkaufsspitzen reagiert). Multi-Channel-Verkäufe (Online-Direktverkauf, Großhändler, Einzelhandelsgeschäfte) können als separate Ströme eingebracht werden, und ToolsGroup kann einen einzigen optimierten Plan unter Berücksichtigung aller erstellen. Jetzt mit Evo wird vermutlich auch Multi-Channel-Preisgestaltung unterstützt – beispielsweise könnten sie unterschiedliche Preise für E-Commerce im Vergleich zu grossangelegten B2B-Kanälen empfehlen, um Margenstrategien gerecht zu werden.

Automatisierung vs. Benutzereingabe. ToolsGroup bot historisch viel Automatisierung: automatische Prognosen, automatisierte Bestandsvorschläge. Nutzer setzten einige Parameter (z. B. Serviceniveaus pro Gruppe), aber einmal konfiguriert, generierte das System Bestellvorschläge. Mit der Evo-Integration zielt man darauf ab, „autonome Planung“ stärker zu realisieren. In ihrer Ankündigung erwähnte ToolsGroup, dass sie „die autonome supply chain der Zukunft“ liefern ⁷⁹ und der Gründer von Evo sagte, dass Kunden Ziele setzen und „die App die besten Bestandsniveaus, Preise und Angebote zur Erreichung dieser Ziele anzeigt“ ⁸⁵. Dies deutet auf den Übergang zu einem stärker ergebnisorientierten, robotisierten Entscheidungsträger hin – der Nutzer formuliert Ziele (z. B. Gewinnmaximierung bei gleichzeitiger Sicherstellung einer 98%igen Füllrate oder die Priorisierung von Umsatzwachstum), und die Optimierungsmodelle des Systems erledigen den Rest, indem sie den Plan präsentieren. Das ist ziemlich fortschrittlich und in der Praxis noch nicht weit verbreitet. Es ist ambitioniert, aber mit Evos Erfahrung (historisch wurden angeblich über 300 Mio. $ Gewinn für Kunden generiert ⁸⁵) erscheint es in engeren Anwendungsbereichen plausibel. Ein realistischer kurzfristiger Einsatz wäre beispielsweise: ToolsGroup erstellt Nachschubpläne und Evo schlägt Preise vor, während Planer beide über eine einheitliche Benutzeroberfläche überwachen, Änderungen genehmigen und KPIs verfolgen. Somit bleibt zwar ein Mensch im Entscheidungsprozess, jedoch mit deutlich weniger manuellen Eingriffen.

Skeptische Perspektive: Es gibt einige Warnzeichen bei ToolsGroup. Zunächst das Akquisitions-Integrationsrisiko. Wie die Frage schon andeutete, hat übernommene Software oft Mühe, sich wirklich zu integrieren. ToolsGroup muss jetzt Evo’s Plattform (die vermutlich ein eigenes Datenmodell und UI hatte) in SO99+ und möglicherweise in die Fähigkeiten von JustEnough integrieren. Dies könnte herausfordernd sein; in der Zwischenzeit könnte die Lösung ein wenig Flickwerk sein (Daten werden zwischen Modulen übermittelt, anstatt durch einen einheitlichen Algorithmus). Die Pressemitteilung behauptet sofortige Vorteile, aber realistisch wird die vollständige technische Integration Zeit in Anspruch nehmen. Wir sollten uns an vergangene Beispiele erinnern: JDA’s Übernahme von i2 dauerte Jahre, um rationalisiert zu werden, mit gemischtem Erfolg ¹⁰. ToolsGroup ist kleiner, aber Übernahmen spezialisierter Technologie bergen anfänglich das gleiche Risiko einer uneinheitlichen Benutzererfahrung oder fragiler Datenflüsse. Dies mildern sie, indem sie schnell ummarkieren und vermutlich API-Verbindungen zwischen den Systemen nutzen, anstatt alles neu zu schreiben. Dennoch sollten Early Adopters von ToolsGroup’s neuer Preisoptimierung einige Probleme erwarten oder zusätzliche Beratungsunterstützung benötigen, um das gemeinsame System zu kalibrieren.

Zweitens, der Einsatz von Schlagwörtern wie „quantum learning“ lässt die Augenbrauen hochziehen – es ist kein Standardbegriff im maschinellen Lernen. Es könnte ein Marketingversuch sein, um „sehr schnellen Lernalgorithmus“ auszudrücken oder auf Quantencomputing zu verweisen (obwohl Evo, soweit bekannt, keine Quantencomputer wörtlich einsetzt; es könnte metaphorisch gemeint sein). Dieser Jargon rechtfertigt es, ToolsGroup/Evo um konkrete Erklärungen zu bitten. Akzeptieren Sie „quantum“ nicht ungeprüft – es ist höchstwahrscheinlich nur ein Branding für ihre KI-Engine. Positiv ist, dass ToolsGroup spezifische Beispiele in ihren Materialien vorgelegt hat: z. B. ein Zitat eines Evo-Kunden (CEO von Event Network), der Evo’s Preisoptimierung dafür lobte, nachhaltige Innovation und zeitnahe Einblicke zu bieten ⁸⁶. Außerdem nannten sie eine Erfolgsbilanz und sogar Harvard-Fallstudien zu Evo ⁷⁷, was der Herangehensweise von Evo eine gewisse Drittanbieter-Glaubwürdigkeit verleiht.

Drittens, die Behauptungen von ToolsGroup bezüglich „real-time“ und „responsive AI“ müssen kritisch geprüft werden. Die Echtzeitoptimierung in der supply chain ist oft nur ein Hype; Entscheidungen wie Preisänderungen oder Bestandsanpassungen erfolgen nicht wirklich in Echtzeit jede Sekunde, sondern vielleicht täglich oder wöchentlich. Wenn ToolsGroup Echtzeit bewirbt, fragen Sie, ob dies nur bedeutet, dass sie schnell neu berechnen, wenn neue Daten eintreffen (was gut ist, aber nicht dasselbe wie eine kontinuierliche, sofortige Anpassung). Außerdem hat ToolsGroup im Jahr 2024 Inventory.io eingeführt, das mit KI „Stockouts and markdowns reduces“ ⁸³, vermutlich, indem es die Bestandsziele während der Saison häufiger anpasst. Wiederum handelt es sich wahrscheinlich um eine periodische Reoptimierung und nicht um eine minutengenaue Live-Neuplanung – was in Ordnung ist, aber Klarheit nötig macht, um unrealistische Erwartungen zu vermeiden.

Schließlich, Leistungsversprechen: ToolsGroup veröffentlichte oft aggregierte Verbesserungen (wie 30-40% weniger Bestand, etc. ⁷²). Ein aktueller Bericht besagt, dass ihre In-Season Optimization bis zu 5,5 Prozentpunkte mehr Marge durch einen besseren Full-Price Sell-Through erzielt ⁸⁷. Wie bei all diesen Behauptungen sollten wir Kontext verlangen (5,5 Punkte im Vergleich zu welchem Ausgangswert? Wie viele Kunden haben das erreicht?). Häufig stammen diese Angaben aus kontrollierten Pilotprojekten oder von einzelnen Kunden. Positiv ist, dass ToolsGroup keine völlig unglaubwürdigen Zahlen nennt; sie entsprechen dem, was gute Optimierung leisten kann, sind also nicht übertrieben, aber auch nicht garantiert.

Zusammenfassend ist ToolsGroup ein starker Anwärter für die Bestandsoptimierung im Aftermarket, mit einem neu erworbenen Vorsprung in der Preisoptimierung. Vor Evo konnte man kritisieren, dass ToolsGroup, wie andere auch, den Bestand für eine gegebene Nachfrage optimierte, aber diese Nachfrage nicht durch Preisgestaltung beeinflusste. Jetzt, mit Evo’s KI, können sie die Nachfrage und den Umsatz beeinflussen und den Kreislauf schließen. Wenn sie die Integration gut umsetzen, könnte dies ToolsGroup von einem reinen Planungstool zu einem autonomeren Gewinnoptimierungssystem erheben. Aber bis weitere Beweise vorliegen, sollte man etwas vorsichtig bleiben – stellen Sie sicher, dass eine ToolsGroup-Demo eine tatsächliche Koordination zwischen Preis- und Bestands-Empfehlungen zeigt (und nicht nur zwei getrennte Ausgaben). Bewerten Sie auch die Kosten: Die neuen Fähigkeiten von ToolsGroup (Price.io, etc.) erhöhen das Abonnement – man sollte diese kombinierten Kosten mit Alternativen wie Syncron vergleichen, die die Preisgestaltung bündeln, oder mit der Nutzung eines dedizierten Preis-Tools plus eines Bestands-Tools. Der Vorteil von ToolsGroup liegt darin, dass nun alles unter einem Dach ist, wodurch der Aufbau einer eigenen Schnittstelle zwischen beispielsweise Zilliant (Preisgestaltung) und ToolsGroup (Bestand) vermieden wird. Angesichts der soliden Erfolgsgeschichte von ToolsGroup und dieser Verbesserungen verdient es seinen Platz unter den Top-Anbietern für die gemeinsame Optimierung – mit dem Vorbehalt, dass es sich im Übergang von „inventory-first“ zu „holistic optimization“ befindet, einen Übergang, den sie scheinbar mit ernsthaften Investitionen und einem Blick in die Zukunft der AI-getriebenen supply chain decisions meistern ⁷⁹.

5. o9 Solutions – Das Digitale Gehirn: Integrierte Planung mit Preisgestaltungsfähigkeiten (Neu im Aftermarket)

o9 Solutions ist ein neuerer Anbieter (gegründet 2009, aber in den späten 2010er Jahren in den Vordergrund gerückt), der eine KI-gestützte integrierte Business-Planning-Plattform anbietet. Unter dem Markennamen „Digital Brain“ zielt die Plattform von o9 darauf ab, Bedarfsprognosen, supply planning, Erlösmanagement und mehr in einem einheitlichen Modell zusammenzuführen. Sie hat in verschiedenen Branchen (Einzelhandel, Fertigung, Konsumgüter) an Bedeutung gewonnen und wird oft als Konkurrent zu traditionellen Planungssuiten und sogar zu ERP-Planungsmodulen genannt. Für den automobilen Aftermarket ist o9 per se kein Spezialist, aber seine flexible Plattform kann für die Distribution von Service-Teilen und die Preisgestaltung konfiguriert werden. Bemerkenswert ist, dass o9 Price, Revenue & Market Planning als Teil seines Lösungsportfolios beinhaltet – neben der supply chain planning. Lassen Sie uns seine Fähigkeiten und seine Relevanz für die gemeinsame Bestands-Preis-Optimierung untersuchen:

Integrierte Planung mit fortgeschrittener Analytik. Das Markenzeichen von o9 ist ein einziges integriertes Datenmodell, in dem Nachfrage, Angebot und finanzielle Daten koexistieren. Beispielsweise kann ihr System simultan simulieren, wie sich eine Veränderung der Nachfrage (möglicherweise ausgelöst durch eine Preisänderung oder Promotion) auf Produktion und Bestand auswirkt, und sogar, wie eine Störung in der supply chain Preis- oder Allokationsänderungen notwendig machen könnte. Sie unterstützen multi-echelon Bestandsoptimierung als Modul ⁸⁸, sodass sie die grundlegende Mathematik der Bestandsplanung durchführen können (wie die Optimierung von Sicherheitsbeständen über verschiedene Ebenen hinweg). Gleichzeitig verfügt o9 über ein pricing & revenue management Modul – in ihren Marketingmaterialien heben sie die Elastizitätsmodellierung und Szenarioplanung für die Preisgestaltung hervor. Eine o9-Seite erklärt: „o9’s demand planning integration, elasticity models, and heuristic scorecards of external factors help pinpoint the best times and clusters for price changes. The o9 Digital Brain dynamically models changes in volume and revenue across your entire portfolio and marketplace when prices change, allowing you to see a holistic …“ ⁹ (der Ausschnitt ist gekürzt, weist jedoch eindeutig auf eine ganzheitliche Wirkungsanalyse von Preisänderungen hin). Genau diese Art von Fähigkeit ist für die gemeinsame Optimierung erforderlich: Man passt den Preis an, und sofort sieht man die prognostizierten Ergebnisse für Bestand und Umsatz.

Bedarfsprognose und intermittierende Nachfrage – o9 verwendet moderne Machine-Learning-Verfahren für die Prognose und kann viele Signale einbeziehen (wirtschaftliche Indikatoren, Promotionen, etc.). Allerdings rühmen sie sich nicht explizit mit einem einzigartigen Ansatz für intermittierende Nachfrage nach Service-Teilen, wie es Lokad oder ToolsGroup tun. Die Nachfrage im automobilen Aftermarket könnte die Anwendung von Croston’s Methode oder neuronalen Netzwerken, die für spärliche Daten trainiert wurden, erfordern – vermutlich kann o9 damit umgehen, aber das ist nicht ihr Hauptverkaufsargument. Sie prahlen häufiger damit, die Prognosegenauigkeit in Konsumgütern oder in der Produktion von Automobil-OEMs verbessert zu haben, wo die Daten reichhaltiger sind. Wenn ein Aftermarket-Kunde o9 einsetzt, würde er sich wahrscheinlich auf deren ML verlassen, um aus den verfügbaren Jahren an Daten zu lernen, und möglicherweise die knowledge graph-Fähigkeit nutzen, um verwandte Artikel zu verbinden. Tatsächlich kann die Plattform von o9 einen knowledge graph von Produkten, Komponenten und mehr erstellen, der dazu genutzt werden könnte, um Nachfolgeregelungen oder Kompatibilität zu modellieren (ähnlich dem Konzept einer Teile-Kompatibilitätsmatrix, jedoch nicht explizit dafür aufbereitet).

Teilekompatibilität und Datenintegration. Da o9 eine generische Plattform ist, wird sie nicht standardmäßig mit einer automobilen Teile-Kompatibilitätsdatenbank geliefert. Der Nutzer könnte eine einbinden (zum Beispiel eine Kreuzreferenz von Teilen zu Fahrzeugen und Ersatzteilen). Das Datenmodell von o9 ermöglicht es, ein Teil mit Attributen zu verknüpfen (wie etwa der Modellkompatibilität eines Fahrzeugs). Dies könnte den Aufbau einer benutzerdefinierten Prognosemetrik wie „Nachfrage pro in Betrieb befindliches Fahrzeug“ ermöglichen, falls gewünscht. Es liegt in der Fähigkeit von o9, erfordert jedoch, dass der Implementierer dies selbst vornimmt – während Lokad oder andere dies möglicherweise bereits vorgefertigt haben. Allerdings könnte o9 demand driver data einlesen, wie beispielsweise die Anzahl der in einer Region im Einsatz befindlichen Fahrzeuge, und dann ML einsetzen, um die Teilenachfrage mit diesem Treiber zu korrelieren. Angesichts des Fokus von o9 auf die Integration externer Faktoren ist dies plausibel. Es ist sicher zu sagen, dass o9 mit Kompatibilitäts-data umgehen kann, aber kein speziell entwickeltes Modul besitzt, das die Nuancen des automobilen Aftermarkets „versteht“, sofern es nicht konfiguriert wird.

Preisgestaltung und Wettbewerberintelligenz. Das Revenue Management Modul von o9 ist relativ stark. Es war ein wesentlicher Unterschied, dass o9 nicht nur supply chain angeht, sondern auch darauf abzielt, kommerzielle Entscheidungen zu optimieren. Für die B2B-Preisgestaltung (was im Aftermarket relevant ist, wenn an Distributoren oder Großkunden verkauft wird) bietet o9 „in-depth customer analysis and full supply chain data integration“ für die Vertragsgestaltung ⁸⁹ ⁸⁹. Das bedeutet, dass o9 bei der Aushandlung großer Verträge oder der Festlegung von Rabatten die Rentabilität unter Berücksichtigung der supply chain-Kosten usw. aufzeigen kann. Es ist eher ein Vertriebsaspekt, der jedoch auch in die Preisoptimierung einfließt. Für dynamische Preisgestaltung (wie das regelmäßige Aktualisieren eines Katalogs) unterstützt o9 eine auf Elastizität basierende Optimierung. Sie erwähnen, dass sie key customer insights (purchasing history, price elasticity, incentive impact) einbeziehen, um die Preisoptimierung zu verbessern ⁸⁹. Die Integration der Wettbewerberpreise erfolgt wahrscheinlich manuell: o9 könnte die Preise der Wettbewerber aufnehmen und als externen Faktor behandeln (zum Beispiel als Einschränkung: nicht über dem Wettbewerber um X zu liegen, oder als Faktor, der die Elastizität beeinflusst). Sie ermöglichen darüber hinaus scorecards of external factors (die Wettbewerberbewegungen, Marktindizes etc. beinhalten könnten), um Preisentscheidungen zu leiten ⁹.

Ein vielversprechender Aspekt ist die Stärke von o9 in der Szenarioplanung. Ein Nutzer kann in der Plattform Szenarien erstellen wie „Was wäre, wenn wir die Preise für diese Teile um 5% erhöhen? Was wäre, wenn sich die Lieferzeit eines Zulieferers verdoppelt?“ und das System wird die Auswirkungen durch das Nachfrage-Angebot-Netz simulieren. Blue Yonder betreibt ebenfalls Szenarioplanung, aber o9’s Benutzeroberfläche ist dafür bekannt, benutzerfreundlich zu sein, wenn es darum geht, Szenarien zu erstellen und zu vergleichen – mit finanziellen Ergebnissen. Beispielsweise könnte ein Unternehmen ein Szenario simulieren, in dem der Bestand um 20% reduziert wird, und den Einfluss auf den Service sowie den Umsatzverlust beobachten, und anschließend ein Szenario mit einem Preisrückgang zur Ankurbelung der Nachfrage durchführen, um zu sehen, ob dies kompensiert wird. Genau in diesem integrierten Szenario brilliert o9 konzeptionell.

Skalierbarkeit und Kosten. o9 ist cloudbasiert und darauf ausgelegt, große Unternehmensdaten zu verarbeiten. Einige Berichte deuten darauf hin, dass o9 ressourcenintensiv sein kann – es beinhaltet oft die Erstellung eines internen „digital twin“ der supply chain sowie umfangreiche Berechnungen. Es gibt Berichte, dass o9-Implementierungen Optimierungen benötigten, um die Leistungserwartungen bei wachsender Datenmenge zu erfüllen. Dennoch wurde o9 von Fortune-500-Unternehmen (z. B. Lenovo, Estée Lauder) für groß angelegte Planungen eingesetzt. Für einen automobilen Aftermarket mit beispielsweise 500k Teilen und multi-echelon Distribution sollte o9 in der Lage sein, dies zu modellieren, wenngleich eine robuste Cloud-Infrastruktur erforderlich ist. In Bezug auf die Kosten richtet sich o9 typischerweise an High-End-Kunden, sodass die Preisgestaltung mit großen Anbietern vergleichbar ist. Es könnte mit erheblichen Abonnementgebühren und Dienstleistungskosten verbunden sein, um die Modelle an das jeweilige Geschäft anzupassen. Ein möglicher Kostenvorteil besteht darin, dass, wenn ein Unternehmen mehrere Altlast-Tools (Demand Planning, Bestandsoptimierung, Preisgestaltung, S&OP) durch o9 ersetzen kann, der konsolidierte Wert die Ausgaben rechtfertigen könnte. Wird jedoch nur ein Teil von o9 genutzt (nur Bestand und Preisgestaltung), ohne die volle IBP-Funktionalität, könnten spezialisierte Tools kosteneffektiver sein.

Automatisierung und Benutzertuning. o9 ist trotz all des KI-Geplappers in der Regel ein gesteuertes Planungssystem. Benutzer (Planer, Nachfrageverantwortliche, Preisanalysten) interagieren regelmäßig mit dem System, betrachten Dashboards und Warnmeldungen, die das „digital brain“ produziert. o9 kann bestimmte Entscheidungen automatisieren – zum Beispiel automatisch einen Vorschlag für eine Bestellfreigabe ausgeben oder eine Preisänderung vorschlagen – erwartet aber im Allgemeinen, dass die Benutzer diese überprüfen oder genehmigen. Es ist weniger eine Black Box, die einfach ausführt, sondern eher ein intelligenter Assistent. Sie betonen real-time visibility and exception management: Das System überwacht KPIs und, wenn etwas schiefläuft (wie etwa eine Nachfrage, die weit über der Prognose liegt), wird dies markiert und es werden Maßnahmen vorgeschlagen (vielleicht die Versorgung beschleunigen oder den Preis anheben, wenn angebracht). Dies ist ein halbautomatischer Ansatz. Er verhindert einen vollständig freihändigen Betrieb, gewährleistet jedoch menschliche Aufsicht. Manche könnten argumentieren, dass diese Abhängigkeit von benutzergetriebenen Szenarien und Anpassungen eine Fortsetzung der traditionellen Planung darstellt (nur mit besseren Werkzeugen) und nicht ein revolutionäres, autonomes System. Es ist eine berechtigte Kritik, dass ein Großteil der o9-„KI“ im Hintergrund arbeitet und das Frontend weiterhin erfahrene Planer erfordert.

Skeptische Analyse: o9 ist oft schwer von Schlagwörtern – ihr Marketing liebt Begriffe wie „AI-powered“, „real-time“, „digital twin“, „machine learning at scale“. Öffentlich mangelt es ihnen manchmal an Details, möglicherweise weil ihr Geheimrezept teilweise im flexiblen Datenmodell und teilweise in den eingebetteten Algorithmen liegt (die nicht radikal anders sind als die anderer, sondern nur integrierter). Die Warnung der Frage bezüglich dieser Schlagwörter trifft definitiv zu: Wir sollten zum Beispiel fragen, was genau o9’s Ansatz für „demand sensing“ oder „real-time optimization“ ist. Ohne klare Antworten sollte man annehmen, dass es sich um eine Mischung aus etablierten Techniken mit einer glänzenden Benutzeroberfläche handelt. Ein weiterer Aspekt, den es zu beachten gilt, ist die domäne expertise – die Plattform von o9 kann für alles konfiguriert werden, aber das bedeutet, dass im automobilen Aftermarket der Kunde oder Berater das nötige Wissen einbringen muss (zum Beispiel, welche Teile austauschbar sind, wie Nachfolgeregelungen modelliert werden, was die Service-Level-Richtlinien sein sollten). Anbieter wie Syncron oder PTC verfügen in gewissem Maße bereits über dieses Fachwissen (etwa durch Vorlagen oder vorkonfigurierte Parameter). Mit o9 könnte man von Grund auf oder mit einer generischen Vorlage starten. Dies könnte zu längeren Implementierungszeiten oder Risiken führen, wenn Ihr Team nicht erfahren in der Planung für den Aftermarket ist. Im Wesentlichen ist o9 leistungsstark, aber nicht vorkonfiguriert.

Wir sollten beachten, dass die Gründer von o9 und viele Teammitglieder von älteren supply chain Unternehmen kamen (insbesondere i2 Technologies). Sie sahen, was nicht funktionierte – z. B. i2s übermäßig komplexe, isolierte Lösungen – und versuchten, ein einheitlicheres, benutzerfreundlicheres System zu schaffen. In diesem Sinne könnte o9 einige Fallstricke von Legacy-Integrationsproblemen vermieden haben. Es ist von Grund auf neu gebaut, sodass es keine alten Code-Integrations-Alpträume gibt. Allerdings könnte man argumentieren, dass es versucht, den Ozean zum Kochen zu bringen – indem es alles abdeckt (supply, demand, finance, etc.). In einigen Fällen führt ein tiefes Fokussieren auf einen Bereich zu besseren Ergebnissen (wie Lokad, das sich intensiv auf probabilistische Demand und kundenspezifische Optimierung konzentriert – möglicherweise liefert es eine höhere Vorhersagegenauigkeit bei langsamen Produkten als o9s allgemeinere ML).

Für wettbewerbsfähige Preisgestaltung hat o9 vermutlich nicht die Tiefe von Syncrons jahrzehntelangen spezialisierten Algorithmen, kann aber viele Strategien replizieren. Es könnte sich stärker darauf verlassen, dass der Benutzer ihm vorgibt, welche Strategie anzuwenden ist (zum Beispiel das Ziel, 5% über dem Wettbewerber zu liegen oder Ähnliches), während Syncron oder Revionics integrierte Regeln und sogar ein gewisses automatisiertes Lernen aus Preistests besitzen.

Abschließend lässt sich sagen, dass o9 Solutions eine starke Plattform für integrierte Planung ist und konzeptionell mit der gemeinsamen Optimierung übereinstimmt, indem alle relevanten Faktoren an einem Ort zusammengebracht werden. Sie ist fähig, Lagerbestände, Preisgestaltung und Sortimente gemeinsam zu optimieren, aber die Effektivität hängt davon ab, wie gut sie für ein spezifisches Aftermarket-Geschäft konfiguriert ist. Für eine Organisation, die ein System für alles von der Demand forecast über das Executive S&OP bis hin zur Preisgestaltung wünscht, ist o9 eine überzeugende Wahl. Dennoch muss genau darauf geachtet werden, dass die versprochene KI tatsächlich zu besseren Entscheidungen führt und dass Kosten/Komplexität nicht außer Kontrolle geraten. Wer o9 in Betracht zieht, sollte ein Pilotprojekt verlangen, das beispielsweise demonstriert, wie mit echten intermittierenden Demand-Daten und wettbewerbsfähigen Preisdaten ein koordinierter Bestands- und Preisplan erstellt wird, und überprüfen, ob die Ergebnisse besser sind als die separat spezialisierter Werkzeuge. Berücksichtigen Sie auch die Benutzererfahrung: Fühlen sich Ihre Planer wohl dabei, im Wesentlichen Szenarien zu programmieren und o9s KI-Empfehlungen zu vertrauen? Oder bevorzugen sie eine deterministischere Kontrolle?

Angesichts der relativen Neuheit von o9 in diesem speziellen Bereich könnte es etwas niedriger eingestuft werden, einfach weil es weniger bewährte Aftermarket-Referenzen gibt. Es ist bemerkenswert, dass o9 in Gartner Peer Insights und anderen Vergleichen häufig mit ToolsGroup und Blue Yonder im Bereich supply chain konkurriert und zudem mit Preisgestaltungstools für den Umsatz – was bedeutet, dass es ein Alleskönner ist, aber man muss überprüfen, ob es in diesen Bereichen wirklich ausreichend spezialisiert ist für Ihre Bedürfnisse.

6. Blue Yonder – Legacy-Führer mit modularen Lösungen (Lagerbestandsoptimierung + Retail-Preisgestaltung, aber eingeschränkte Integration)

Blue Yonder (früher JDA Software) ist ein langjähriger Riese in den Bereichen supply chain und Retail-Planung. Es bietet eine umfassende Suite namens Luminate, die Demand forecasting, Supply planning, Lagerbestandsoptimierung sowie Merchandising- und Preisgestaltungslösungen abdeckt. Die Relevanz von Blue Yonder für den Automobil-Aftermarket resultiert in erster Linie aus seiner Lagerbestandsoptimierungs-Herkunft (hervorgegangen aus JDA’s Übernahme von i2 Technologies im Jahr 2009, die eine starke Service Parts Management-Lösung besaß, die von OEMs genutzt wurde) und zweitens aus einer Preisoptimierungslösung (2020 von Revionics erworben, die stärker auf den Einzelhandel ausgerichtet ist). Zwar verfügt Blue Yonder über Komponenten für sowohl Lagerbestände als auch Preisgestaltung, doch ist die wesentliche Frage, ob diese wirklich für eine gemeinsame Optimierung zusammenwirken. Wir stellen fest, dass Blue Yonder tendenziell isolierte Module besitzt, die über Daten integriert werden können, die ursprünglich jedoch nicht als ein einheitliches System konzipiert wurden. Dies, kombiniert mit einigen Herausforderungen der Altsystemtechnologie sowie hype-geladener Kommunikation, positioniert Blue Yonder in dieser spezifischen Bewertung etwas hinter fokussierteren Lösungen.

Fähigkeiten der Lagerbestandsoptimierung. Blue Yonder Luminate Planning umfasst das, was früher als i2’s Service Parts Management bekannt war. Dies ist ein ausgereiftes, funktionsreiches IO-Tool (Inventory Optimization), das mehrstufige Netzwerke, intermittierende Demand forecasting und komplexe Versorgungseinschränkungen bewältigen kann. Beispielsweise nutzte Mercedes-Benz USA Blue Yonder’s Tools, um über 100.000 Service-Teile bei 400 Händlern zu verwalten und dabei branchenführende Service-Niveaus bei gleichzeitiger Rentabilität zu erreichen ⁹⁰ ⁹¹. Dies zeigt, dass Blue Yonder erfolgreich hohe Füllraten erreichte (MBUSA nannte in einer Diskussion 98% Service ⁹²) und die Investitionen in den Bestand ausbalancierte. Die Lösung von Blue Yonder berechnete vermutlich Sicherheitsbestände für jede Ebene und nutzte Szenarioplanung, um das Netzwerk zu stressen. Auf einer kürzlichen Automotive Logistics Konferenz skizzierte Blue Yonder’s Automotive-Stratege „fünf Schlüsselfaktoren“ für service parts supply chains und hob dabei Aspekte wie End-to-End-Sichtbarkeit, Szenarioplanung bei Unterbrechungen und die Ausrichtung von Service-Niveaus an der Rentabilität hervor ⁹³ ⁹⁴. Ein Zitat: „Resilienz geht nicht nur darum, massenhaft Inventar zu lagern… es geht darum, gleichzeitig schlank, profitabel und widerstandsfähig zu werden. Bei hoher Inflation möchte man hohe Service-Niveaus, aber kann man das mit geringem Working Capital erreichen?“ ⁷⁴. Das fasst Blue Yonder’s Ansatz in der Lagerbestandsoptimierung zusammen: Optimierung einsetzen, um den Service zu wahren und gleichzeitig Inventar sowie Kosten zu senken – im Wesentlichen das, was jedes gute IO-Tool leistet.

Blue Yonder bietet darüber hinaus eine S&OP/IBP-Schicht zur Bewertung finanzieller Ergebnisse. Es wird erwähnt, dass „finanzielle und strategische Richtlinien“ zusammen mit Servicevorgaben in den Planungsprozess einfließen ⁹⁵, was andeutet, dass ihr Planungssystem an Geschäftskennzahlen optimieren kann und nicht nur an der Füllrate. Tatsächlich lässt sich der mehrstufige Lagerbestandsoptimierer von Blue Yonder so konfigurieren, dass er die Gesamtkosten für ein vorgegebenes Serviceniveau minimiert oder den Service innerhalb eines Budgets maximiert – Formen der ökonomischen Optimierung. Allerdings beinhaltete der Optimierer von JDA/i2 traditionell keine dynamischen Preisentscheidungen; er ging davon aus, dass Nachfragekurven als Eingaben und nicht als Entscheidungsvariablen zu verstehen sind.

Nachfrageprognose bei Blue Yonder wird mittlerweile durch KI unterstützt (seit das Unternehmen sich nach der Übernahme eines deutschen KI-Unternehmens in „Blue Yonder“ umbenannt hat). Es verfügt über Luminate Demand Edge, das maschinelles Lernen einsetzt. Vermutlich bewältigt es intermittierende Demand durch eine Kombination aus Zeitreihenmethoden und ML. Wir haben keine spezifischen Details für Service-Teile, doch da MBUSA laut eigener Aussage eine höhere Vorhersagegenauigkeit mit Blue Yonder erzielte ⁹⁶ ⁹⁷, scheint es zufriedenstellend zu funktionieren. Im MBUSA-Fall wurde außerdem die Fähigkeit gelobt, What-if-Szenarien schnell (mehrmals pro Woche) durchzuführen, um Änderungen zu testen ⁹⁴ ⁹⁸ – etwas, das historisch mit älteren Tools einen Monat gedauert hätte. Diese Agilität ist in volatilen Zeiten (wie den COVID-Unterbrechungen, bei denen MBUSA durch schnelles Neuplanen in Blue Yonder navigierte ⁹⁹) von großer Bedeutung.

Fähigkeiten der Preisoptimierung (Revionics). Revionics (heute „Blue Yonder Pricing“) ist eine führende SaaS zur Optimierung von Einzelhandelspreisen. Es überzeugt in der Modellierung der Preiselastizität, in der Analyse von Werbeaktionen und in der Reaktion auf Wettbewerberpreise – vor allem für Produkte mit kurzer Lebensdauer im Einzelhandel (Lebensmittel, allgemeine Konsumgüter). Im Aftermarket-Kontext könnte Revionics zur Preisgestaltung von Ersatzteilen in Einzelhandelskanälen eingesetzt werden (zum Beispiel, wenn ein Unternehmen Teile direkt online an Verbraucher verkauft, könnte es diese Preise optimieren, unter Berücksichtigung von Online-Preisen der Wettbewerber, Nachfragelastizität etc.). Revionics nutzt KI, um zu modellieren, wie sich die Nachfrage in Abhängigkeit vom Preis verändert, und kann Preisregeln durchsetzen (wie etwa die Endung auf .99 etc.). Zudem kann es Wettbewerberpreise erfassen und einbeziehen – eine Notwendigkeit im eCommerce von Autoersatzteilen, wo Preisvergleiche leicht möglich sind.

Allerdings wurde Revionics nicht für die B2B-Preisgestaltung von Service-Teilen entwickelt. Es ist eher auf hochvolumige Retail-Szenarien zugeschnitten. Der Automobil-Aftermarket weist zwar Aspekte solcher Szenarien auf (zum Beispiel ist ein Online-Teileverkäufer ein sehr retail-orientiertes Umfeld), hat aber auch Facetten von Langschwanz- und Niedrigvolumen-Teilen, bei denen sich die Elastizität aufgrund spärlicher Daten schwer messen lässt. Revionics benötigt typischerweise ein angemessenes Verkaufsvolumen, um die Elastizität zu bestimmen; bei extrem langsamen Teilen könnte es auf regelbasierte Ansätze zurückgreifen. Blue Yonder hat Revionics möglicherweise noch nicht speziell an den Service-Teile-Bereich angepasst (obwohl dies möglich wäre).

Integrationslücke. Der Kern des Problems ist, dass Blue Yonder’s Lagerbestandsplanung und die Preisgestaltung von Revionics separate Produkte auf der Luminate-Plattform sind. Derzeit scheinen sie keinen einheitlichen Optimierungszyklus zu teilen. Ein Benutzer könnte manuell die Ergebnisse des einen im anderen nutzen – beispielsweise Revionics zur Festlegung der Preise einsetzen und diese Preispläne dann in die Demand forecast in Luminate Planning einspeisen, sodass der Lagerbestand anhand der neuen Preise geplant wird. Doch dies ist eine manuelle oder halbmanuelle Integration und keine automatisierte gemeinsame Optimierung. Die Roadmap von Blue Yonder könnte eine engere Integration vorsehen (sie sprechen von end-to-end unified commerce), aber man muss skeptisch bleiben, dass dies mit erheblichem Aufwand verbunden sein wird. Wir haben gesehen, wie frühere Übernahmen verliefen: Als JDA i2 erwarb, bemerkten Branchenexperten „i2 kommt mit einer breiten Palette komplexer Lösungen … was es schwierig macht, i2 als Softwareunternehmen zu managen“ ¹⁰. JDA/Blue Yonder integrierte letztlich einige i2-Algorithmen, doch es dauerte Jahre, und einige i2-Module wurden eingestellt. Ähnlich ist Revionics ein eigenständiger Cloud-Service; die Integration seiner Ergebnisse in Echtzeit in die Planung könnte komplex sein.

Skalierbarkeit und Architektur. Blue Yonder hat einen Großteil seines Stacks modernisiert, um in der Cloud (hauptsächlich Azure) betrieben zu werden. In einigen Fällen haben sie begonnen, Snowflake für ihre Daten und Analysen zu nutzen (sie kündigten Partnerschaften für den Luminate-Datenaustausch an). Das könnte bedeuten, dass ein Kunde, der Blue Yonder verwendet, möglicherweise auch Snowflake einsetzt, um Daten aus Planungs- und Ausführungssystemen zu konsolidieren – was zusätzliche Kosten verursachen kann. Die eigenen Anwendungen von Blue Yonder nutzen jedoch typischerweise Azure SQL oder Ähnliches im Hintergrund, nicht zwangsläufig Snowflake, außer bei fortgeschrittenen Analysen. Kostenmäßig bewegt sich Blue Yonder in der Regel im Enterprise-Level. Gelegentlich berechnen sie auch Gebühren pro Benutzer oder Modul, was sich summieren kann, wenn Nachfrage, supply, Lagerbestände und Preisgestaltung separat benötigt werden.

Eine architektonische Sorge: Die Heritage-Lösungen von Blue Yonder (wie i2 Service Parts) waren speicher- und rechenintensiv (bei der Lösung großer Optimierungsprobleme). Falls diese nicht optimiert werden, kann das Cloud-Hosting sehr kostspielig sein. Blue Yonder hat diese jedoch vermutlich inzwischen auf Azure optimiert und skaliert. Im Fall von MBUSA wurde explizit erwähnt, dass der Einsatz von Blue Yonder’s SaaS eine schnellere Durchführung von Szenarien ermöglichte ⁹⁴, was auf eine adäquate Cloud-Leistung hindeutet.

Wettbewerbsintelligenz und Kanalmanagement. Revionics ist sehr stark in der Analyse von Wettbewerberpreisen – es wurde entwickelt, um Preise von Wettbewerbern aufzunehmen (insbesondere für Online-Händler, die gegen Amazon etc. antreten). Daher kann Blue Yonder definitiv Daten zu Wettbewerberpreisen integrieren, zumindest im Bereich der Preisgestaltung. Bei der Lagerhaltung fließen Wettbewerbsinformationen hingegen nicht direkt ein (ähnlich wie bei anderen – man verringert den Bestand normalerweise nicht allein, weil ein Wettbewerber reichlich Lager hat, es sei denn, es erfolgt eine ungewöhnliche Koordination). Aber bei der Preisgestaltung: Das Tool von Blue Yonder kann automatisiert auf Wettbewerberpreisanpassungen innerhalb festgelegter Rahmenbedingungen reagieren. Das ist glaubwürdig; Revionics konnte dafür viele Referenzen im Retail-Bereich vorweisen. Multi-Channel: Die Commerce Suite von Blue Yonder dreht sich vollumfänglich um omni-channel – die optimale Abwicklung von Bestellungen aus jedem Kanal. Die Planung ist allerdings typischerweise nach Geschäftsbereichen segmentiert (es könnten separate Prognosen für OEM-Service versus Retail-Verkäufe erstellt werden). Bei Bedarf können diese im IBP integriert werden. Die Software könnte sowohl Händlernachfrage als auch eCommerce-Nachfrage erfassen, wobei diese vermutlich als zwei unterschiedliche Nachfragequellen behandelt werden.

Automatisierung und Benutzerkontrolle. Blue Yonder bietet traditionell eine hohe Konfigurierbarkeit. Die MBUSA-Erfahrung zeigte, dass in manchen Fällen noch auf das „tribale Wissen“ der Planer zurückgegriffen wird (z. B. Übersteuerungen während COVID) ¹⁰⁰. Blue Yonder betont ebenfalls eine Vision der „autonomen Planung“, aktuell handelt es sich jedoch mehr um einen Closed-Loop-Prozess, bei dem Pläne umgesetzt und das System regelmäßig neu plant, während die Benutzer überwachen. Es verfügt über Control-Tower-Funktionen, die automatisch Probleme erkennen und Aktionen auslösen können, doch eine vollständig robotisierte supply chain bleibt vorerst ein Ideal. Blue Yonder’s Salim Shaikh beschrieb ein „Closed-Loop-System, in dem wir Eingaben haben, spüren, wann etwas passiert, reagieren und zurückmelden… rinse and repeat“ ¹⁰¹. Das fasst im Wesentlichen ihren Ansatz zur Automatisierung zusammen: kontinuierlich neu zu planen (vielleicht mehrmals pro Woche) und anzupassen. Die iterative Neuberechnung erfolgt automatisiert, aber die Menschen setzen die Anfangsparameter und können diese anpassen.

Skeptische Punkte: Blue Yonder neigt dazu, viele Buzzwords zu verwenden – „autonomous supply chain, cognitive, real-time, ML-driven“ usw. Oft steckt jedoch Substanz dahinter (sie setzen ML ein; sie verfügen über Automatisierung), aber das Marketing überholt manchmal den tatsächlichen Integrationsgrad. So bedeutet beispielsweise die Bezeichnung ihrer Lösung als „end-to-end“ in Wirklichkeit, dass sie zwar Module für alles haben, diese Module aber möglicherweise nicht so nahtlos verbunden sind, wie es den Anschein hat. Das i2-Übernahme-Desaster erinnert daran: JDA versprach bereits 2010 mit i2 das „umfassendste integrierte supply chain Angebot“ ¹⁰², doch über Jahre blieben Kunden entweder beim alten i2 oder hatten mit den neuen Versionen zu kämpfen. Ein Teil dieses Erbes könnte Luminate noch immer belasten (vielleicht erklärt das, warum MBUSA weiterhin effektiv auf i2’s Logik verwies). Zudem sollten die Leistungsversprechen von Blue Yonder kritisch hinterfragt werden. Wenn sie sagen „X% Bestandsreduktion bei Y% Serviceverbesserung“, sollte man klären, ob es sich um Durchschnittswerte oder Einzelfälle handelt. Sie haben beeindruckende Fallstudien (wie etwa DHL mit 7% Transportkostensenkung im Netzwerkdesign, Renault mit zentralisierter Planung etc.), doch diese beinhalten oft Vorbehalte.

Probleme mit Altsystemen – Die Lagerbestandsoptimierung von Blue Yonder (aus i2) war leistungsstark, erforderte jedoch Feinabstimmungen und hatte manchmal den Ruf, komplex zu sein. Falls sie nicht vollständig neu programmiert wurde, könnte sie immer noch als Black Box gelten, die eine Expertenberatung für die optimale Konfiguration erfordert. Zudem könnte es aufgrund der separaten Natur von Revionics notwendig sein, unterschiedliche Fachkenntnisse zur Konfiguration einzusetzen (ein Team für Lagerbestandsplanung, ein anderes für Preisgestaltung). Das könnte zu organisatorischen Silos führen, sofern das einsetzende Unternehmen nicht aktiv für eine Überbrückung sorgt.

Sortimentsoptimierung – Blue Yonder verfügt über Kategorienmanagement-Tools aus dem Einzelhandelsbereich, die das Sortiment (Entscheidung, welche Produkte an welchem Standort angeboten werden) handhaben können. Im Aftermarket könnte Sortimentsoptimierung bedeuten, zu entscheiden, welche Teile überhaupt auf Lager gehalten werden (insbesondere bei langsam drehenden Produkten). Blue Yonders Werkzeuge könnten das theoretisch tun, indem sie Nachfragemuster und Rentabilität analysieren. Aber auch hier könnte es unautomatisiert sein – ein Planer legt vermutlich Schwellenwerte fest (z. B. wenn ein Teil seit 3 Jahren keine Nachfrage verzeichnet und die Fahrzeugpopulation gering ist, wird es zur Ausmusterung markiert). Konkurrenzlösungen wie Syncron nutzen eine ähnliche Logik. Es gibt keinen Beweis, dass Blue Yonder das Sortiment einzigartig optimiert, über das hinaus, was andere tun (und vermutlich mit weniger Fokus, da sie sich an Umgebungen richten, in denen der Katalog in der Regel vorgegeben ist und man versucht, den Bestand nach Bedarf zu füllen).

Zusammenfassend: Blue Yonder bietet viele Bausteine: erstklassige Bestandsoptimierung, solide Bedarfsplanung und eine führende Preisgestaltungs-Lösung. Allerdings wirken die Bausteine derzeit eher zusammengefügt als organisch vereint für eine gemeinsame Optimierung. Ein Unternehmen könnte Blue Yonder durchaus für eine gemeinsame Optimierung nutzen, müsste dafür jedoch zwei Systeme parallel betreiben und die daraus gewonnenen Erkenntnisse selbst integrieren. Der Anbieter liefert noch keine fertige „optimiere Preis + Bestand zusammen“-Lösung für den Aftermarket. Angesichts der Komplexität und einiger bemerkenswerter gescheiterter Implementierungen in der Vergangenheit (einige Kunden wechselten Systeme aufgrund von Frustration entweder mit i2 oder JDA in den 2000er Jahren), ist Vorsicht geboten. Blue Yonder ist eine leistungsstarke Option, besonders wenn Sie bereits eines seiner Module verwenden und erweitern möchten, aber stellen Sie sicher, dass Sie vage Versprechen hinterfragen. Beispielsweise sollten Begriffe wie „KI-gesteuerte Nachfrageerfassung“ mit einer Erklärung einhergehen, wie genau sie Ihnen hilft (erkennt es einen plötzlichen Anstieg bei einem bestimmten Teil und warnt Sie? Und was dann – passt es automatisch Preise oder Bestellungen an?). Wenn diese Fragen konkret beantwortet werden, könnte Blue Yonder eine sichere, wenn auch schwere Wahl sein. Andernfalls tendiert man vielleicht zu einer spezialisierteren oder moderneren Lösung für diesen speziellen Bedarf der gemeinsamen Optimierung.

Fazit

In einem Markt, der so herausfordernd ist wie der Aftermarket – gekennzeichnet durch sporadische Nachfrage, massive SKU-Zahlen und die Notwendigkeit, Service, Kosten und Gewinn in Einklang zu bringen – ist es entscheidend, den Hype der Anbieter zu durchschauen und diejenigen zu identifizieren, die tatsächlich eine gemeinsame Optimierung von Bestand, Preisgestaltung und Sortiment liefern können.

Aus dieser Analyse:

Lokad tritt als Innovationsführer hervor und bietet einen frischen, probabilistischen und ökonomischen Ansatz, der die Komplexitäten des Aftermarkets direkt angeht (Kompatibilitätsgraphen, vollständig numerische Optimierung jeder Entscheidung) ¹ ². Er minimiert die Abhängigkeit von benutzerbasierten Vermutungen und konzentriert sich auf automatisierte, evidenzbasierte Entscheidungen, wenngleich eine datenaffine Zusammenarbeit erforderlich ist.
Syncron zeichnet sich durch seine domänenspezifische Integration von Preisgestaltung und Bestand aus. Es bietet glaubwürdige, erprobte Fähigkeiten und stellt im Wesentlichen eine All-in-One-Optimierungsplattform für den Aftermarket dar, die sich um die grundlegenden Aspekte der Teileplanung kümmert und gleichzeitig Preise mit intelligenter, wettbewerbsfähiger Einsicht optimiert ⁴ ⁴¹. Seine Behauptungen werden in der Regel durch konkrete Funktionen untermauert, wobei die Nutzer die Strategieeinrichtung ordnungsgemäß umsetzen müssen, um die Vorteile zu nutzen.
PTC Servigistics bietet unvergleichliche Tiefe und eine lange Erfolgsbilanz. Es ist zuverlässig bei der Kernbestandsoptimierung und leistungsfähig in der Preisgestaltung, aber es liegt in der Verantwortung des Implementierenden, seinen umfassenden Umfang zu nutzen. Es tendiert dazu, schwerfällig und komplex zu sein – ein Vollblut, das einen erfahrenen Jockey benötigt. Obwohl es hervorragende Ergebnisse erzielen kann (und dies bei vielen OEMs ⁶⁴ getan hat), muss man auf veraltete Praktiken oder Schnittstellenprobleme achten, die seine theoretische Leistungsfähigkeit beeinträchtigen könnten.
ToolsGroup war historisch gesehen ein leises Arbeitstier in der Bestandsoptimierung für den Aftermarket und schreitet nun mit Evo entschlossen in den Bereich der gemeinsamen Optimierung vor. Es ist eines, das man im Auge behalten sollte: Die Kombination ihres bewährten Bestandsengines mit Evos Preis-KI könnte eine sehr leistungsfähige Lösung ergeben, die sowohl intelligent als auch benutzerfreundlich ist (wie durch ihre neuen, UI-zentrierten “.io”-Produkte nahegelegt wird). Aber derzeit besteht ein Integrationsrisiko und eine noch nicht im großen Maßstab bewährte kombinierte Nutzung – Vorsicht und ein Pilotprojekt wären ratsam, bevor man sich auf die Marketingversprechen verlässt ⁸. Der potenzielle Aufwärtseffekt ist jedoch erheblich, wenn sich ihre Vision realisiert.
o9 Solutions bringt moderne Technologie und eine integrierte Philosophie mit, was für diejenigen attraktiv ist, die eine einheitliche Planungsumgebung wünschen. Es kann theoretisch sicherlich leisten, was nötig ist, aber das Fehlen eines spezifischen Aftermarket-Fokus und die Abhängigkeit von Konfigurationen bedeuten, dass es nur so gut ist wie das Projektteam, das es implementiert. Unternehmen mit starken Analytikteams könnten o9 nutzen, um eine maßgeschneiderte Superlösung zu entwickeln; andere könnten es als zu allgemein empfinden und sich für etwas Vorgefertigtes entscheiden. Es ist ein Kompromiss zwischen Flexibilität und gebrauchsfertiger Bereitschaft.
Blue Yonder bleibt ein erstklassiger Anbieter im Bereich supply chain und Preisgestaltung jeweils für sich, doch bei der gemeinsamen Optimierung im Aftermarket hinkt es derzeit hinterher. Die Bausteine sind vorhanden, aber die Einheit fehlt. Man sollte skeptisch gegenüber Behauptungen sein, dass Blue Yonder allein den Bestand um X% reduziert, während die Fill-Rate um Y% steigt und gleichzeitig die Margen verbessert – es sei denn, es wird ein Fall gezeigt, in dem ihre Bestandsplanung und die Revionics-Preisgestaltung aktiv koordiniert wurden und messbare Verbesserungen erzielt haben, die über die einzeln erreichten hinausgehen. Ihre eigenen Kundengeschichten konzentrieren sich entweder auf Verbesserungen in der supply chain ⁹⁷ oder auf Preisverbesserungen, nicht beides zusammen in einer Erzählung, was schon viel aussagt. Bis Blue Yonder Preisgestaltung und Bestand fest in einer Engine (oder zumindest in einem nahtlosen Prozess) verknüpft, müssen die Nutzer die Integration größtenteils selbst vornehmen.

Insgesamt zeigt sich eindeutig, dass gemeinsame Optimierung nicht länger ein theoretisches Ideal, sondern eine praktische Notwendigkeit ist. Anbieter, die in nur einem Bereich (entweder Bestand oder Preisgestaltung) gewachsen sind, erweitern sich nun in angrenzende Bereiche – sei es durch eigene Entwicklung oder durch Übernahmen. Diese Konvergenz ist für Kunden vorteilhaft, da sie alle dazu zwingt, sich zu steigern. Allerdings führt dies auch zu mehr Marketing-Hype, da jeder Anbieter behauptet, „end-to-end KI-Optimierung“ zu bieten. Es liegt in der Verantwortung des Käufers, Transparenz zu fordern: Fragen Sie, wie die Lösung ein spezifisches Aftermarket-Szenario handhabt (z. B. ein Teil, das 12 Monate lang keinen Verkauf hat – wird der Bestand reduziert, der Preis erhöht oder wird es zur Löschung markiert? Auf welcher Logik basierend? Oder ein plötzlicher Nachfragesteigerung bei einem Teil, weil ein Wettbewerber ausverkauft ist – wird das System dies anhand verlorener Verkäufe bei Wettbewerbern (sofern Daten vorhanden) erkennen und Preise oder Bestand anpassen?).

Indem man eine gesunde Skepsis gegenüber durch Akquisitionen aufgepumpten Portfolios, wunderbaren KPI-Versprechen ohne Kontext und buzzword-lastigen Pitches wahrt und sich auf greifbare Fähigkeiten stützt, die durch Belege untermauert werden, können Unternehmen einen Anbieter wählen, der wirklich zu ihren Bedürfnissen passt.

Zusammenfassend haben die besten Anbieter (wie die hier am höchsten eingestuften) mit glaubwürdigen Quellen gezeigt, dass sie: probabilistische Prognosen zur Eindämmung von Schwankungen ¹³ einsetzen, das Wissen über Teilekompatibilität in die Planung integrieren ¹, wirtschaftliche Überlegungen (Gewinn- und Kostenabwägungen) in der Optimierung ² anwenden, auf große Datenmengen ohne exorbitante Kosten skalieren, wettbewerbs- und marktrelevante Daten in ihre Algorithmen einfließen lassen ⁴¹, alle Vertriebskanäle kohärent abdecken und einen hohen Grad an Automatisierung ermöglichen – mit der Option für fachkundige Eingriffe. Diejenigen, die in diesen Punkten nicht überzeugen konnten, wurden niedriger eingestuft.

Schließlich, über die Technologie hinaus, sollte man die Erfolgsbilanz des Anbieters im Aftermarket berücksichtigen. Implementierungs-Know-how, die Fähigkeit, Ihre spezifischen Datenunregelmäßigkeiten (z. B. unübersichtliche Kreuzreferenztabellen, spärliche Daten) zu handhaben, sowie die Unterstützung nach der Implementierung bei der Feinabstimmung des Systems können den Erfolg mehr beeinflussen als der Algorithmus selbst. Eine auffällige „KI-gesteuerte“ Demo bedeutet wenig, wenn der Anbieter Sie nicht durch den mühsamen Prozess der Bereinigung von drei Jahrzehnten Ersatzteilhistorie begleiten kann. Umgekehrt könnte ein Anbieter mit etwas weniger glänzender Technik, aber tiefgreifender Aftermarket-Expertise, schneller und zuverlässiger zum Mehrwert verhelfen. Die optimale Wahl variiert je nach Unternehmensgröße, Komplexität und Veränderungsbereitschaft – aber mit den oben genannten kritischen Erkenntnissen können Sie das Rauschen durchdringen und eine fundierte Entscheidung treffen.

Fazit: Bestands-, Preis- und Sortimentsoptimierung im automobilen Aftermarket ist ein vielschichtiges Problem – bestehen Sie auf Lösungen, die alle Dimensionen mit technischer Präzision angehen und nicht nur mit Marketing-Fassaden. Jeder Anbieter hat seine Stärken, aber keiner ist perfekt; indem Sie für jede Fähigkeit Belege verlangen, stellen Sie sicher, dass die gewählte Lösung nicht nur KPIs auf einer Folie optimiert, sondern in Ihren tatsächlichen Lagern und Bilanzen.