Bewertung von Algonomy, Supply Chain Optimierungssoftwareanbieter

Von Léon Levinas-Ménard
Zuletzt aktualisiert: September, 2025

Zurück zu Marktforschung

Algonomy ist die Fusion von Manthan Software und RichRelevance aus dem Jahr 2021, die einen ausgereiften Echtzeit-Personalisierungs-Stack (JavaScript-Tags, REST-APIs und eine regelbasierte Strategiebibliothek) mit einem Echtzeit-CDP kombiniert und für supply chain, Forecast Right (Nachfrageprognose) und Order Right (Wiederauffüllung) bietet. Die Personalisierungsschicht stellt gut dokumentierte Endpunkte (recsForPlacements) und Erstanbieterdatenerfassungsdomänen bereit; das CDP liefert SDKs (Android, iOS, React-Native) und „Active Content/CodeFusion“-Vorlagen; die supply-chain-Module bewerben multivariate hierarchische Prognosen (mit Kannibalisierung/Substitution) und einschränkungsbewusste Wiederauffüllung, die Bestellungen an ERP übermitteln kann. Öffentliche Belege stützen die operative Reife des Personalisierungs/CDP-Stacks; im Gegensatz dazu sind die Prognose-/Optimierungs-Interna in öffentlichen Materialien weitgehend proprietär, sodass Behauptungen dort als glaubwürdig, aber undurchsichtig gelten sollten, bis methodische Briefings, benchmarkete Fehlermetriken oder Code-Artefakte vorliegen. Die Finanzierungshistorie und Übernahmen vor der Fusion (Avail, Precog, Searchandise) sind gut dokumentiert; der 2023 gemeldete US-Listing-Plan, der zum Zeitpunkt der Fusion berichtet wurde, wurde seither nicht weiter eingereicht.

Algonomy Überblick

Identität & Umfang. Algonomy wurde öffentlich am 19.–20. Januar 2021 als die kombinierte Einheit von RichRelevance (gegründet 2006; Personalisierung) und Manthan (gegründet 2003/2004; Analytics) gestartet. Die Fusion ist im Unternehmens-Newsroom, Business Wire und in der Mainstream-Presse dokumentiert123. Ungefähr zur gleichen Zeit berichtete die indische Wirtschaftspresse über einen beabsichtigten US-Listing im Jahr 2023; bis September 2025 sind keine SEC/Nasdaq-Spuren ersichtlich4.

Produktdarstellungen, belegt durch Primärdokumente.

  • Personalization Cloud. Clientseitiges p13n.js und serverseitige JSON-APIs; der Kernendpunkt recsForPlacements liefert sortierte Elemente und protokolliert das Verhalten unter Beachtung von Merchandising-Regeln; die Erstanbieterdatenerfassung über recs.algorecs.com ist dokumentiert56. Die Versionshinweise beschreiben kontinuierliche Updates, inkl. „Ensemble AI“-Funktionen78.
  • Echtzeit CDP. SDKs und API-Leitfäden für Android/iOS/React-Native; der RN-Wrapper verbindet sich mit TargetOneMobileSDK (Android)91011. Active Content / CodeFusion bietet vorlagenbasierte Datenfusion und -darstellung12.
  • supply chain. Forecast Right behauptet multivariate, hierarchische Modelle, Kannibalisierungs-/Substitutionsmodellierung und Auto-Auswahl unter „hunderten“ von Kandidaten; Order Right behauptet einschränkungsbewusste Wiederauffüllung (Haltbarkeit, Mindestbestellmengen, Lieferzeiten, Ausstellungsbestand, Bestellrhythmus) mit ERP-Integration13141516. Linear Squared’s FORECAST Squared Azure/AppSource-Einträge bestätigen die Herkunft der Prognosetechnologie1718.

Fusionen & Übernahmen. Vor der Fusion erwarb RichRelevance Searchandise Commerce (2011), Avail (2013) und Precog (2013); alles wird durch Pressemitteilungen und Drittanbieter-Tracker bestätigt19202122. Nach der Fusion kündigte Algonomy die Absicht zur Übernahme von Linear Squared (5. Januar 2022) an; mehrere Medien berichteten darüber als Übernahme; Algonomy selbst formulierte dies als „Absicht“, sodass der Status aus späterem Produktbranding als abgeschlossen angenommen wird, der Abschluss wurde jedoch nicht explizit in der Presse bekannt gegeben232425.

Evidenzgrenzen. Die Integration und der Betrieb des Personalisierungs/CDP-Systems sind in öffentlichen Entwicklerrichtlinien umfassend dokumentiert; jedoch werden algorithmische Interna von „Xen/Ensemble AI“, Prognosemodellfamilien und die Optimizer-Klasse hinter Order Right nicht in technischer Tiefe offengelegt. Behandle die supply-chain Behauptungen als glaubwürdig, aber proprietär, bis reproduzierbare Details vorliegen.

Algonomy vs Lokad

Unterschiedliche Problembereiche. Die öffentliche Darstellung von Algonomy wird von digitaler Personalisierung + CDP dominiert, wobei die supply-chain Module als Teil eines breiteren Retail-Portfolios positioniert sind. Im Gegensatz dazu ist Lokad ausschließlich supply-chain ausgerichtet und positioniert eine programmierbare predictive optimization platform (DSL „Envision“) für probabilistische Prognosen und Entscheidungsoptimierung (Bestellungen, Zuweisungen, Produktion, Preisgestaltung). In der Praxis:

  • Modelltransparenz. Algonomy veröffentlicht Integrationsdokumente und Versionshinweise; die algorithmischen Interna bleiben proprietär. Lokad veröffentlicht Methodentransparenz (probabilistische Prognosen, entscheidungsorientierte Ziele, benutzerdefinierte Skripte) und legt explizit den Code bzw. die Logik offen, die zur Entscheidungsfindung verwendet wird.
  • Bereitstellungsmechanismus. Algonomy: produktisierte Module (Recommend/Find/Discover/Engage, RCDP, Forecast Right/Order Right), die darauf ausgelegt sind, in E-Commerce- und Planungsabläufe integriert zu werden. Lokad: ein programmierbarer SaaS – Kunden setzen benutzerdefinierte Envision-Apps ein, die vollständige Nachfrageverteilungen berechnen und Entscheidungen direkt optimieren.
  • Optimierungsansatz. Order Right von Algonomy behauptet einschränkungsbewusste Wiederauffüllung, gibt jedoch nicht öffentlich die Optimizer-Klasse (LP/MIP, Heuristiken etc.) preis. Die Literatur von Lokad betont probabilistische Optimierung (Monte-Carlo-bewusste Entscheidungen) und maßgeschneiderte Algorithmen (z. B. Stochastic Discrete Descent, Latent Optimization) mit in die Ziele integrierten wirtschaftlichen Treibern.
  • Zielnutzer. Die Personalisierungs-Suite von Algonomy richtet sich in erster Linie an digitale Merchandiser/Marketer (und Planer für Forecast/Order Right). Lokad richtet sich an Supply Chain Scientists/Planners, die bereit sind, Geschäftsregeln und ökonomische Zusammenhänge über DSL für White-Box-Entscheidungen zu kodifizieren.
  • Gesamteffekt. Wenn der Kernbedarf in omnichannel Personalisierung + CDP mit zusätzlicher Planung besteht, ist Algonomy die passende Wahl. Wenn der Kernbedarf in die Quantitative Supply Chain Optimierung mit vollständiger Transparenz und programmierbarer Steuerung besteht, ist Lokad die passende Wahl.

Unternehmensgeschichte, Finanzierung & Meilensteine

  • Fusion & Marke. Abschluss am 19.–20. Januar 2021 angekündigt; Algonomy-Marke übernommen123.
  • IPO-Plan (nicht umgesetzt). Presseberichte im Januar 2021 erwähnten einen US-Listing-Plan für 2023; danach wurden keine öffentlichen Einreichungen oder Ticker sichtbar4.
  • Nachrichtenrhythmus. Der Unternehmens-Newsroom listet Veröffentlichungen und Kundenerfolge bis 2025 auf (z. B. Produktankündigungen am 29. Mai 2025)26.

M&A-Aktivitäten (vor und nach der Fusion)

  • 2011 — Searchandise Commerce (Suchmonetarisierung). Mehrere Quellen bestätigen das Übernahmedatum1922.
  • 2013 — Avail (Schweden) (Online-Merchandising); Business Wire und weitere Berichte bestätigen dies20.
  • 2013 — Precog (Analytics-Technologie/-Assets). TechCrunch, AdExchanger und andere bestätigen dies2110.
  • 2022 — Linear Squared (Bedarfsplanung/Prognose). Die PR von Algonomy äußert die Absicht zur Übernahme; Drittanbieter berichteten dies als Übernahme; der vorgeschlagene Deal unterliegt Genehmigungen232425.

Differenzenprotokoll. Die Formulierungen „Absicht zur Übernahme“ vs. „übernimmt“ für Linear Squared (keine spätere Abschluss-PR gefunden)232425.

Technologie & Produktstack

Personalization Cloud.

  • Endpunkte & Verhaltensprotokollierung. recsForPlacements liefert sortierte Elemente für einen benannten Platz und protokolliert das Käuferverhalten unter Beachtung der Dashboard-Regeln5.
  • Erstanbieter-Datenerfassung. Die Dokumentation gibt an, dass auf recs.algorecs.com migriert wird (privacy-first) und umreißt Integrations- versus Produktionsendpunkte568.
  • Versionshinweise als Beleg für aktive Entwicklung. Z. B. fügt 24.22 (14. November 2024) regionsspezifische Ensembles für Outfits hinzu7.

Echtzeit-CDP & Active Content.

  • SDKs. Entwicklerleitfäden und SDK-Seiten für Android/iOS/React-Native; der RN-Wrapper verbindet sich mit TargetOneMobileSDK91011.
  • Active Content (CodeFusion). Vorlagengesteuerte Inhaltserzeugung und API-Fusion für die Aktivierung1218.

supply chain-Module.

  • Forecast Right. Behauptet: multivariate, hierarchische Modelle, Kannibalisierungs-/Substitutionsmodellierung und Auto-Auswahl unter „hunderten“ von Kandidaten; Szenarien/Sensitivität1314.
  • Order Right. Behauptet einschränkungsbewusste Wiederauffüllung (Haltbarkeit, Lieferzeit, Mindestbestellmengen, minimale Anzeige, Bestellfrequenz) mit ERP-Integration; die Azure-Eintragung bekräftigt den Umfang1516.
  • Nachweis der Herkunft. Die Azure/AppSource-Seiten von Linear Squared’s FORECAST Squared dokumentieren ein Prognoseprodukt, das in der Lage ist, Tausende von multivariaten Modellen zu erstellen und Algonomy’s Herkunftsbehauptungen zu untermauern1718.

Engineering-Artefakte & Herkunft.

  • RichRelevance GitHub org zeigt historische Java/Hadoop/Kafka-Artefakte (z. B. kafka-connect-hdfs, Storage-Bibliotheken), konsistent mit einem industriellen Java-Datenstack und Docker/Maven-Tools27.
  • Help Center konsolidiert Integrationshandbücher über die Module hinweg11.

Bereitstellungs- & Rollout-Muster

  1. Clientseitige Instrumentierung (Web). Lade p13n.js, setze Seitentyp/Kontext, rufe die API (z. B. recsForPlacements) auf, um Empfehlungen zu protokollieren und abzurufen; validiere in der Integration vor der Produktion; debugge mittels Netzwerkinspektion; die Erstanbieter-Domain wird empfohlen568.
  2. Mobile Instrumentierung. Füge RCDP-SDKs (Android/iOS/RN) hinzu, sende Ereignisse/Profile, instrumentiere Benachrichtigungen; der RN-Wrapper verbindet sich mit TargetOneMobileSDK91011.
  3. Aktivierung. Nutze Active Content/CodeFusion, um Daten abzurufen und personalisierte Inhalte über verschiedene Kanäle darzustellen1218.
  4. supply chain Rollout. Forecast Right erstellt SKU/Store-Prognosen (hierarchisch, multivariat); Order Right berechnet Bestellpläne unter Berücksichtigung von Einschränkungen und kann an ERP übermitteln. Öffentliche Dokumente geben nicht die Datenschemata, Modellfamilien oder die Solver-Klasse preis131516.

ML/AI/Optimierungskomponenten

  • Personalisierung / „Ensemble AI“. Belege unterstützen Strategie-Ensembles und konfigurierbares Merchandising mit fortlaufenden Veröffentlichungen; detaillierte Algorithmus-Interna (Verluste, Exploration, kontextuelle Bandits, neuronale Ranker) werden nicht veröffentlicht. Dies gilt als proprietäres Ensemble-/Selektoren-Framework mit Produktionsreife7.
  • Suche/Entdeckung. Fallstudien beschreiben eine „selbstlernende“ Suche mit Uplift-Zahlen; dies sind herstellerseitig veröffentlichte Behauptungen (nicht peer-reviewed)28.
  • Forecast Right (Nachfrage). Behauptet multivariate, hierarchische Modellierung mit Kannibalisierung/Substitution und Auto-Auswahl unter vielen Kandidaten; kein formelles Methodenpapier/Code öffentlich1314.
  • Order Right (Wiederauffüllung). Behauptet einschränkungsbewusste Optimierung + ERP-Übergabe; die Optimizer-Klasse (LP/MIP/stochastisch/heuristisch) wird nicht offengelegt1516.
  • Patente. Das Portfolio von RichRelevance belegt langjährige IP im Bereich Personalisierung, steht jedoch in keinem Zusammenhang mit der Offenlegung supply-chain Methoden29.

Stand der Technik

  • Personalisierung/CDP. Starke operative Belege (APIs, SDKs, Veröffentlichungstakt, Erstanbieter-Datenerfassung) unterstützen einen ausgereiften, unternehmensgerechten Personalisierungs-Stack; allerdings werden akademisch-fortgeschrittene Details (z. B. tiefe Sitzungsmodelle, kontrafaktische Evaluatoren) nicht öffentlich zugänglich gemacht, sodass „Stand der Technik“ als kommerziell erprobt und nicht als akademisch validiert interpretiert werden sollte579.
  • supply chain (Forecast Right / Order Right). Die Funktionsbehauptungen stimmen mit der modernen Praxis überein, aber keine öffentlichen Methodenkarten, Benchmarks oder Optimierer-Notizen sind verfügbar. Klassifiziere dies als glaubwürdig, aber undurchsichtig, bis dies durch technische Briefings, Ablationsstudien und Fehler-/ROI-Prüfungen an Standarddatensätzen untermauert wird1315.

Was Algonomy tatsächlich liefert

  • Personalisierung & Suche. Eine Produktions-API/JS-Plattform, die Verhalten protokolliert und sortierte Inhalte (Produkte/Suchergebnisse) für benannte Platzierungen/Anfragen liefert, basierend auf Merchandising-Regeln5.
  • Customer Data Platform. APIs & SDKs (Android/iOS/RN) zum Erfassen von Ereignissen, Pflegen von Profilen und Aktivieren von Inhalten (z. B. über Active Content/CodeFusion)912.
  • Nachfrageprognose. Ein für Außenstehende Black-Box-Prognosedienst, der multivariate hierarchische Modelle mit Kannibalisierung/Substitution und Szenariotools behauptet1314.
  • Wiederauffüllung. Ein einschränkungsbewusster Bestellplan-Generator, der Prognoseinput nutzt; kann Bestellungen an ERP übermitteln; die Optimizer-Interna sind nicht offengelegt1516.

Wie die Ergebnisse erzielt werden (Mechanismen & Architekturen)

  • Instrumentierung & Erfassung. p13n.js oder JSON API-Aufrufe richten sich an Erstanbieter-Erfassungsdomänen (recs.algorecs.com), mit klarer Trennung zwischen Integration vs Produktion und Debugging auf Browserebene568.
  • Bereitstellung & Regeln. recsForPlacements liefert sortierte Elemente und protokolliert das Ereignis; die Ausgaben entsprechen den Dashboard-Regeln und -Beschränkungen; „Ensemble AI“ weist auf eine kontextabhängige Strategiewahl hin57.
  • CDP-Aktivierung. Mobile/Web-SDKs senden Ereignisse an RCDP; Active Content-Vorlagen rufen REST-APIs auf und fusionieren Daten zur Darstellung91218.
  • Planungs-Module. Forecast Right wählt automatisch unter vielen Kandidatenmodellen; Order Right optimiert Bestellmengen unter Berücksichtigung von Einschränkungen und integriert sich in ERP. Die Modell-/Solver-Klassen sind nicht öffentlich spezifiziert, was die Überprüfbarkeit einschränkt1315.

Fazit

Die Personalisierungs/CDP-Technologie von Algonomy ist auf Integrations- und Betriebsebene umfassend dokumentiert und erscheint industriewürdig. Die supply chain Module (Forecast Right, Order Right) sind glaubwürdig, aber methodisch undurchsichtig: Die Behauptungen entsprechen der aktuellen Praxis, jedoch sind keine öffentlichen Methodennotizen, Benchmarks oder Optimierer-Offenlegungen verfügbar. Für eine gründliche Prüfung sollte angefragt werden: (1) ein Methodenbriefing für „Ensemble AI“ (Auswahlkriterien, Verluste, Explorationsstrategie), (2) eine Model Card für Forecast Right (Feature-Klassen, Hierarchiereinigung, Promotion-/Stockout-Behandlung, Fehlerverteilungen) und (3) eine Optimierer-Notiz für Order Right (Zielsetzung, Einschränkungen, Solver-Klasse, Optimalitäts- bzw. Berechnungsgarantien). Bis dahin sind die supply chain Behauptungen als Black-Box-Fähigkeiten und die Personalisierungsbehauptungen als gut belegte Implementierung zu betrachten.

Quellen

  1. Algonomy newsroom: launch announcement (Jan 19, 2021) ↩︎ ↩︎

  2. Business Wire: “Algonomy Launches to Power ‘Digital First’…” (Jan 19, 2021) ↩︎ ↩︎

  3. Times of India: „Manthan, RichRelevance vereinen sich, um Algonomy zu gründen“ (20. Januar 2021) ↩︎ ↩︎

  4. Economic Times: „Manthan, RichRelevance fusionieren, um Algonomy zu gründen; US-Börsengang im Jahr 2023“ (Januar 2021) ↩︎ ↩︎

  5. Algonomy Recommend API: recsForPlacements (Endpunkt, Protokollierung, First-Party Domain) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  6. JSON-Integrationsübersicht (First-Party recs.algorecs.com, Versionierung) ↩︎ ↩︎ ↩︎ ↩︎

  7. Release Summary 24.22 (14. November 2024): Ensemble AI, regionsspezifische Outfits ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  8. Release Summary 24.06 (21. März 2024): Native First-Party-Instrumentierung, algorecs.com ↩︎ ↩︎ ↩︎ ↩︎

  9. RCDP Entwicklerleitfäden (APIs & SDKs) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  10. React-Native SDK Leitfaden (Brücke zu TargetOneMobileSDK) ↩︎ ↩︎ ↩︎ ↩︎

  11. Android SDK Installation (TargetOneMobileSDK.aar) ↩︎ ↩︎ ↩︎ ↩︎

  12. Active Content / CodeFusion Entwicklerleitfäden ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  13. Forecast Right-Datenblatt (PDF) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  14. Forecast Right eBook/Landingpage ↩︎ ↩︎ ↩︎ ↩︎

  15. Order Right-Datenblatt (PDF) ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  16. Azure Marketplace: Algonomy Order Right Übersicht ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  17. Azure Marketplace: Linear Squared FORECAST Squared ↩︎ ↩︎

  18. Microsoft AppSource: Linear Squared FORECAST Squared ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  19. Mergr — RichRelevance erwirbt Searchandise Commerce (Dezember 2011) ↩︎ ↩︎

  20. Business Wire — RichRelevance erwirbt Avail (13. Mai 2013) ↩︎ ↩︎

  21. TechCrunch — RichRelevance erwirbt Precog (14. August 2013) ↩︎ ↩︎

  22. AdExchanger — „Searchandise-Akquisition und Strategie in Aussicht“ (Dezember 2011) ↩︎ ↩︎

  23. PR Newswire: „Algonomy kündigt die Übernahmeabsicht von Linear Squared an“ (5. Januar 2022) ↩︎ ↩︎ ↩︎

  24. Algonomy Presse: „Verkündet die Absicht, das Geschäft von Linear Squared zu übernehmen“ (5. Januar 2022) ↩︎ ↩︎ ↩︎

  25. Retail Today: „Berichterstattung über den Linear Squared-Deal“ (Januar 2022) ↩︎ ↩︎ ↩︎

  26. Algonomy Newsroom (Unternehmenspresse & Neuigkeiten) ↩︎

  27. GitHub — RichRelevance Organisations-Repositories (Kafka/HDFS, Storage-Bibliotheken, etc.) ↩︎

  28. Fallstudie — Verkkokauppa.com (personalisierte / selbstlernende Suche) ↩︎

  29. Justia Patents — RichRelevance, Inc. Zuweisungsliste ↩︎