Kontakt

Bewertung von Algonomy, Anbieter von KI-Software für den Handel

Von Léon Levinas-Ménard
Letzte Aktualisierung: 4. November 2026

Zurück zur Marktforschung

Algonomy liefert Handelssoftware für Nachfrageprognosen, Bestandsauffüllung, Sortimentssteuerung, Lieferantenzusammenarbeit, Kundendaten und E-Commerce-Personalisierung. Order Right erzeugt Einkaufs- und Umlagerungsempfehlungen; Vendor Link verbindet Händler mit Lieferanten. ADA schloss die Übernahme von Algonomy im Juli 2026 ab und führt das gemeinsame Geschäft unter der Marke ADA zusammen. (1, 2)

Gesamtbewertung für Supply Chain: 3,9/10

Dimension Bewertung
Supply-Chain-Tiefe 3,6/10
Substanz der Entscheidungen und Optimierung 4,4/10
Integrität von Produkt und Architektur 4,2/10
Technische Transparenz 4,2/10
Seriosität des Anbieters 3,2/10

Order Right folgt einem erkennbaren Ablauf: Produktnachfrage prognostizieren, Auffüllungsbedingungen anwenden und Bestellempfehlungen ausgeben. Öffentliche Unterlagen beschreiben Handelsrestriktionen und operative Integrationen, lassen die zentrale wirtschaftliche Berechnung aber unerklärt. Sie zeigen nicht, wie konkurrierende Bestellungen bei gemeinsamer Nachfrage- und Versorgungsunsicherheit bewertet werden. Eine große Sammlung von Prognosealgorithmen kann diese Lücke nicht schließen.

Die Kommunikation verschärft diese Schwäche. ADA wirbt mit 97 % Nachfrageprognosegenauigkeit, ohne die zur Interpretation notwendige Definition zu liefern. Algonomys Geschichte reicht zudem von einem 2017 angekündigten menschenähnlichen Analyseassistenten bis zur heutigen agentischen Positionierung, ohne die Verbindung zwischen Versprechen und eingesparter Arbeit über die Zeit ausreichend zu messen. Die deutlichsten Produktivitätsbelege betreffen die Lieferantenverwaltung; der numerische Auffüllungsalgorithmus bleibt schwer überprüfbar. (3, 5, 10, 15)

Algonomy und Lokad im Vergleich

Der praktische Unterschied betrifft die Frage, wer die Logik schreibt und pflegt, die über Einkauf, Umlagerung und Preisnachlässe entscheidet. Algonomy liefert fertige Prognose- und Auffüllungsmodule, die eigene Ingenieure konfigurieren und Daten-, Anwendungs- und Modellierungsspezialisten betreuen. Händler geben betriebliche Regeln vor und können Empfehlungen ändern. Das Merchandising-Angebot ergänzt dies um analytische und dialogbasierte Oberflächen für Warengruppenteams. (2, 13)

Lokads Quantitative-Supply-Chain-Ansatz richtet die Zusammenarbeit auf ausführbare Entscheidungen aus, die unter Unsicherheit in Geld bewertet werden. Ein Supply Chain Scientist bereitet Daten auf, formalisiert die Entscheidungslogik, implementiert die Überwachung und betreut den Produktionsprozess im Rahmen der Dienstleistung. Wirtschaftliche Prioritäten und verfügbare Aktionen werden Bestandteil dieser gepflegten Berechnung.

Betrachten wir Frischeprodukte, die Regalplatz und eine Lieferantenanlieferung teilen. Häufigere Bestellungen können Verderb verringern, aber Transport- und Warenannahmekosten erhöhen; ein Rabatt auf ein Produkt kann Nachfrage von einem anderen abziehen. Die technische Aufgabe besteht darin, diese gekoppelten Aktionen und ihre unsicheren finanziellen Folgen zu vergleichen. Algonomy dokumentiert Prognoseeingaben, Bestellrestriktionen und Merchandising-Funktionen, legt aber keine gemeinsame Berechnung offen, die diese Zielkonflikte löst.

Beide Angebote erfordern Pflege, wenn sich das Geschäft verändert. Entscheidend sind die Kosten, um eine fehlerhafte Entscheidungsregel zu korrigieren, sie über das Sortiment hinweg zu testen und die Korrektur einzuführen. Lokads Introduction to Supply Chain erläutert diese wirtschaftliche Perspektive; auch ihre Umsetzung muss die Dienstleistungskosten durch bessere Entscheidungen und weniger wiederkehrende Arbeit rechtfertigen.

Was Order Right berechnet

Die FAQ von Order Right beschreibt multivariate Prognosen auf SKU-Standort-Ebene mit hierarchischen Verfahren für dünn besetzte Zeitreihen und automatischer Auswahl aus Modellkandidaten. Die Ergebnisse umfassen Filialbestellungen, Lagerbestellungen und Umlagerungen; sie werden über Excel oder eine ERP-Bestellschnittstelle übermittelt. (2)

Das Datenblatt von 2022 beschreibt den Entscheidungsschritt genauer. Prognosen fließen in proprietäre Auffüllungsalgorithmen ein, die Verfall, Haltbarkeit, Lieferzeit, Mindestbestell- und Mindestpräsentationsmengen sowie Bestellhäufigkeit berücksichtigen. Nutzer wählen ein Risikoniveau; möglicher Verderb kann in die Modellauswahl eingehen. Das sind nützliche Steuerungsmöglichkeiten, doch das Dokument nennt weder eine monetäre Zielfunktion noch ein Wahrscheinlichkeitsmodell hinter der Risikoeinstellung oder einen Algorithmus zur produktübergreifenden Abstimmung knapper Ressourcen. (3)

Diese Unterscheidung ist wichtig, wenn die Prognose plausibel und die Empfehlung trotzdem schlecht ist. Eine Verpackungseinheit kann die wirtschaftlich sinnvolle Menge übersteigen. Ein kleiner Verlust an Verfügbarkeit kann mehr Verderbskosten sparen, als er an entgangener Marge verursacht. Ein gemeinsamer Lkw oder ein begrenztes Budget kann die individuell beste Bestellung zu einer schlechteren Ressourcennutzung machen. Ein Auffüllungsalgorithmus braucht ausdrückliche Bewertungen dieser Entscheidungen; eine bessere Prognose allein liefert sie nicht.

Die Produktseite für den Lebensmittelhandel beschreibt Aktionsverschiebungen, Wetterprädiktoren, konfigurierbare Lieferkalender und Verfallswarnungen je Produkt. Die Prognoseseite beansprucht außerdem, Kannibalisierung zwischen ähnlichen Produkten vorherzusagen. Kein veröffentlichtes Experiment trennt zusätzliche Aktionsnachfrage von Verkäufen, die zwischen Produkten verlagert werden. Diese Trennung entscheidet darüber, ob die Bevorratung eines Aktionsartikels Gewinn erzeugt oder lediglich denselben Verkauf verschiebt. (4, 5)

Versorgungsunsicherheit bleibt ungeklärt

Die öffentliche FAQ nennt vertragliche Lieferzeiten und erwartete Ankunftstermine als Eingaben. Der Fall eines südostasiatischen Lebensmittelhändlers beschreibt eine dynamische Modellierung von Versorgungsparametern und die Abstimmung von Beständen über mehrere Stufen. Beide Quellen erklären weder Verteilungen tatsächlicher Wareneingangstermine noch korrelierte Engpässe oder den Einfluss vorgelagerter Unsicherheit auf nachgelagerte Einkaufsentscheidungen. (2, 6)

Eine verspätete Lieferantenanlieferung kann mehrere Filialen gleichzeitig betreffen, während eine Aktion Nachfrage und Substitution verändert. Eine Nachfrageprognose je Standort und die Aktualisierung eines Lieferzeitparameters belegen keine wirtschaftliche Behandlung dieser gemeinsamen Risiken. Es fehlt ein kalibriertes Modell möglicher Ergebnisse, das mit der Bestellberechnung verbunden ist.

Algonomy bewirbt probabilistische Nachfragemodelle in seinem Databricks-Beratungsangebot. Dieser individuelle Service veröffentlicht keine Einzelheiten zu Verteilungen oder Kalibrierung und benennt nicht das Modell in Order Right. Die Verbindung dieser Modelle mit produktiven Bestellberechnungen bleibt unerklärt. (9)

Genauigkeitsversprechen, die das Planungsproblem verdecken

ADAs Prognoseseite zeigt 97 % Nachfrageprognosegenauigkeit. Fehlerformel, Prognosehorizont, Aggregation, Gewichtung, Ausschlüsse und Auswertung auf ungesehenen Daten fehlen. Eine zweite Fallstudie behauptet mehr als 95 % Genauigkeit auf Filial-, Produkt- und SKU-Ebene, ebenfalls ohne die Messung zu definieren. Für ein Produkt, das mit Prognosequalität verkauft wird, sind dies gravierende Mängel. (5, 23)

Der historische M5-Handelswettbewerb zeigt, weshalb diese Definition wichtig ist. Eine Neuberechnung von 100 × (1 − WAPE) für die letzten 28 Tage anhand der von den Organisatoren veröffentlichten besten 50 Punktprognoseeinreichungen ergibt ungefähr 22,1–25,1 % auf SKU/Filiale/Tag-Ebene, gegenüber 95,8–98,2 %, wenn Produkte und Filialen tageweise zusammengefasst werden. Werden auch die Tage zusammengefasst, erreicht der Gesamtsieger etwa 99,8 %. Dies sind diagnostische Neuberechnungen der veröffentlichten Prognosen, nicht die offizielle M5-Bewertungsmetrik. (8)

Aggregation kann eindrucksvolle Prozentsätze mit großen Fehlern dort vereinbaren, wo Auffüllungsentscheidungen fallen. Sie verrechnet Fehlmengen mit Überschüssen, die sich physisch nicht ausgleichen: Zusätzlicher Joghurt in einer Filiale bedient keinen Kunden, der in einer anderen Brot sucht. Algonomys 97-%-Angabe lässt sich in diesem Spektrum nicht verorten und belegt daher weder brauchbare Präzision auf SKU-Ebene noch wirtschaftliche Erträge.

Der südostasiatische Fall macht eine andere Aussage: Die Prognosen verbesserten sich für 90 % der SKUs. Das misst den Anteil verbesserter Reihen, nicht 90 % Prognosegenauigkeit. Der Fall beschreibt außerdem weniger Fehlbestände und geringere Bestände, liefert aber keine reproduzierbare Auswertung, die Prognoseänderungen mit diesen Ergebnissen verknüpft. (6)

Eine brauchbare Validierung würde Prognosen vor der maßgeblichen Bestellfrist einfrieren, sie auf dem Produkt-Standort-Horizont der Aktion bewerten und die daraus entstehenden Bestellungen bis zu Marge, Verderb, Verfügbarkeit und Handhabungskosten verfolgen. Ein hoher Genauigkeitsprozentsatz ohne diesen Kontext fördert genau das falsche Beschaffungskriterium.

Technologiegeschichte: von dialogbasierter Intelligenz zu Agenten

2017: Maya und das Versprechen menschenähnlicher Analytik

Manthan kündigte Maya im Januar 2017 als KI-gestützten Dialogagenten für Geschäftsanalytik an. Die Mitteilung beschrieb die Interaktion mit Unternehmensanalytik wie mit einem Menschen, rollenabhängige Antworten, kontinuierliches Lernen und Amazon-Alexa-Integration. Die Präsentation war für die NRF-Handelsmesse angekündigt. (10)

Der offengelegte Mechanismus war ein dialogbasierter Zugang zu Analytik. Die Mitteilung dokumentierte weder zuverlässig abgedeckte Aufgaben noch Fehlerraten, autonome Geschäftsentscheidungen oder gemessene Arbeitsersparnis. Die Intelligenzrhetorik ging deutlich über die Belege hinaus. Heutige LLM-Fähigkeiten können diese früheren Behauptungen nicht nachträglich bestätigen.

2021–2022: eine vereinheitlichte Plattform und Tausende Algorithmen

Die Mitteilung zur Fusion von RichRelevance und Manthan im Jahr 2021 warb mit einer einheitlichen Entscheidungsplattform für den Handel und mehr als 300 vorgefertigten Algorithmen für unterschiedliche Geschäftsbereiche. Konkrete Beispiele betrafen vor allem Personalisierung, Kundenaktivierung, Analytik und Warenprozesse. (11)

Im Januar 2022 kündigte Algonomy die beabsichtigte Übernahme des Prognosegeschäfts von Linear Squared vorbehaltlich der Genehmigungen an. Später im selben Jahr beschrieb das Datenblatt von Order Right eine automatisierte prognosebasierte Auffüllung. (12, 3) Damit wurde das Supply-Chain-Produktangebot konkreter, doch weder die Optimierungsformulierung noch die finanzielle Entscheidungsregel wurden veröffentlicht.

Die heutige FAQ bewirbt inzwischen mehr als 2.000 Prognosealgorithmuskandidaten und einen allgemeinen Vorsprung von mindestens 20 Prozentpunkten gegenüber traditionellen Verfahren. (2) Algorithmuszahlen verraten weder Methodenvielfalt noch Leistung auf ungesehenen Daten. Mehr Kandidaten können Validierungs- und Pflegeaufwand erhöhen, insbesondere wenn viele Produkthistorien wenig Information enthalten.

2026: agentische Sprache, vertraute Arbeitsschritte

ADAs aktuelle Seite zur Versorgungsplanung beschreibt Maya als System, das Geschäftsfragen beantwortet und Aktionen empfiehlt. Die Auffüllungsseite bezeichnet ihre Prognosen nun als GenAI-gestützt, beschreibt aber weiterhin die Abfolge aus Datenintegration, Nachfrageprognose, Bestellerzeugung und Reaktion auf Warnungen. Kein veröffentlichter technischer Bericht benennt den Beitrag des generativen Modells zur numerischen Nachfragevorhersage. (13, 25)

Lieferantenzusammenarbeit wird separat über Vendor Link und ATLAS beworben: Aufnahme neuer Lieferanten, gemeinsame Prognosen, Bestellaustausch, Sendungsprüfung, Rechnungsabgleich und Aktionszusammenarbeit. (14) Diese Tätigkeiten lassen sich automatisieren; zusätzliche Produktivität durch Agenten verlangt jedoch einen Vergleich mit der bereits gelieferten Prozessautomatisierung.

Das historische Problem ist die ungeklärte Verantwortung für aufeinanderfolgende Versprechen. Mayas Dialogprämisse besteht neun Jahre später fort; die Belege zeigen weiterhin nicht, wie viel gesamte Planungsarbeit sie beseitigt. Der Übergang von maschinellem Lernen zu generativen und agentischen Etiketten ist viel deutlicher als die entsprechende Veränderung der Auffüllungsberechnung.

Produktivität, Konfigurationspflege und Gesamtbetriebskosten

Es gibt konkrete Belege für eingesparte Verwaltungsarbeit. Der Keells-Fall beschreibt KANE, die dortige Implementierung von Algonomys Lieferantenplattform, die wiederholte Datenextraktionen, E-Mail-Austausch und manuellen Abgleich durch gemeinsame Daten und elektronische Abläufe ersetzt. Berichtet werden eine um 92 % schnellere Lieferantenaufnahme und eine um 85 % schnellere Produktaufnahme. (15)

Diese Verbesserungen sind für einen Händler mit Hunderten Lieferanten relevant. Sie betreffen die Transaktionsverwaltung und wurden vor der heutigen ATLAS-Positionierung dokumentiert. Sie belegen keine Verringerung der menschlichen Arbeit zur Pflege von Prognose- und Einkaufslogik.

Bei Order Right legt der Nutzer die Bestellhäufigkeit fest. Das Lebensmittelangebot bietet zudem Terminierungsregeln, Kriterien zur Modellauswahl und Warnschwellen je Produkt. (2, 4) Jede Einstellung ist eine zu pflegende Annahme. Änderungen an Lieferantenkalendern können Bestandsreichweite, Verfallsrisiko und Zahl der Warnungen verändern. Eine bessere Einstellung für ein Produkt kann anderswo Mehrarbeit verursachen.

Zu den Kosten gehören daher die Menschen, die Datenänderungen untersuchen, Restriktionen anpassen, Empfehlungsqualität prüfen und ERP-Zuordnungen pflegen. Spezialisten des Anbieters können einen Teil übernehmen; ihr wiederkehrender Aufwand gehört weiterhin zu den Gesamtbetriebskosten. Die öffentlichen Unterlagen quantifizieren weder verbleibende Planerstunden noch technischen Aufwand je Änderung.

Eine dialogbasierte Antwort kann eine Untersuchung beschleunigen. Der größere Produktivitätsgewinn entsteht, wenn die Korrektur zu getesteter ausführbarer Logik wird, die auf alle betroffenen Produkte angewandt wird. Algonomys öffentliche Planungsunterlagen legen weder versionierte Regeländerungen noch historische Wiederholungen revidierter Entscheidungen oder kontrollierte Rücknahmen des numerischen Systems offen. Das begrenzt die Belege für kostengünstige kontinuierliche Verbesserung.

Software-Stückliste

Die Belege benennen mehrere getrennte Produkt- und Bereitstellungsumgebungen.

Produkt oder Tätigkeit Dokumentierte Komponenten Zeitpunkt und Geltungsbereich
Order Right Microsoft Azure; kundenspezifische Mandantenbereitstellung Aktuelle Produkt-FAQ. (2)
Produktbereitstellung und analytische Datenhaltung SQL-Prozeduren, Datenbankoptimierung, ETL; T-SQL/PL-SQL und SSIS gehören zu den gesuchten Kenntnissen Arbeitgeberanzeige für Database Programmer, abgerufen im November 2026; Modul nicht genannt. (16)
Echtzeit-CDP-Entwicklung Java-/Scala-Dienste und AWS-Dienste einschließlich DynamoDB, SQS, S3, Lambda und EC2 Historischer Beitrag einer Algonomy-Recruiterin für das rCDP-Team. (17)
Daten- und KI-Beratung Databricks auf Azure, Delta Lake, Unity Catalog, Workflows und Vektorsuche Aktuelle Dienstleistungsarchitektur einschließlich Kundendatenplattform-Projekten. (9)
Active-Content-Erweiterungen JavaScript, externe HTTP-APIs und interne Data Model Extensions Aktuelle CodeFusion-Entwicklerdokumentation. (19, 20)

Der operative Aufwand liegt an den Grenzen dieser Umgebungen. Handelstransaktionen müssen konsistente Produktidentitäten, Einheiten, Aktionsdaten und Bestandsbedeutungen behalten, wenn sie in Analytik und Auffüllung übergehen. Jede zusätzliche Kopie oder Transformation braucht Überwachung, Wiederherstellung und einen Verantwortlichen für widersprüchliche Zahlen.

Der Beratungsstack führt einen eigenen Lebenszyklus der Datenplattform ein: Aufnahme, Speicherung, Zugriffsregeln, Rechenorchestrierung und Modellbereitstellung. Seine Kosten müssen durch bessere Entscheidungen gerechtfertigt werden. Infrastruktur und Fähigkeiten von Databricks stammen von Databricks; Algonomys eigener technischer Beitrag muss sich in Handelsmodellen, Integrationen und gemessenen operativen Verbesserungen zeigen.

Öffentliche Architekturunterlagen verfolgen keine vollständige Berechnung von der Aktion bis zur Bestellung durch die Kundendaten- und Supply-Chain-Produkte. Eine gemeinsame Marke und Datenaustausch lassen die entscheidende Frage offen: Welche Komponente verantwortet die wirtschaftliche Entscheidung, wenn Nachfrageerzeugung, Bestand und Abschriftenprioritäten kollidieren?

Sicherheit: Erweiterungscode braucht erzwungene Grenzen

Die Kundenprofil-API dokumentiert OAuth-Tokens mit Ressourcengeltungsbereichen und Ablaufzeiten. Dies sind konkrete Kontrollen des Datenzugriffs. (18) Die Mandantenangabe von Order Right liefert Bereitstellungskontext, aber wenige Details zu privilegiertem Supportzugriff, Wiederherstellung nach zerstörerischen Änderungen oder Durchsetzung der Isolation.

Active Content wirft eine konkretere Frage auf. Sein CodeFusion-Editor erlaubt Nutzern, JavaScript zu schreiben, interne Datenmodelle zu lesen und externe APIs aufzurufen. Die Erstellungsanleitung zeigt das Abrufen eines Kundenprofils; die Testanleitung fordert dazu auf, Ergebnisse zu prüfen und anschließend zu speichern und zu veröffentlichen. (19, 20, 21)

Der dokumentierte Netzwerk- und Datenzugriff macht wirksame Eingrenzung unverzichtbar. Ein fehlerhaftes Skript oder eine kompromittierte Integration kann Kundeninformationen offenlegen, auch ohne einen Geschäftsdatensatz zu ändern. Die öffentlichen Anleitungen erklären keine erzwungenen Zielbeschränkungen, Trennung geheimer Zugangsdaten, Datenrechte je Skript, Ausführungsisolation zwischen Mandanten, Ressourcengrenzen oder unabhängige Produktionsfreigabe.

Die POST-API-Anleitung bezeichnet Datenabruf statt Veränderung entfernter Systeme als Zweck. Sie erklärt nicht, wie diese Beschränkung gegenüber dem Zieldienst durchgesetzt wird, und bietet Funktionen zur Protokollierung von Anfragen und Antworten. (22) Entfernte Dienste bestimmen die Wirkung eingehender Anfragen; ein erklärter Verwendungszweck ersetzt keine Zugriffsgrenzen.

Diese Sorge betrifft die Erweiterungsschnittstelle von Active Content. Die Dokumentation belegt nicht, dass Order-Right-Nutzer JavaScript ausführen. Sie zeigt jedoch, weshalb die Programmierbarkeit der breiteren Suite einen stärkeren Sicherheitsnachweis verlangt als Testanweisungen und Sorgfalt der Nutzer.

Kundenergebnisse und wirtschaftliche Verantwortung

Der Fall eines nahöstlichen Lebensmittelhändlers ist besonders nützlich, weil er den Piloten von der hervorgehobenen Hochrechnung trennt. Drei Abteilungen einer einzigen Vorzeigefiliale senkten demnach den Bestand um 21 % und Fehlbestandssituationen um 9 %. Die Schlagzeile von $60 Millionen wird auf mehr als 300 Filialen hochgerechnet. (7)

Das ist ein potenziell wertvoller Pilot, doch die filialübergreifende Zahl ist kein realisierter Ertrag. Die ausgewählten Abteilungen hatten besonders starke Bestandszuwächse erlebt; ein breiterer Rollout braucht daher Belege für die Übertragbarkeit der anfänglichen Verbesserung. Der Bericht veröffentlicht weder Beobachtungszeitraum, finanzielle Ausgangslage, Implementierungs- und Betriebskosten noch eine Methode zur Trennung von Softwareeffekten und anderen Veränderungen.

Derselbe Fall nennt Einsatzbereitschaft zwei Wochen nach der Datenintegration. Damit bleibt ein möglicherweise erheblicher Teil der Implementierung außerhalb des beworbenen Zeitraums. Eine Bewertung von Zeit und Kosten muss Datenaufbereitung und fortlaufende Pflege einschließen.

Der Fall eines Händlers mit mehreren Geschäftsformaten berichtet neben undefinierten 95 % Genauigkeit Verbesserungen bei Preisnachlässen und Umlagerungen. Bestand in Filialen mit Nachfrage zu verschieben, ist eine sinnvolle Aktion, doch der angegebene Wert umgelagerter Ware ist kein Gewinn; geschätzte vermiedene Umsatzverluste sind es ebenfalls nicht. (23) Zusätzliche Marge muss Umlagerungskosten, verdrängte Verkäufe, Preisnachlässe und unverkaufte Bestände berücksichtigen.

Algonomys öffentliche Berichte definieren weder eine Bedingung für wirtschaftliches Netto-Scheitern noch begrenzte Kundenpflichten oder Verantwortung für die Korrektur enttäuschender Ergebnisse. Das macht das wirtschaftliche Versprechen schwer widerlegbar. Ebenso verhindern diese Lücken, aus den veröffentlichten Erfolgen eine verlässliche Erwartung des Ertrags über Implementierungen hinweg abzuleiten.

Supply-Chain-Bewertung

Supply-Chain-Tiefe

Kriterium Bewertung
Wirtschaftliche Ausrichtung 3/10
Operativer Endpunkt der Entscheidung 6/10
Konzeptionelle Schärfe bei Supply-Chain-Fragen 4/10
Unabhängigkeit von überholten Lehrmeinungen 4/10
Widerstandsfähigkeit gegen KPI-Inszenierung 1/10

Durchschnitt: 3,6/10

Wirtschaftliche Ausrichtung — 3/10. Verderb und Bestandskosten gehören zum Angebot, doch die monetäre Zielfunktion des Bestellsystems ist unveröffentlicht. Für konkurrierende Nutzungen von Geld, Regalplatz und Transport fehlt damit eine überprüfbare Bewertungsregel. (3)

Operativer Endpunkt der Entscheidung — 6/10. Einkaufs- und Umlagerungsempfehlungen besitzen einen Ausführungspfad ins ERP. Das ist ein praktisches operatives Ergebnis; öffentliche Belege zeigen nicht, wie viel Freigabe- und Ausnahmebearbeitung über Implementierungen hinweg verbleibt. (2)

Konzeptionelle Schärfe bei Supply-Chain-Fragen — 4/10. Haltbarkeit, Verpackungsrestriktionen, Aktionen und Substitution werden konkret behandelt. Ihre Darstellung als Eingaben und Funktionen lässt die systemweiten wirtschaftlichen Wechselwirkungen ungeklärt. (3, 4)

Unabhängigkeit von überholten Lehrmeinungen — 4/10. Automatische Bestellerzeugung reduziert die Abhängigkeit von Tabellenplanung. Das Kerndesign priorisiert weiterhin Prognosen mit anschließender konfigurierter Auffüllung, wobei Regelentscheidungen einen Großteil der wirtschaftlichen Last tragen. (2, 25)

Widerstandsfähigkeit gegen KPI-Inszenierung — 1/10. Die undefinierten Genauigkeitsangaben von 97 % und 95 % behindern eine aussagekräftige Bewertung. Sie belegen weder Präzision am SKU-Standort-Bestellhorizont noch bessere wirtschaftliche Entscheidungen. (5, 23)

Substanz der Entscheidungen und Optimierung

Kriterium Bewertung
Tiefe der probabilistischen Modellierung 2/10
Eigenständige Substanz bei Optimierung oder maschinellem Lernen 4/10
Umgang mit realen Restriktionen 6/10
Entscheidungsautomatisierung und Arbeitsproduktivität 6/10
Belastbarkeit unter realer operativer Komplexität 4/10

Durchschnitt: 4,4/10

Tiefe der probabilistischen Modellierung — 2/10. Ein Beratungsangebot erwähnt probabilistische Nachfragemodelle. Kein öffentlicher Bericht zu Order Right belegt kalibrierte gemeinsame Nachfrage- und Versorgungsergebnisse, die in die Bestellbewertung eingehen. (9, 3)

Eigenständige Substanz bei Optimierung oder maschinellem Lernen — 4/10. Hierarchische Modellierung und automatische Modellauswahl bilden einen erkennbaren Prognoseansatz. Kandidatenzahlen und ein proprietärer Optimierer erschweren die Bewertung des eigenständigen numerischen Beitrags. (2)

Umgang mit realen Restriktionen — 6/10. Die Auffüllungsdokumentation umfasst mehrere konkrete Handelsbeschränkungen. Offen bleibt, wie die Software weiche Restriktionen gegeneinander abwägt und gemeinsame Ressourcen zuteilt, wenn individuell machbare Pläne konkurrieren. (3)

Entscheidungsautomatisierung und Arbeitsproduktivität — 6/10. Bestellerzeugung und die dokumentierten Lieferantenabläufe von Keells beseitigen wiederkehrende Arbeit. Für die neueren Assistenten fehlen Messungen zusätzlicher Arbeitsersparnis über diese bestehende Automatisierung hinaus. (2, 15)

Belastbarkeit unter realer operativer Komplexität — 4/10. Produktlebenszyklus-Einstellungen und konfigurierbare Prädiktoren bieten Anpassungsmöglichkeiten. Änderungen an Zielen, Datenbedeutung oder verfügbaren Aktionen bleiben vom Eingreifen des Anbieters abhängig, ohne öffentliche Beschreibung reproduzierbarer Tests und Bereitstellung. (2)

Integrität von Produkt und Architektur

Kriterium Bewertung
Architektonische Kohärenz 4/10
Klarheit der Systemgrenzen 5/10
Ernsthaftigkeit des Sicherheitsansatzes 3/10
Software-Sparsamkeit und Gesamtbetriebskosten 4/10
Eignung für programmatische und agentengestützte Abläufe 5/10

Durchschnitt: 4,2/10

Architektonische Kohärenz — 4/10. Produktspezifische Dokumentation benennt funktionierende Komponenten. Für ihre unterschiedlichen Daten- und Ausführungsumgebungen fehlt eine veröffentlichte Beschreibung gemeinsamer wirtschaftlicher Entscheidungslogik. (16, 17)

Klarheit der Systemgrenzen — 5/10. Bestellübergabe und Rollen im Lieferantentransaktionsprozess sind verständlich. Die Verantwortung für Datenabgleich und konkurrierende Merchandising-Entscheidungen zwischen Modulen bleibt weniger deutlich. (2, 14)

Ernsthaftigkeit des Sicherheitsansatzes — 3/10. Authentifizierung mit begrenztem Geltungsbereich ist für Kundendaten dokumentiert. Die Eingrenzung von Erweiterungscode durch Fachanwender ist schlecht erklärt; planungsspezifische Wiederherstellung und privilegierte Zugriffe bleiben undurchsichtig. (18, 19, 20, 21)

Software-Sparsamkeit und Gesamtbetriebskosten — 4/10. Bereitstellungs- und Dienstleistungsbeschreibungen zeigen erheblichen Datenengineering- und Konfigurationsaufwand. Öffentliche Fallberichte quantifizieren diese laufende Arbeit nicht und rechtfertigen ihre Kosten nicht anhand zusätzlichen Entscheidungswerts. (2, 9)

Eignung für programmatische und agentengestützte Abläufe — 5/10. APIs, Exporte und skriptbasierte Handelsintegrationen ermöglichen Automatisierung. Ziele und Überarbeitungsprozess des Planungssystems sind für programmatische Verbesserungen wesentlich weniger zugänglich. (18, 20, 24)

Technische Transparenz

Kriterium Bewertung
Öffentliche technische Dokumentation 5/10
Prüfbarkeit ohne Vermittlung des Anbieters 4/10
Transparenz von Portabilität und Anbieterbindung 4/10
Transparenz der Implementierungsmethode 5/10
Belegdichte hinter technischen Behauptungen 3/10

Durchschnitt: 4,2/10

Öffentliche technische Dokumentation — 5/10. Kundendaten- und Active-Content-APIs sind ausführlich dokumentiert. Supply-Chain-Methoden erhalten Produkt-FAQ und Datenblätter statt vergleichbarer numerischer Dokumentation. (18, 2, 3)

Prüfbarkeit ohne Vermittlung des Anbieters — 4/10. Integrationsverhalten lässt sich öffentlich untersuchen. Bestellbewertung, Unsicherheitskalibrierung und Algorithmusänderungen sind anhand der veröffentlichten Unterlagen nicht unabhängig reproduzierbar. (2, 18)

Transparenz von Portabilität und Anbieterbindung — 4/10. Bestellexporte und dokumentierte Kundendatenziele erleichtern das Verschieben von Datensätzen. Der Export erlernter Auffüllungslogik, von Konfigurationsabhängigkeiten und vollständiger Entscheidungshistorie ist nicht vergleichbar erklärt. (24)

Transparenz der Implementierungsmethode — 5/10. Produktdokumentation und Kundenberichte beschreiben Datenintegration und Prozessänderungen. Laufende Pflege, Abnahmetests und Verantwortung für Nachbesserung bleiben weniger sichtbar. (2, 15)

Belegdichte hinter technischen Behauptungen — 3/10. Operative Beispiele stützen bestimmte Fähigkeiten. Die ehrgeizigsten Genauigkeits- und Intelligenzbehauptungen tragen wenig experimentelle Evidenz. (6, 7, 5)

Seriosität des Anbieters

Kriterium Bewertung
Technische Seriosität der öffentlichen Kommunikation 3/10
Integrität der technologischen Roadmap 3/10
Konzeptionelle Schärfe 3/10
Wirtschaftliche Verantwortung 3/10
Verteidigungsfähigkeit in einer Welt agentischer Software 4/10

Durchschnitt: 3,2/10

Technische Seriosität der öffentlichen Kommunikation — 3/10. Nützliche Produktbeschreibungen stehen neben undefinierter Genauigkeit, Algorithmuszahlen und unerklärten Behauptungen über generative Prognosen. Diese Aussagen verhindern eine sorgfältige Bewertung des zentralen Produktversprechens. (5, 11, 25)

Integrität der technologischen Roadmap — 3/10. Die datierte Historie belegt gelieferte Auffüllungs- und Lieferantenprodukte. Aufeinanderfolgenden Versprechen dialogbasierter Intelligenz fehlt eine gemessene Darstellung der Fortschritte bei Fähigkeiten und Produktivität. (10, 13, 14, 15)

Konzeptionelle Schärfe — 3/10. Die öffentliche Erzählung behandelt Prognosepräzision, Handlungsvorschläge und wirtschaftliche Optimierung wiederholt als austauschbar. Ihre unterschiedlichen Anforderungen sind zentral für ein zuverlässiges Einkaufssystem. (13, 25)

Wirtschaftliche Verantwortung — 3/10. Kundenfälle berichten veränderte operative Kennzahlen, aber Nettoerträge und Scheiterbedingungen bleiben undefiniert. Pilothochrechnungen und Werte umgelagerter Ware erfüllen das umfassendere wirtschaftliche Versprechen nicht. (7, 23)

Verteidigungsfähigkeit in einer Welt agentischer Software — 4/10. Bestehende Integrationen und Fachabläufe behalten ihren Wert. Eine Dialogoberfläche wird immer leichter reproduzierbar; dauerhafte Differenzierung verlangt bessere Entscheidungen und günstigere Pflege der zugrunde liegenden Logik. (14, 15)

Quellen

Alle Quellen wurden am 4. November 2026 abgerufen. Veröffentlichungsdaten sind angegeben, soweit verfügbar; undatierte Dokumentation entspricht der geprüften öffentlichen Fassung.

[1] ADA übernimmt Algonomy

ADA übernimmt Algonomy. 2026-07-30. Abgeschlossene Übernahme und Markenführung unter ADA.

[2] Order-Right-FAQ

Order-Right-FAQ. Undatiert; abgerufen am 2026-11-04. Prognosen, Ausführungspfade, Konfiguration, Support und Bereitstellung.

[3] Order-Right-Datenblatt

Order-Right-Datenblatt. URL-Verzeichnis 2022-06. Prognosebasierte Auffüllung, Restriktionen, Risikowahl und Verderbskriterien.

[4] Order Right für den Lebensmittelhandel

Order Right für den Lebensmittelhandel. Undatiert. Terminplanung im Lebensmittelhandel, Aktionseffekte und Warnkonfiguration.

[5] Nachfrageprognosen mit hyperlokaler Präzision

Nachfrageprognosen mit hyperlokaler Präzision. Undatiert. Undefinierte Genauigkeitsbehauptung von 97 % und Prognoseablauf.

[6] Südostasiatischer Lebensmittelhändler

Südostasiatischer Lebensmittelhändler. Undatiert. Reichweite der Prognoseverbesserungen und Fall mehrstufiger Auffüllung.

[7] Nahöstlicher Lebensmittelhändler prognostiziert $60M Bestandseinsparungen

Nahöstlicher Lebensmittelhändler prognostiziert $60M Bestandseinsparungen. Undatiert. Pilot in einer Filiale, berichtete Verbesserungen und Hochrechnung auf die gesamte Kette.

[8] Methoden und Einreichungen des M5-Wettbewerbs

Methoden und Einreichungen des M5-Wettbewerbs. Festgelegter Repository-Commit. Von den Organisatoren veröffentlichte Prognoseeinreichungen für den Aggregationsvergleich.

[9] Daten- und KI-Dienstleistungen für Entscheidungsintelligenz

Daten- und KI-Dienstleistungen für Entscheidungsintelligenz. Undatiert. Beratungsspezifische probabilistische Prognosen und Databricks-Architektur.

[10] Manthan stellt Maya vor

Manthan stellt Maya vor. 2017-01-16. Zeitgenössische Maya-Ankündigung und Alexa-Oberfläche.

[11] Start von Algonomy

Start von Algonomy. 2021-01-19. Fusionsabschluss, Plattformumfang und Algorithmusbehauptungen.

[12] Beabsichtigte Übernahme des Geschäfts von Linear Squared

Beabsichtigte Übernahme des Geschäfts von Linear Squared. 2022-01-05. Geplante Übernahme und vorgesehene Prognoseerweiterung.

[13] Versorgungsplanung und Maya

Versorgungsplanung und Maya. Undatiert. Aktueller Maya- und Merchandising-Ablauf.

[14] Lieferantenzusammenarbeit und ATLAS

Lieferantenzusammenarbeit und ATLAS. Undatiert. Prozessversprechen von Vendor Link und ATLAS.

[15] Keells-Fallstudie zur Lieferantenzusammenarbeit

Keells-Fallstudie zur Lieferantenzusammenarbeit. URL-Verzeichnis 2024-06. Benannte Implementierung, Lieferantenverwaltung und Prozessänderungen.

[16] Algonomy-Stellenanzeige für Database Programmer

Algonomy-Stellenanzeige für Database Programmer. Undatiert; abgerufen am 2026-11-04. Arbeitgeberanforderungen für analytische Datenhaltung und Produktbereitstellung.

[17] Algonomy-Stellenwerbung für rCDP-Entwicklung

Algonomy-Stellenwerbung für rCDP-Entwicklung. Historischer Recruiter-Beitrag. Teamspezifische historische Hinweise auf Cloud- und Softwarekenntnisse.

[18] Überblick über die Kundenprofil-API

Überblick über die Kundenprofil-API. Aktuelle Dokumentation. Berechtigungsbereiche für Kundenprofile und Token-Verhalten.

[19] CodeFusion-Skript erstellen

CodeFusion-Skript erstellen. Aktuelle Dokumentation. Nutzerverfasstes JavaScript und Veröffentlichungsablauf.

[20] CodeFusion-Skript entwickeln

CodeFusion-Skript entwickeln. Aktuelle Dokumentation. Interner Datenzugriff und externe API-Fähigkeiten.

[21] CodeFusion-Skript testen

CodeFusion-Skript testen. Aktuelle Dokumentation. Manuelle Test-, Speicher- und Veröffentlichungsschritte.

[22] CodeFusion-POST-API

CodeFusion-POST-API. Aktuelle Dokumentation. Erklärter reiner Abrufzweck und Protokollierungsverhalten.

[23] Warenplanung eines Händlers mit mehreren Geschäftsformaten

Warenplanung eines Händlers mit mehreren Geschäftsformaten. Undatiert. Behauptungen zu Genauigkeit, Preisnachlässen und Bestandsumlagerungen.

[24] Einstellungen für Amazon S3 als Ziel

Einstellungen für Amazon S3 als Ziel. Aktuelle Dokumentation. Konfiguration eines Datenexportziels.

[25] Aktuelle Nachfrageprognosen und Bestandsauffüllung

Aktuelle Nachfrageprognosen und Bestandsauffüllung. Undatiert. Aktuelle Bezeichnung als generative KI und Auffüllungsablauf.