Bewertung von Asper.ai, Supply Chain Software-Anbieter

Von Léon Levinas-Ménard

Zuletzt aktualisiert: April, 2025

Zurück zu Marktforschung

In einer zunehmend datengetriebenen supply chain-Welt tritt Asper.ai als cloudbasierte SaaS-Lösung hervor, die darauf abzielt, die Nachfrageprognose und die operative Entscheidungsfindung für den Konsumgüter- und Einzelhandelssektor zu verfeinern. Gegründet im Jahr 2022 und integriert innerhalb des Fractal Analytics-Portfolios, nutzt die “Dynamic Demand.ai”-Plattform von Asper.ai diverse interne und externe Daten – von historischen Verkaufszahlen und Lagerbeständen bis hin zu makroökonomischen Indikatoren und Feiertagskalendern – um KI-gestützte Prognosen und Empfehlungen zu liefern. Mit schnellen Proof-of-Value-Implementierungen, die in der Regel innerhalb von acht Wochen erfolgen, und einem Fokus auf Nachvollziehbarkeit automatisiert die Plattform risikoarme Entscheidungsprozesse, während kritischere Szenarien zur menschlichen Intervention markiert werden. Entwickelt zur nahtlosen Integration mit bestehenden Sales & Operation Planning-Systemen und auf AWS-Infrastruktur (unter Verwendung von Diensten wie Redshift, EMR und ElastiCache) bereitgestellt, positioniert sich Asper.ai als sowohl praktischer als auch dynamischer Enabler für supply chain-Führungskräfte, die darauf abzielen, die Prognosegenauigkeit, das Revenue Management und die operative Effizienz zu steigern.

Unternehmensübersicht

1.1 Geschichte und Hintergrund

Im Jahr 2022 wurde Asper.ai gegründet, wie es in Startup-Profilen auf YNOS 1 bestätigt wird. Die Plattform wird unter dem Dach von Fractal Analytics angeboten und wird durch eine laut Branchenpublikationen berichtete Investition von 20 Millionen Dollar unterstützt 2. Anstatt sich als eigenständiges Einhorn zu positionieren, wird Asper.ai als ein speziell entwickeltes Werkzeug dargestellt, das die Entscheidungsfindung für die Konsumgüter- und Einzelhandelsmärkte verbessert, indem es die Nachfrageprognose, die Bestandsverwaltung und die Preisgestaltungsprozesse optimiert.

Produktübersicht

2.1 Was die Lösung bietet

Die Kernfunktionalität der “Dynamic Demand.ai”-Plattform von Asper.ai konzentriert sich auf: • Verbesserung der Nachfrageprognose durch die Bündelung interner Signale wie Verkaufszahlen, Lagerbestände und Aktionskalender mit externen Daten wie Feiertagen und Wirtschaftsindikatoren 3. • Optimierung von Umsatz und Lagerbeständen durch KI-basierte Empfehlungen, die Preisgestaltung, Werbestrategien und Lagerbestände anpassen, um die Kosten des Betriebskapitals zu senken. • Automatisierung risikoarmer, routinemäßiger Entscheidungen, sodass Nachfrageplaner mehr Zeit für komplexe, wirkungsvolle Ausnahmen haben.

2.2 Funktionsweise

Asper.ai verarbeitet mehrere strukturierte und unstrukturierte Datenquellen, um latente nichtlineare Interaktionen zwischen verschiedenen Nachfragetreibern zu erfassen. Seine KI-gesteuerte Prognose-Engine legt Wert auf Nachvollziehbarkeit, indem sie Einblicke liefert, wie einzelne Faktoren die Prognoseergebnisse beeinflussen. Mit schnellen Aktualisierungszyklen der Prognosen – die nahezu endgültige Prognosen für einen rollierenden Vier-Monats-Horizont innerhalb von Tagen und nachfolgende Updates in Stunden bereitstellen – ist die Lösung für eine beschleunigte Proof-of-Value-Einführung (oft innerhalb von acht Wochen) und eine unkomplizierte Integration in bestehende S&OP-Systeme konzipiert. Die Plattform läuft als cloudbasierte SaaS-Lösung auf AWS, wobei Details zur Bereitstellung über den AWS Marketplace 4 verfügbar sind.

Technische und KI-Aspekte

3.1 Technologiestack und Infrastruktur

Asper.ai nutzt AWS-Cloud-Dienste (einschließlich Redshift, EMR und ElastiCache), um Skalierbarkeit und schnelle Bereitstellung zu gewährleisten. Hinweise aus Stellenanzeigen und Tech-Profilen deuten auf ein modernes Entwicklungsumfeld hin, das von kollaborativen Tools und digitalen Leistungsüberwachungen unterstützt wird 5. Diese Infrastruktur unterstützt den Bedarf der Plattform, große Datenmengen über mehrere Kanäle hinweg zu verwalten, während gleichzeitig eine robuste Integration mit bestehenden Enterprise-Systemen aufrechterhalten wird.

3.2 Machine Learning- und KI-Fähigkeiten

Die Plattform verwendet Machine-Learning-Modelle, die Prognosen sowohl anhand interner Kennzahlen (wie Verkaufsvolumen und Aktionskalendern) als auch externer Variablen (wie makroökonomischen Indikatoren) anpassen. Obwohl Asper.ai auf “explainable AI” für eine klarere Zuordnung der Prognosetreiber setzt, sind in der technischen Dokumentation spezifische Modellarchitekturen oder Trainingsmethoden kaum detailliert dargestellt. Das System unterscheidet zudem zwischen hoch- und risikoarmen Nachfrageszenarien, automatisiert Entscheidungen für letztere und stellt gleichzeitig sicher, dass kritische Fälle einer menschlichen Prüfung unterzogen werden 36. Während die in Fallstudien der Kunden angegebenen Leistungskennzahlen Verbesserungen der Prognosegenauigkeit um 5–15% und Steigerungen der Planerproduktivität um bis zu 40% beinhalten, sind detaillierte Angaben zur Modellvalidierung und zu Fehlermargen begrenzt 7.

Kritische und skeptische Analyse

Eine genauere Untersuchung zeigt, dass, obwohl Asper.ai auf eine moderne, cloudbasierte Bereitstellung setzt und verschiedene Datenquellen effektiv integriert, mehrere technische Behauptungen an detaillierter Granularität mangeln. Die Abhängigkeit der Plattform von branchenüblichen AWS-Komponenten untermauert ihre Skalierbarkeit, doch das Fehlen eingehender Angaben zu Modellarchitekturen oder Trainingsdatensätzen lässt Raum für Skepsis, ob die “purpose-built AI” einen Durchbruch darstellt oder lediglich eine gut integrierte Anwendung bestehender Prognosetechniken ist. Die in verschiedenen Fallstudien 89 genannten Verbesserungen der Prognosegenauigkeit und der Planerproduktivität sind vielversprechend, könnten jedoch stark von der Qualität der Kundendaten und spezifischen Marktkontexten abhängen. Somit bietet Asper.ai zwar greifbare betriebliche Vorteile, doch bleiben seine Aussagen zu modernster KI – in gewissem Maße – werblich, ohne umfassende technische Belege.

Asper.ai vs Lokad

Im Vergleich zu Lokad – einem Pionier, der 2008 im Bereich der supply chain-Optimierung etabliert wurde – treten deutliche Unterschiede zutage. Lokads Ansatz ist tief verwurzelt in einer quantitativen, programmierbaren Methodik unter Verwendung der firmeneigenen Envision DSL und fortschrittlicher Techniken, einschließlich Deep Learning und differentiable programming. Betrieblich auf Microsoft Azure und mit einem Technologiestack, der sich um F#, C# und TypeScript zentriert, richtet sich Lokad an ein breites Spektrum von Branchen (von der Luft- und Raumfahrt bis hin zur Mode) und legt den Schwerpunkt auf eine durchgängige Automatisierung von supply chain-Entscheidungen.

Im Gegensatz dazu konzentriert sich Asper.ai, das erst vor wenigen Jahren gegründet wurde und mit Fractal Analytics verbunden ist, speziell auf die Konsumgüter- und Einzelhandelssektoren. Durch die Nutzung der AWS-Infrastruktur legt es den Schwerpunkt auf eine schnelle Implementierung, Nachvollziehbarkeit der KI-Ergebnisse und die Automatisierung routinemäßiger Entscheidungsprozesse, anstatt auf eine hochgradig anpassbare, codebasierte supply chain-Optimierungsplattform. Im Wesentlichen, während Lokad einen tief technischen, fast “build-your-own”-Ansatz in der supply chain-Optimierung vorantreibt, bietet Asper.ai eine stärker integrierte, gebrauchsfertige Lösung mit einem Schwerpunkt auf Transparenz und einfacher Bereitstellung. Dies macht beide für unterschiedliche Marktsegmente attraktiv: Lokad für Unternehmen, die in ein hoch maßgeschneidertes, programmierbares System investieren möchten, und Asper.ai für Organisationen, die eine verbesserte Prognose und Entscheidungsunterstützung schnell ohne großen Vorabaufwand an Engineering bereitstellen wollen.

Fazit

Asper.ai präsentiert eine vielversprechende, moderne Lösung zur Automatisierung und Verfeinerung der Nachfrageprognose sowie der damit verbundenen Entscheidungsprozesse im Bereich der Konsumgüter und des Einzelhandels. Durch die Integration verschiedener Datenquellen in eine KI-gesteuerte Prognose-Engine mit einem Schwerpunkt auf Nachvollziehbarkeit und schneller Bereitstellung bietet die Plattform praktische Vorteile in Form verbesserter Prognosegenauigkeit und erhöhter operativer Effizienz. Allerdings bedeutet das relative Fehlen detaillierter technischer Angaben, dass potenzielle Anwender prüfen sollten, ob die Methoden der Plattform tatsächlich einen Durchbruch in der KI darstellen oder vielmehr eine gut integrierte Anwendung bestehender Techniken sind. Im Vergleich von Asper.ai mit etablierten Akteuren wie Lokad wird deutlich, dass trotz Unterschieden in Ansatz und Infrastruktur – AWS und schnelle Implementierung gegenüber Azure-basierter, tief programmierbarer Optimierung – jeder seine eigenen, auf den Zielmarkt zugeschnittenen Stärken besitzt.

Quellen