Rezension von ClearOps, Supply Chain Software Anbieter

Von Léon Levinas-Ménard

Zuletzt aktualisiert: November, 2025

ClearOps ist ein in München ansässiges Softwareunternehmen, das sich auf die After-Sales-supply chains von Maschinenherstellern konzentriert und eine Cloud-Plattform betreibt, die OEMs mit tausenden Händlern und deren installiertem Maschinenbestand verbindet, um die Ersatzteilverfügbarkeit und Maschinenlaufzeit zu verbessern.¹² Gegründet in den mittleren 2010er Jahren unter CEO William Barkawi und innerhalb der Barkawi supply chain Gruppe inkubiert, positioniert sich ClearOps als unabhängige Vermittlungsebene zwischen OEMs, Händlerverwaltungssystemen und, zunehmend, Prozess-Mining- und Optimierungspartnern. Die Plattform wurde von industriellen OEMs wie Jungheinrich, Terex und AGCO übernommen, um After-Sales-Operationen über mehr als 2,000 Händler, 50+ Händlerverwaltungssysteme und mehrere Millionen Ersatzteil-SKUs zu orchestrieren, mit der Behauptung, dass etwa 5 Millionen Teile pro Tag und zehntausende Aufträge pro Woche geplant werden.³⁴ Kommerziell bleibt ClearOps ein relativ kleiner, aber spezialisierter Anbieter (etwa einige Dutzend Mitarbeiter), dessen Produkt-Footprint sich eng auf vernetzte After-Sales-Ökosysteme konzentriert, anstatt auf allgemeine supply chain Planung. Technisch deuten öffentlich verfügbare Belege auf eine ausgereifte Cloud-Integrations- und Kollaborationsschicht hin, wobei Optimierungs- und „KI“-Funktionalitäten teilweise über Partnerschaften (insbesondere mit PTC’s Servigistics und Celonis) bereitgestellt werden, anstatt durch eindeutig dokumentierte, proprietäre multi-echelon Optimierungs-Engines.

ClearOps Überblick

ClearOps präsentiert sich als eine “After-Sales-Plattform, die die Zusammenarbeit zwischen Herstellern, Händlern und Endkunden ermöglicht”, mit dem Ziel, die Ersatzteilverfügbarkeit für OEMs und die Effizienz der Techniker für Händler sicherzustellen, indem OEMs, Händler und Maschinen auf einer einzigen Cloud-Plattform vereint werden.¹² Öffentliche, an Kunden gerichtete Materialien und Verzeichnisse von Drittanbietern beschreiben sie konsequent als ganzheitliche B2B After-Sales-Software für die datengesteuerte Optimierung von supply chains in der Maschinenbauindustrie.³⁴

Positionierung und Umfang sind einigermaßen gut belegt. EU-Startups und Organisationsverzeichnisse berichten, dass ClearOps ein in München ansässiges SaaS-Startup unter der Leitung von CEO William Barkawi ist und dass seine Lösung seit etwa 2016 bei großen industriellen OEMs wie Jungheinrich, Terex und AGCO im Einsatz ist.³⁴ Dieselben Quellen geben an, dass ClearOps bereits dazu verwendet wird, ungefähr 5 Millionen Ersatzteile pro Tag zu planen und etwa 30,000 Aufträge pro Woche in diesen Netzwerken zu bearbeiten.³⁴ Die eigene Portfoliobeschreibung der Barkawi Group behauptet weiter, dass ClearOps in den letzten Jahren mehr als 2,000 Händler verbunden, über 50 gängige Händlerverwaltungssysteme (DMS) integriert und über 5 Millionen SKUs im Wert von mehr als €1 Milliarde Lagerbestand in Sektoren wie Bau- und Landwirtschaftsmaschinen, Materialflusstechnik sowie Elektrowerkzeugen verwaltet hat.⁵

Regionale Start-up-Berichterstattung von Munich Startup beschreibt den Kernzweck von ClearOps als die supply chain transparenter zu machen, um Ausfallzeiten zu minimieren, indem Maschinenhersteller digital mit ihren Händler- und Distributionsnetzwerken verbunden werden.⁶⁷ Ein späteres „Follow-up“-Interview bestätigt dieselbe Erzählung und stellt fest, dass ClearOps darauf ausgerichtet ist, Ausfälle durch diese Konnektivität zu verhindern, anstatt beispielsweise generische Unternehmensplanung zu bieten.⁷⁸ Die eigene About-Seite von ClearOps fasst ihre Mission als “die Bewegung der Maschinenwelt aufrechterhalten” zusammen, indem Daten genutzt werden, um zu transformieren, wie OEMs ihre Aftermarket-Netzwerke betreiben.⁹ Kunden- und Fallstudienseiten heben hervor, dass die After-Sales-Plattform bereits “von den weltweit führenden Herstellern und über 8000 assoziierten Händlern vertraut” wird, obwohl diese 8000+ Zahl ein Marketing-Claim ohne unabhängige Bestätigung ist.¹⁰

Kommerzielle Reife. Mitarbeiterzahlen wie bei The Org deuten auf eine Unternehmensgröße im Bereich von 11–50 Mitarbeitern hin, mit Hauptsitz in München.⁴ Zusammen mit der Präsenz aktueller Stellenausschreibungen für Rollen wie Enterprise Account Executive und DevSecOps Engineer in den Jahren 2024–2025 deutet dies auf einen kleinen, aber aktiv einstellenden SaaS-Anbieter hin, der noch näher an der Scale-up-Phase als am Großunternehmensstatus ist.¹¹¹² Es gibt keinerlei Hinweise auf große Venture-Capital-Runden; stattdessen scheint ClearOps innerhalb der Barkawi Gruppe, die sich auf das Seed-Finanzieren von supply chain Technologieunternehmen aus Beratung und Kundenprojekten spezialisiert hat, inkubiert und finanziert zu werden.¹¹ Öffentliche Interviews erwähnen “Finanzierung und Herausforderungen”, liefern jedoch keine genauen Angaben zu Cap-Table oder Finanzierungsrunden.⁷⁸ Insgesamt ist ClearOps am besten als ein fokussierter, vertikal spezialisierter SaaS-Anbieter mit mehreren namhaften OEM-Referenzen und einer signifikanten Produktionsskala zu charakterisieren, jedoch mit einer noch überschaubaren organisatorischen Größe.

ClearOps vs Lokad

ClearOps und Lokad agieren beide im weiten Bereich der supply chain Software, besetzen jedoch unterschiedliche Ebenen des Stacks und verkörpern unterschiedliche Philosophien.

ClearOps konzentriert sich stark auf vernetzte After-Sales-Ökosysteme für industrielle Maschinen-OEMs. Ihr erklärter Wertversprechen besteht darin, OEMs, Händler, DMS/ERP-Systeme und, zunehmend, Maschinentelemetrie in einer einzigen After-Sales-Plattform zu verbinden, um die Ersatzteilverfügbarkeit und Maschinenlaufzeit in verteilten Händlernetzwerken zu verbessern.¹²⁶ In der Praxis fungiert ClearOps als ein Hyper-Konnektivitäts- und Orchestrierungsknoten: Es standardisiert und erfasst Daten von über 50 Händlerverwaltungssystemen und mehr als 2,000 Händlern, zentralisiert Informationen zu Ersatzteilen, Aufträgen und installiertem Bestand und stellt kollaborative Workflows und Analysen für OEMs und Händler bereit.⁵¹⁰

Im Gegensatz dazu positioniert sich Lokad als programmatische quantitative Optimierungs-Engine für supply chains in zahlreichen Branchen (Einzelhandel, Fertigung, Luft- und Raumfahrt etc.) und nicht nur im Bereich der After-Sales von Maschinen. Seine Cloud-Plattform basiert auf Envision, einer domänenspezifischen Sprache (DSL), die speziell für die prädiktive Optimierung von supply chains entwickelt wurde.¹³¹⁴ Lokad legt Wert auf probabilistische Prognosen und numerische Optimierung: Es modelliert vollständige Nachfrage- und Lieferzeitverteilungen und optimiert anschließend Entscheidungen (Bestellmengen, Zuteilungen, Produktionspläne, Preisgestaltungen), um erwartete wirtschaftliche Ergebnisse zu maximieren.¹²¹⁵ Die Plattform ist explizit codegetrieben: Supply Chain Scientist formulieren Prognose- und Optimierungslogik in Envision-Skripten, die automatisch auf einer mehrmandantenfähigen SaaS-Infrastruktur ausgeführt werden.¹³¹⁴¹²

Aus technischer Architekturperspektive heben ClearOps‘ öffentliche Materialien die umfangreiche Konnektivität zu Händler-DMS/ERP-Systemen über einen Integrations-Hub hervor, der bereits mit über 80 ERP-Systemen verbunden ist und eine „schnelle und nachhaltige Systemintegration“ im Händlernetzwerk verspricht.¹⁶ Dies unterstreicht seine Stärke in Datenintegration, Workflow-Digitalisierung und rollenspezifischer UX für OEMs und Händler. Allerdings bleibt die eigene Dokumentation von ClearOps hinsichtlich interner Algorithmen relativ oberflächlich; detaillierte Beschreibungen von Prognoseansätzen, Optimierungslösern oder probabilistischen Modellen fehlen in öffentlichen Quellen.

Lokad hingegen dokumentiert offen den Kern seines Stacks: Technische Dokumentationen beschreiben Lokad als eine programmatische SaaS-Plattform, in der Envision-Skripte die vollständige Pipeline implementieren: Datenintegration, probabilistisches Modellieren und Entscheidungsoptimierung.¹³¹² Lokads Prognose-Engine wird so beschrieben, dass sie integrierte probabilistische Nachfrageprognosen liefert, die probabilistische Lieferzeiten berücksichtigen, unter Einbeziehung von Saisonalität, Produktlebenszyklen und Nachfrageverzerrungen wie Lagerfehlbeständen und Werbeaktionen.¹⁵ Lokads eigene Erklärungen und Fallstudien erläutern zudem, dass Entscheidungen (Bestellungen, Zuteilungen etc.) durch numerische Löser und stochastische Optimierung abgeleitet werden und nicht durch heuristische Regeln.¹²¹⁵¹⁷

Bezüglich „KI“ und Optimierung kommen ClearOps’ explizitste Verbindungen zu fortgeschrittenen Optimierungs-Engines über seine Partnerschaft mit PTC’s Servigistics zustande: Die gemeinsame PTC–ClearOps-Ankündigung stellt ClearOps als Anbieter der Datenintegration im Service-supply chain Netzwerk dar, während Servigistics „Optimierungsfunktionen für Service-Teile“ bereitstellt, die auf KI, maschinellem Lernen und multi-echelon Optimierung beruhen.¹⁷¹⁸¹⁹ Mit anderen Worten, industrielle Optimierung im ClearOps-Ökosystem wird, soweit öffentliche Belege reichen, weitgehend an ein Partnerprodukt (Servigistics) delegiert. Eine zweite, neuere Partnerschaft mit Celonis positioniert ClearOps als Spezialisten zur Maximierung der Maschinenlaufzeit durch Orchestrierung vernetzter Service-Ökosysteme, wobei Celonis Prozess-Mining- und Prozessintelligenz-Fähigkeiten bereitstellt, um Engpässe in Prozessen aufzudecken und proaktive Entscheidungen zu ermöglichen.²⁰²¹¹⁶

Im Vergleich dazu bettet Lokad seinen eigenen probabilistischen Prognose- und Optimierungs-Stack direkt in seine Plattform ein. Seine Dokumentation und sein Manifest betonen, dass Unsicherheit explizit durch probabilistische Prognosen modelliert wird und dass numerische Löser alle möglichen Entscheidungen berücksichtigen und bewerten, um jene auszuwählen, die wirtschaftliche Ziele optimieren.¹²¹⁵²² Lokads Teilnahme am M5 Prognosewettbewerb, bei dem ein Lokad-Team insgesamt den 6. Platz von 909 Teams belegte (und später eine SKU-Performance an erster Stelle vorwies), liefert unabhängige Beweise für seine Prognosefähigkeiten.²³¹²⁴

Hinsichtlich Produktoberfläche und Nutzer-Modell befindet sich ClearOps näher an einer Applikationsschicht: OEM-Produktteams, Händler-Operationen und Service-Manager arbeiten in einer domänenspezifischen Benutzeroberfläche, die um After-Sales-Prozesse (Händlerbestell-Workflows, Service-Kampagnen, Ersatzteilverfügbarkeits-Dashboards) herum gestaltet ist. OEMs können anschließend leistungsstarke Optimierungs- oder Prozess-Mining-Engines (Servigistics, Celonis) unter oder neben ClearOps über Partnerschaften integrieren.¹⁷²⁰²¹ Lokad hingegen ist näher an einer Analyse-Engine und Entwicklungsumgebung: Supply Chain Scientist schreiben Envision-Code und stellen die daraus resultierenden Dashboards und Aktionslisten den Planern zur Verfügung; es gibt keine vorgefertigte “After-Sales-App” im engeren Sinne, sondern allgemeine Bausteine zur Codierung jeglicher supply chain Modelle.¹³¹⁴¹²

Für einen Maschinen-OEM übersetzt sich dies in Abwägungen:

Wenn das Hauptproblem fragmentierte Händlerinformationen, inkonsistente DMS-Integrationen und ein Mangel an einheitlicher Sichtbarkeit/standardisierten Workflows sind, stimmen ClearOps’ Integrations-Hub, Händlerkonnektivität und OEM/Händler-UX direkt mit diesem Problem überein, mit nachgewiesenen Einsätzen genau in diesem Kontext.⁵⁶¹⁰²²²⁵
Wenn das Hauptproblem darin besteht, Bestands-, Produktions- und Preisentscheidungen über viele Ebenen unter Unsicherheit mathematisch zu optimieren, richtet sich Lokads probabilistisches Modellierungs- und Optimierungs-Engine direkter an dieses Problem, erwartet aber, dass der Kunde (mit Lokads Unterstützung) seine Geschäftslogik programmgesteuert implementiert.¹³¹²¹⁵¹⁷

Diese Ansätze schließen sich nicht zwingend gegenseitig aus: Ein OEM könnte theoretisch ClearOps als After-Sales-Daten- und Workflow-Schicht für sein Händlernetzwerk nutzen und bereinigte, standardisierte Daten in eine quantitative Optimierungs-Engine wie Lokad oder Servigistics einspeisen. Allerdings betont ClearOps in den öffentlichen Materialien Konnektivität und operative Zusammenarbeit, während Lokad quantitative Optimierung und Entscheidungsautomatisierung in den Vordergrund stellt.

Unternehmenshintergrund, Eigentumsverhältnisse und Geschichte

ClearOps wird wiederholt als ein in München ansässiges Startup beschrieben, das von CEO und Gründer William Barkawi geleitet wird.³⁶⁷¹⁹ Das Unternehmen scheint in den mittleren 2010er Jahren gegründet worden zu sein: EU-Startups weist darauf hin, dass seine cloudbasierte SaaS-Lösung seit “2016” bei großen industriellen OEMs im Einsatz ist.³ Das frühe Profil von Munich Startup (2022) beschreibt ClearOps als ein junges Unternehmen, das darauf abzielt, “maximale supply chain Sichtbarkeit für minimale Ausfallzeiten” zu erreichen, indem es Maschinenhersteller mit ihren Händler- und Distributionsnetzwerken verbindet.⁶

Die Barkawi Group, eine seit langem bestehende supply chain Beratungs- und Technologiegruppe, zählt ClearOps zu ihren Portfoliounternehmen und gibt an, dass Barkawi-Unternehmen typischerweise intern aus Nachfrageforschung, Kundenanforderungen oder Transformationsprojekten hervorgehen, wobei die Seed- und Early-Stage-Investitionen von Barkawi selbst getragen werden.¹¹⁵ Die deutschsprachige Seite von Barkawi über ClearOps quantifiziert die Reichweite der Plattform (2,000+ Händler, 50+ DMS-Systeme, >5m SKUs, >€1bn Lagerbestand) und legt nahe, dass ClearOps innerhalb des Barkawi-Ökosystems gereift ist, bevor (oder parallel zu) externem Marketing.⁵

Es gibt keine öffentlichen Hinweise darauf, dass ClearOps übernommen wurde oder andere Unternehmen übernommen hat. Verfügbare Interviews sprechen von “Finanzierung und Herausforderungen”, erwähnen jedoch keine externen VC-Runden, bedeutende strategische Investoren oder M&A-Aktivitäten.⁷⁸ Daraus folgt die vorsichtigste Interpretation:

ClearOps ist in Privatbesitz, vermutlich mehrheitlich innerhalb des Barkawi-Ökosystems sowie durch den Gründer und die ersten Mitarbeiter gehalten.
Das Wachstum erscheint organisch und referenzbasiert, verankert in einer kleinen Anzahl großer OEM-Programme anstatt VC-getriebenem Hyperwachstum.

Diese Eigentümerstruktur spiegelt andere Unternehmen mit Barkawi-Ursprung wider und stimmt mit ClearOps’ engem vertikalen Fokus sowie der relativ geringen Mitarbeiterzahl überein.

Produktumfang und funktionale Abdeckung

Funktionaler Umfang: After-Sales-Ökosysteme und Händlernetzwerke

Auf der gesamten Website präsentiert ClearOps sein Produkt konsequent als eine After-Sales-Plattform für OEMs und Händler, nicht als eine allgemeine supply chain Planungssuite.¹²¹⁰¹⁹ Zentrale funktionale Themen beinhalten:

Dealer/DMS-Integration und Datenvereinheitlichung. ClearOps wirbt mit einem “fortgeschrittenen Integrations-Hub”, der bereits mit mehr als 80 verschiedenen ERP-Systemen verbunden ist, mit dem expliziten Ziel, OEMs “Sichtbarkeit und Kontrolle” über fragmentierte Händler- und Distributionsnetzwerke “im Handumdrehen” mittels seiner Hyper-Konnektivitäts-Suite zu verschaffen.¹⁶ Barkawi beziffert dies als über die Zeit integrierte 50+ Händlerverwaltungssysteme.⁵
Ersatzteilverfügbarkeit und Betriebszeit. Die deutsche Homepage von ClearOps besagt, dass die Plattform die Ersatzteilverfügbarkeit für OEMs und die Effizienz von Technikern für Händler gewährleistet, indem sie OEMs, Händler und Maschinen auf einer einzigen Plattform vereint.² Die Berichterstattung von Munich Startup betont, dass das Ziel darin besteht, Ausfälle zu verhindern, indem die supply chain transparenter gemacht wird.⁶⁷
After-Sales-Workflows und Zusammenarbeit. Kundenwebseiten und Fallstudien beschreiben kollaborative Arbeitsabläufe zwischen OEMs und Händlern: Zum Beispiel gibt Terex an, dass die Nutzung des ClearOps Aftersales Hub den Händlern ermöglicht, durch Prozessautomatisierung Zeit bei alltäglichen Aufgaben zu sparen, Bestandsprofile durch Verringerung der Veralterung bei gleichzeitig erhöhter Teileverfügbarkeit zu verbessern und letztlich den Umsatz sowie die Markenloyalität zu steigern.²² Dies impliziert Fähigkeiten wie automatisierte Bestellvorschläge, Ausnahmebehandlung und Kampagnenmanagement, auch wenn die öffentliche Dokumentation bis zu detaillierten Ablaufdiagrammen nicht fortführt.
OEM-Ebene Analysen im gesamten Netzwerk. Fallstudien erwähnen, dass OEMs ClearOps nutzen, um eine netzwerkübergreifende Transparenz zu erlangen, unter- oder überbestandene Standorte zu identifizieren und Maßnahmen zwischen Händlern zu koordinieren. Beispielsweise verweist AGCOs „Success Study“ auf ein riesiges Händlernetz von über 2.000 Händlern, die mit Teileknappheit und reaktivem Service zu kämpfen haben, und positioniert ClearOps implizit als die digitale Schicht zur Lösung dieser Probleme.²⁵

Bemerkenswerterweise präsentiert ClearOps nicht Module wie “demand planning”, “S&OP” oder “network design” in der Art, wie es klassische APS-Anbieter tun. Sein Umfang ist enger, aber tiefgehender im Aftersales-Kontext: Es richtet sich gezielt an die spezifischen Herausforderungen von fragmentierten Händlernetzen und installierten Anlagen in Branchen, in denen Maschinenstillstände teuer sind (Baugeräte, Landmaschinen, Materialhandling).

Benannte Kunden und Referenzanwendungsfälle

Benannte Referenzen sind für ein Unternehmen der Größe von ClearOps relativ stark:

EU-Startups und Unternehmensprofile geben an, dass ClearOps seit 2016 bei Jungheinrich, Terex und AGCO im Einsatz ist.³⁴
ClearOps’ eigene Fallstudien-Sektion listet mehrere OEMs auf, darunter Jungheinrich, Terex und andere, obwohl nicht alle Fallstudien vollständig ohne Registrierung zugänglich sind.¹⁰²⁴²²
Die Terex-Fallstudie schreibt explizit dem ClearOps Aftersales Hub eine verbesserte Händler-Effizienz und optimierte Bestandsprofile zu.²²
AGCOs Erfolgsgeschichte konzentriert sich auf die Herausforderung, die Teileverfügbarkeit in einem Händlernetz von über 2.000 zu gewährleisten, um die Betriebszeit der Landwirte zu schützen, und positioniert ClearOps implizit als die ermöglichende Plattform.²⁵

Dies sind prüfbare, benannte Kunden in den Zielbranchen (Materialhandling, Baugeräte, Landmaschinen) mit globalen Händlernetzen, was ClearOps’ Behauptungen einer großskaligen Einsatzzahl unterstützt. Allerdings bleiben die öffentlich verfügbaren Fallstudien überwiegend qualitativ; sie bieten keine quantitativen KPIs (z. B. spezifische prozentuale Reduzierungen beim Bestand oder bei Ausfallzeiten, die ausschließlich ClearOps zugeschrieben werden können) und erläutern auch nicht die internen Algorithmen.

Im Gegensatz dazu sollten ClearOps’ Marketingaussagen, dass es von “den weltweit führenden Herstellern und über 8000 assoziierten Händlern vertraut wird”, als Marketingaussagen betrachtet werden: Die spezifischen Identitäten der OEMs jenseits der benannten Beispiele und die genaue Zahl von über 8000 Händlern werden nicht unabhängig bestätigt.¹⁰

Architektur, Technologie-Stack und Integrationen

Integrations-Hub und Datenmodell

Öffentliche Produktseiten und die Unterseite zur DMS-Integration zeichnen ein konsistentes architektonisches Bild: ClearOps betreibt einen Integrations-Hub, der darauf ausgelegt ist, OEMs und deren Händler durch die Anbindung an bestehende ERP-/DMS-Systeme schnell zu integrieren.¹⁶ Der Hub ist bereits mit über 80 verschiedenen ERP-Systemen und mehr als 50 Händlerverwaltungslösungen verbunden, was die Aufnahme von Bestellungen, Beständen, Maschinen- und Kundendaten in eine zentrale Cloud-Plattform ermöglicht.⁵¹⁶

Daraus können wir einige Eigenschaften ableiten:

Die Plattform stützt sich fast sicher auf eine mandantenfähige Cloud-Infrastruktur, angesichts der Vielfalt der angebundenen Händler-Systeme und ihrer Positionierung als SaaS; EU-Startups beschreibt ClearOps explizit als eine cloudbasierte SaaS-Lösung.³
Das zentrale logische Datenmodell scheint sich um Entitäten wie Händlerstandort, OEM, Maschine, Teil, Bestellung und installierte Basis zu drehen, was netzwerkweite Analysen und Arbeitsabläufe ermöglicht.
Die Integrationsschicht muss mit unterschiedlichen Datenqualitäten und Schemata in jedem DMS umgehen – eine nicht unerhebliche technische Aufgabe – aber es gibt keine öffentliche technische Dokumentation darüber, wie die Harmonisierung der Schemata, Datenlatenzen oder die Fehlerbehandlung implementiert sind. Zum Beispiel wird nicht erwähnt, ob ClearOps eine ereignisgesteuerte Architektur, Nachrichtenwarteschlangen oder spezifische ETL-Tools verwendet.

Auch wenn diese Architektur plausibel und konsistent mit dem zu lösenden Problem ist, veröffentlicht ClearOps sehr wenige Details über den internen Stack: Es gibt keinen öffentlichen Hinweis auf den primären Cloud-Anbieter (AWS/Azure/GCP), Programmiersprachen, Datenspeicher (relational, dokument- oder spaltenbasiert) oder spezifische Frameworks. Hin und wieder deuten Stellenausschreibungen für DevSecOps-Ingenieure auf eine moderne CI/CD- und Cloud-Sicherheitsstrategie hin, jedoch wird der Stack nicht detailliert aufgezählt.¹¹ Folglich wäre jede tiefere technische Bewertung der Skalierbarkeit oder Fehlertoleranz spekulativ.

Optimierung und Analytik: ClearOps vs. Partner-Engines

Die konkretesten technischen Informationen zur Optimierung stammen nicht von ClearOps’ eigener Seite, sondern aus den Materialien des Partners PTC zu Servigistics:

PTC positioniert Servigistics als Anbieter einer echten mehrstufigen Bestandsoptimierung für Ersatzteile, wobei fortschrittliche Algorithmen, KI und maschinelles Lernen eingesetzt werden, um die Lagerbestände in komplexen Service-Netzwerken zu optimieren.¹⁸¹⁹
Der gemeinsame PTC–ClearOps-Blog stellt den Beitrag von ClearOps als “bahnbrechende Datenintegrations-Technologie” und den von Servigistics als “erstklassige Optimierungsfähigkeiten für Ersatzteile” dar, mit dem Ziel, diese Technologien zu vereinen, um eine bessere Transparenz und Kommunikation entlang der service supply chain zu ermöglichen.¹⁷

Dies legt nahe, dass für Kunden, die sowohl Servigistics als auch ClearOps nutzen, ClearOps in erster Linie das Daten- und Kollaborationsgeflecht darstellt, während Servigistics als das Optimierungszentrum für den Ersatzteilbestand agiert. In diesen Fällen ist die Rolle von ClearOps entscheidend (ohne gute Daten ist Optimierung sinnlos), aber die schwere mathematische Arbeit wird ausgelagert.

Die eigenen Seiten von ClearOps beziehen sich auf Automatisierung, Empfehlungen und Analysen, beschreiben die Algorithmen jedoch nicht in formalen Begriffen (z. B. wird nicht auf probabilistische Prognosen, mehrstufige Modelle, stochastische Optimierung oder spezifische maschinelle Lerntechniken eingegangen). In Ermangelung solcher Dokumentation ist die sicherste Interpretation:

ClearOps umfasst wahrscheinlich regelbasierte Automatisierung und grundlegende Analysen für Händlerarbeitsabläufe (z. B. Nachbestellvorschläge, ABC-Klassifikation, Warnmeldungen), wie es die meisten modernen SaaS-Plattformen in diesem Nischenbereich tun.
Für ausgefeilte mehrstufige Optimierungen und KI-intensive Planung von Ersatzteilen stützt sich ClearOps auf Partner-Engines wie Servigistics, die explizit als Anbieter dieser Fähigkeiten vermarktet werden.¹⁷¹⁸¹⁹

Die neuere Partnerschaft mit Celonis passt in dieses Muster: Celonis stellt eine Process-Mining- und Process-Intelligence-Plattform bereit, die Ereignisdaten aufnimmt, Prozessengpässe aufdeckt und Prozessverbesserungen empfiehlt.²⁰²¹¹¹¹⁵ ClearOps liefert Netzwerkdaten und fachlichen Kontext, während Celonis eine ausgereifte Process-Intelligence-Engine beisteuert. Wiederum agiert ClearOps als Orchestrator und Verbindungsstück anstelle der eigentlichen Process-Mining-Engine.²⁰²¹¹⁶

Aus Sicht des neuesten Stands der Technik ist dieser Ökosystem-Ansatz vernünftig und oft pragmatisch, bedeutet jedoch, dass die eigenen proprietären Algorithmen von ClearOps (falls vorhanden) aus öffentlichen Materialien weitgehend undurchsichtig bleiben. Potenzielle Käufer sollten daher Behauptungen über “Optimierung” oder “KI” im Marketing von ClearOps als abhängig davon ansehen, welche Partnerprodukte in einem bestimmten Projekt tatsächlich eingesetzt werden.

Bewertung von KI, Optimierung und “State-of-the-Art”-Behauptungen

Nachweise für Skalierung und Industrialisierung

Im Hinblick auf Skalierung und Industrialisierung sind ClearOps’ Behauptungen generell glaubwürdig und durch mehrere unabhängige Quellen validiert:

5 Millionen Teile, die pro Tag geplant werden, und 30.000 Bestellungen, die pro Woche verarbeitet werden, werden von EU-Startups, The Org und mehreren unternehmensbezogenen Profilen zitiert, nicht nur vom Marketing von ClearOps.³⁴⁷⁴
Barkawis Portfolio-Beschreibung beziffert über 2.000 Händler, mehr als 50 DMS-Integrationen und über 5 Millionen SKUs im Wert von über €1 Mrd., die über die Plattform laufen.⁵
Benannte OEMs (Jungheinrich, Terex, AGCO) mit globalen Händlernetzen und veröffentlichte Fallstudien bestätigen, dass ClearOps in echten Produktionsumgebungen eingesetzt wird, nicht nur in Pilotprojekten.³¹⁰²⁴²²²⁵

Diese Fakten unterstützen die Schlussfolgerung, dass ClearOps als kommerziell erprobte Konnektivitäts- und Kollaborationsschicht in Aftersales-Kontexten gilt.

Lücken in der algorithmischen Transparenz

Was die algorithmische Raffinesse und KI angeht, ist ClearOps’ öffentliche Dokumentation jedoch deutlich spärlicher:

Es gibt keine detaillierte Darstellung der Prognosemethoden, z. B. ob ClearOps klassische Zeitreihenmodelle, maschinelles Lernen, probabilistische Prognosen oder einfache historische Heuristiken verwendet.
Es gibt keine Beschreibung der Logik zur Bestandsoptimierung: Es wird nicht auf mehrstufige Optimierung, stochastische Modelle, Monte-Carlo-Simulation oder gar traditionelle Sicherheitsbestand-Formeln eingegangen. Wo solche Begriffe auftauchen (z. B. “multi-echelon optimization” oder “industrial AI”), geschieht dies im Kontext von PTC Servigistics und nicht im eigenen Code von ClearOps.¹⁷¹⁸¹⁹
Es sind keine akademischen Kooperationen, Open-Source-Code oder technische Whitepapers von ClearOps öffentlich einsehbar, die eine unabhängige Überprüfung seiner Algorithmen ermöglichen würden.

Im Gegensatz dazu veröffentlichen Partner wie PTC und Celonis relativ umfangreiche technische Beschreibungen ihrer Engines (mehrstufige Optimierung, KI-gestützte Prozessintelligenz), auch wenn diese Beschreibungen marketinggeprägt bleiben.¹⁸¹⁹²¹

Angesichts dessen lautet eine vorsichtige, skeptische Einschätzung:

ClearOps operiert eindeutig in großem Maßstab und hat seine Konnektivitäts- und Datenmodellschicht industrialisiert.
Behauptungen zu fortgeschrittener Optimierung oder KI sollten in erster Linie als Verweis auf Partnerprodukte (Servigistics, Celonis) interpretiert werden und nicht als Hinweis auf proprietäre ClearOps-Algorithmen, sofern ClearOps nicht technische Dokumentationen vorlegen kann, die das Gegenteil belegen.
Aus Sicht des Standes der Technik ist ClearOps näher an einer modernen, cloud-nativen Integrations- und Kollaborationsplattform für den Aftersales-Bereich – man könnte sagen, state-of-the-art in seiner Nischenkonnektivität – als an einer eigenständigen Optimierungs-Engine.

Dies schmälert nicht den Wert von ClearOps in Projekten (gute Daten und Arbeitsabläufe sind oft der schwierigste Teil), aber es stellt klar, wo die “Intelligenz” liegt: größtenteils in Partner-Engines und bei menschlichen Analysten, die die harmonisierten Daten verwenden.

Bereitstellungsmodell und Rollout

Öffentliche Quellen skizzieren ein Bereitstellungsmuster, das mit anderen B2B-SaaS-Plattformen im industriellen Kontext übereinstimmt:

Der Integrations-Hub ermöglicht eine relativ schnelle Anbindung an bestehende ERP-/DMS-Systeme; allerdings weist ClearOps selbst darauf hin, dass der Zeitrahmen von der Größe des Händlernetzes und den zugrunde liegenden Systemen abhängt, was auf einen nicht unerheblichen Integrationsaufwand hindeutet.¹⁶
Interviews mit Munich Startup zeigen, dass die Anbindung zahlreicher Händler und Systeme sowie die Überzeugung von Interessengruppen zur Einführung neuer digitaler Arbeitsabläufe eine große praktische Herausforderung darstellten.⁶⁷
Fallstudien deuten auf einen phasenweisen Rollout hin, beginnend mit einer ersten Gruppe von Händlern/Pilotprojekten, gefolgt von einer breiteren Netzwerkintegration, sobald die Vorteile nachgewiesen sind (z. B. im Fall von Terex).²²

Es gibt keine detaillierte öffentliche Dokumentation zur Implementierungsmethodik (z. B. Projektphasen, typische Monate bis zum Go-live, Change-Management-Playbooks). Für potenzielle Käufer bedeutet dies, dass Implementierungsrisiken und -aufwand über direkte Referenzgespräche bewertet werden sollten, anstatt von einer schlüsselfertigen Bereitstellung auszugehen.

Fazit

ClearOps ist am besten als ein vertikal spezialisiertes, mittelständisches SaaS-Anbieter zu verstehen, das sich auf die Aftersales-Ökosysteme von OEMs im Bereich Industriemaschinen konzentriert. Seine Kernstärke, wie durch unabhängige und unternehmensbezogene Quellen belegt, liegt in:

Hyper-Konnektivität und Datenvereinheitlichung über fragmentierte Händler- und DMS/ERP-Landschaften hinweg.¹⁵¹⁶
Betriebskollaboration und Workflow-Digitalisierung zwischen OEMs und tausenden von Händlern, mit Schwerpunkt auf Ersatzteilverfügbarkeit und Maschinenlaufzeit.²⁶¹⁰²²²⁵
Nachgewiesene Produktionsskala bei benannten OEMs wie Jungheinrich, Terex und AGCO, die wöchentlich Millionen von Teilen und zehntausende Bestellungen verarbeiten.³⁵⁴²²²⁵

Aus der Perspektive der technischen Tiefe sind ClearOps’ öffentlich dokumentierte Fähigkeiten bescheidener:

Behauptungen zu Optimierung und KI scheinen weitgehend an Partner-Engines gebunden zu sein (PTC Servigistics für mehrstufige Optimierung und Ersatzteil-KI; Celonis für Prozessintelligenz) anstatt an klar spezifizierte, interne Algorithmen.¹⁷¹⁸¹⁹²⁰²¹¹⁶
Die algorithmische Transparenz ist gering: Es gibt keine öffentlich beschriebenen probabilistischen Modelle, Solver oder technischen Whitepapers, die eine rigorose externe Bewertung der ClearOps-eigenen Optimierung ermöglichen würden.
Die kommerzielle Reife ist solide, aber nicht enorm: Ein kleines Team, das unter Barkawi inkubiert wurde, mit mehreren Leitkunden, jedoch weit entfernt von der Größe globaler APS-Anbieter.⁵⁷⁴¹¹

Im Vergleich zu Lokad, das sich als programmatische quantitative Optimierungs-Engine mit öffentlich dokumentierten probabilistischen Prognosen und DSL-basierter Modellierung positioniert, besetzt ClearOps eine andere Nische: Es ist näher an einer vernetzten Aftersales-Anwendungsschicht als an einer generischen Optimierungs-Engine. Für OEMs, deren Hauptengpass die Digitalisierung von Händlernetzwerken und Datenqualität ist, stellt ClearOps eine glaubwürdige und erprobte Option dar. Für Organisationen, die in erster Linie eine state-of-the-art probabilistic optimisation across their entire supply chain anstreben, müsste ClearOps typischerweise durch eine dedizierte Optimierungsplattform ergänzt werden (sei es Servigistics, Lokad oder eine andere Engine).

In jedem Due-Diligence-Prozess sollte ein technisch skeptischer Käufer daher:

Die Konnektivität von der Optimierung trennen und explizit fragen, welche Entscheidungen von ClearOps selbst und welche von Partner-Engines optimiert werden.
Konkrete, quantitative Falldaten anfordern (Bestandsreduzierungen, Verbesserungen der Betriebszeit, Verkürzungen der Durchlaufzeiten) mit klarer Zuordnung, welcher Bestandteil welchen Nutzen erbracht hat.
Die langfristige Architektur klären: Wird ClearOps das Datenrückgrat sein, das die Optimierungs-Engines speist, oder soll es sich zu einer vollständigen Optimierungsschicht weiterentwickeln?

Stand Ende 2025 stützen öffentlich zugängliche Belege die Ansicht, dass ClearOps ein ernsthafter, spezialisierter Anbieter für die Digitalisierung von After-Sales-Netzwerken ist, dass jedoch seine hochmodernen Optimierungsfähigkeiten hauptsächlich über Ökosystempartnerschaften und nicht über transparente, interne Algorithmen zugänglich gemacht werden.