Rezension von DecisionBrain, Anbieter von Entscheidungsunterstützungssoftware

By Léon Levinas-Ménard

Zuletzt aktualisiert: November, 2025

DecisionBrain ist ein französischer Softwarehersteller, gegründet im Jahr 2012 und mit Hauptsitz in Paris, der sich darauf spezialisiert, optimierungsgestützte Entscheidungsunterstützungsanwendungen für Planungs-, Terminierungs- und Logistikprobleme in den Bereichen Fertigung, supply chain, Personalmanagement und Instandhaltung zu entwickeln. Rechtlich als DECISIONBRAIN S.A.S. Ende 2012 eingetragen, ist das Unternehmen als kleines Unternehmen (etwa 20–49 Mitarbeiter) registriert und betreibt zusätzliche Büros in Montpellier und Bologna, mit Kundenprojekten in Europa, Amerika und Asien.¹²³⁴ Das Kernprodukt ist DB Gene, eine Low-Code-Entwicklungsplattform, die die generischen Bausteine bereitstellt, die den meisten Entscheidungsunterstützungsanwendungen gemeinsam sind – Web-UI, Szenarioverwaltung, Datendienste, Sicherheit und ein Optimierungsserver – sodass sich Optimierungsexperten auf die Modellierung statt auf die Implementierungsdetails konzentrieren können.⁵ DB Gene wird typischerweise mit DBOS (DecisionBrain Optimization Server) kombiniert, einer Orchestrierungsebene für CPU-intensive Optimierungs- und Analyseaufgaben, die in Docker, Kubernetes oder OpenShift bereitgestellt werden kann und solver-agnostisch ist (unterstützt IBM CPLEX, Gurobi und andere Engines).⁶⁷ Derselbe Technologiestack bildet die Grundlage für IBMs kommerzielles Angebot Decision Optimization Center (DOC), für das DecisionBrain ein langjähriger Implementierungspartner ist.⁸⁹ Aufbauend auf diesem Stack liefert das Unternehmen maßgeschneiderte „Decision Intelligence“-Lösungen – wie supply chain forecasting und Nachfrageplanung, Netzwerkanalyse, Fahrzeugroutenplanung, Mitarbeiterplanung und Produktionsplanung – die als individuelle Anwendungen und nicht als standardisierte Module umgesetzt werden.¹⁰¹¹¹² Öffentliche Quellen nennen eine installierte Basis von Dutzenden von Unternehmenskunden, darunter Toyota, IBM, Carhartt, die Europäische Zentralbank, JLL und bedeutende Logistik- und Fertigungsunternehmen, was auf einen kommerziell ausgereiften, aber dennoch relativ kleinen Anbieter hinweist, der sich auf hochpreisige Optimierungsprojekte fokussiert.¹⁰¹³¹⁴

DecisionBrain Übersicht

Unternehmensprofil, Geschichte und Präsenz

Französische Handelsregister zeigen, dass DECISIONBRAIN S.A.S. am 30. November 2012 gegründet wurde, mit Hauptsitz in Paris (10. Arrondissement), mit NAF-Code 6311Z („Datenverarbeitung, Hosting und damit verbundene Aktivitäten“) und einem Stammkapital von 69.631 €.¹ Das Unternehmen wird in offiziellen Statistiken und Firmenverzeichnissen in der Kategorie 20–49 Mitarbeiter geführt.¹²³⁴ Annuaire-Entreprises (das konsolidierte Firmenverzeichnis der französischen Regierung) bestätigt dieselbe SIREN (790003453), Rechtsform und Aktivitätsklassifikation, ohne Hinweis auf einen Konzernabschluss; DecisionBrain scheint ein unabhängiges KMU und keine Tochter eines größeren Softwarekonzerns zu sein.²

Kommerzielle Datenbanken wie Datanyze und Dun & Bradstreet beschreiben DecisionBrain als ein privat geführtes Unternehmen, das 2012 gegründet wurde, mit geschätzten Umsätzen im niedrigen einstelligen Millionenbereich in US-Dollar und Kunden in mehr als 15 Ländern.¹⁰⁴ Es gibt keinen öffentlichen Nachweis für große Risikokapitalfinanzierungen oder Fusionen und Übernahmen in den üblichen Risikodatenbanken; das einzige externe Finanzierungssignal ist die Teilnahme an den Accelerator-Programmen von EIT Digital anstelle klassischer institutioneller Finanzierungsrunden.⁴ Die „Über uns“-Seite hebt ein Team von Optimierungsexperten hervor, von denen viele bereits Erfahrung bei ILOG und IBMs Entscheidungsoptimierungsgruppe haben, und stellt das Unternehmen als selbstfinanziert und spezialisiert dar, anstatt auf hyperwachstum ausgerichtet zu sein.¹⁵⁹

DecisionBrain listet Büros in Paris, Montpellier und Bologna auf und verweist auf Kundenprojekte in Europa, Nordamerika, Südamerika und Asien, darunter Verkehrsknotenpunkte und Fertigungsanlagen, was mit den in der Presseberichterstattung und Fallstudien hervorgehobenen Regionen übereinstimmt.¹⁰¹⁵¹³¹⁴ Es gibt keine Hinweise auf Akquisitionen (weder als Erwerber noch als Zielunternehmen), was auf einen rein organischen Wachstumsweg über mehr als ein Jahrzehnt hindeutet.

Produkt-Stack: DB Gene, DBOS und IBM DOC

Das Produktportfolio von DecisionBrain ist keine Ansammlung einzelner, fertiger „Module“, sondern ein Stack, der sich auf DB Gene und DBOS konzentriert, ergänzt durch Dienstleistungen und IBM-gebrandete Varianten.¹⁰⁵⁶

DB Gene – Low-Code Entscheidungsunterstützungsplattform. DB Gene wird als „eine hochmoderne Plattform“ präsentiert, die den Entwicklungsaufwand für eine Entscheidungsunterstützungslösung um „über 70%“ reduziert, indem sie die in modernen Webanwendungen vorkommenden Querschnittsthemen bündelt.⁵ Zu den Out-of-the-box-Fähigkeiten gehören ein fortschrittliches Web-UI, Was-wäre-wenn-Szenarioanalysen, Benutzerverwaltung, parallele Verarbeitung und Überwachung, containerisierte Bereitstellung und integrierte Sicherheit.⁵ Die Architektur ist in folgende Dienste unterteilt:
- ein Web Frontend Service mit konfigurierbaren Dashboards und einer Bibliothek gebrauchsfertiger UI-Komponenten (Tabellen, Diagramme, Gantt-Diagramme, Karten etc.);
- ein Szenario Service, der Hierarchien von Arbeitsbereichen, Ordnern und Szenarien verwaltet, mit APIs für Erstellen/Lesen/Aktualisieren/Löschen von Szenarien;
- ein Data Service, der relationale Daten, indiziert nach Szenario, verwaltet und CRUD-APIs bereitstellt;
- eine Security-Schicht, die OpenID Connect, OAuth 2.0 und SAML 2.0 für SSO, rollenbasierte Berechtigungen und HTTPS handhabt;
- eine Abstraktionsschicht des Optimierungsservers, die CPU-intensive Aufgaben an DBOS delegiert.⁵⁶
Logos im DB Gene-Technologiebereich zeigen die Integration mit Spring Boot, Python, IBM CPLEX, OPL und wichtigen Cloud-Anbietern (AWS, Azure, Google Cloud, IBM Cloud, Scaleway, DigitalOcean), was auf ein Java-/Spring-basiertes Backend mit Python-Integration und Unterstützung für mehrere Bereitstellungsziele hinweist.⁵
DBOS – DecisionBrain Optimization Server. DBOS bildet das Ausführungsrückgrat für Optimierungsmodelle, entwickelt, um „Ihr Optimierungsmodell in die Cloud zu bringen“ und mehrere CPU-intensive Aufgaben über eine Master-Worker-Architektur zu orchestrieren.⁶ Es bietet:
- Überwachung von Echtzeitausführungen über eine Webkonsole, einschließlich des Abrufs und der Wiederholung vergangener Läufe;
- Ressourcenteilung zwischen Benutzern und Anwendungen (CPUs und Solver-Lizenzen);
- Bereitstellung „lokal oder in der Cloud“ über Docker und Kubernetes/OpenShift bei IBM, AWS, Azure und anderen Clouds;
- solver-agnostische Integration mit IBM CPLEX, Gurobi und anderen Analysetechnologien wie Machine Learning und KI-Bibliotheken.⁶
Die Architektur trennt Client, Master und Worker-Rollen, wobei der Master den Auftragsversand orchestriert und die Worker Java-, OPL-, Python- oder CPLEX-Modelle ausführen.⁶⁷ Dies ist ein ziemlich Standard, aber robustes Muster für Batch-Optimierungsaufgaben.
IBM Decision Optimization Center (DOC) und IBM Plattform-Erweiterungen. DecisionBrain wird im IBM-Partnerverzeichnis als globaler Partner für das Decision Optimization Center und verwandte Produkte (CPLEX Optimization Studio, Optimization Server) aufgeführt, und die IBM-Dokumentation bescheinigt DecisionBrain die Implementierung und Erweiterung von DOC für verschiedene Kunden.⁸⁹ Mehrere Blogbeiträge und Pressematerialien von DecisionBrain beschreiben DB Gene ausdrücklich als die zugrunde liegende Technologie für IBM DOC 4.x, und DecisionBrain stellt Migrationswerkzeuge und Dokumentationen für Kunden bereit, die von älteren IBM DOC-Versionen wechseln.¹⁶¹⁷¹⁸⁹ Im Wesentlichen ist IBM DOC eine produktisierte Version der gleichen Plattform und teilt einen Großteil des Technologiestacks.

Aus funktionaler Sicht positioniert DecisionBrain diesen Stack als eine generische Plattform zum Aufbau von „Decision Intelligence“-Lösungen in fünf Hauptlösungsfamilien — Fertigung, supply chain, Logistik, Personalmanagement und Instandhaltung — mit detaillierteren Lösungsseiten für Supply & Inventory Planning, S&OP, Produktionsplanung, Netzwerkanalyse, Transportation & 3PL, Mitarbeiterplanung und Instandhaltungsplanung.¹⁰¹¹¹² Die Plattform wird als Low-Code vermarktet: Kunden beginnen mit vorgefertigten Templates und erweitern diese mit benutzerdefinierter Logik, GUI-Elementen und Optimierungsmodellen, um ihre individuellen Anwendungsfälle abzudecken.¹⁰⁵¹²

Versionsgeschichte und Entwicklung

DecisionBrain veröffentlicht regelmäßig Release Notes für DB Gene, die einen nützlichen Überblick über die Produktentwicklung geben. Version 4.0.3 (Juni 2022) führte bedeutende Verbesserungen der UI-Performance ein (insbesondere für Gantt-Diagramme), erhöhte Interaktivität, serverseitiges Dashboard-Rendering und verbesserte Unterstützung für große Datensätze, was in der Logistikpresse weit verbreitet wiedergegeben wurde.¹⁸¹⁹¹³²⁰ DB Gene 4.1.0 (Februar 2023) fügte Funktionen wie einen neuen Data Explorer, eine stärkere Integration mit DBOS und Optimierungen für die Handhabung riesiger Szenarien hinzu; die Presseberichterstattung hob die Möglichkeit hervor, „die Entwicklungszeit für komplexe IBM DOC-Anwendungen drastisch zu reduzieren.“¹⁷²¹ DB Gene 4.7.0 (Oktober 2024) konzentrierte sich auf Modularisierung, verbesserte Sicherheit und Konfiguration sowie erweiterte Dokumentation und Templates.¹⁶

Diese Releases zeigen eine konsequente Investition in die Plattform-Schicht — UI-Performance, Skalierbarkeit, Bereitstellung und Integration — anstatt in neue, standardisierte Geschäftsmodule. Dies entspricht der erklärten Strategie des Unternehmens, eine generische Plattform bereitzustellen, auf der Partner und Kunden (einschließlich IBM) ihre eigenen Entscheidungsunterstützungsanwendungen aufbauen können.¹⁵⁵¹²

Sicherheit, Compliance und Bereitstellungsmodell

DecisionBrain vermarktet seine Plattform als „sichere, ISO-zertifizierte Entscheidungsunterstützungslösungen“.²² Die Seite zu Sicherheit und Compliance behauptet die Einhaltung von ISO/IEC 27017 (Cloud-Sicherheit) und 27018 (Schutz personenbezogener Daten in öffentlichen Clouds), mit einer unabhängigen Konformitätsbescheinigung, die als PDF-Zertifikat verfügbar ist.²²²³ Der Sicherheitsbereich von DB Gene gibt an, dass er Standard-Identitätsprotokolle (OpenID Connect, OAuth2, SAML2) unterstützt, feingranulare Berechtigungen auf Szenario- und Visualisierungsebene bietet und ausschließlich HTTPS-Kommunikation verwendet.⁵

DBOS und DB Gene sind für den Einsatz on-premise oder in der Cloud konzipiert, mit offizieller Unterstützung für Docker Compose, Kubernetes, OpenShift und Standard-Linux-Server.⁵⁶⁷ Dies bietet IT-Teams die Flexibilität, DecisionBrain-Komponenten in privaten Rechenzentren, in vom Kunden gewählten Clouds (IBM, AWS, Azure etc.) oder in hybriden Konfigurationen zu betreiben. Die Architektur ist modular: Komponenten wie der Optimierungsserver, der Szenario Service und das Frontend können unabhängig voneinander skaliert werden. DecisionBrain hebt Funktionen wie Failover, Wiederholung von Ausführungen und Benchmarking über Modellversionen hinweg als integrierte Betriebsfunktionen hervor.⁵⁶⁷

Diese Architektur ist im Unternehmensvergleich relativ modern — containerfreundlich, microservices-ähnlich und cloud-agnostisch —, aber im Jahr 2025 für Anbieter, die sich auf Java/Spring und Kubernetes stützen, nicht ungewöhnlich.

KI, Machine Learning und Optimierung

Der Ursprung von DecisionBrain liegt eindeutig in der Operations Research (OR) und mathematischen Optimierung. Die „solver-agnostische“ Kommunikation von DBOS hebt IBM CPLEX und Gurobi hervor, und das Marketing von DB Gene verweist auf „Optimierungsexperten“ und „CPLEX-Modelle“ als erstklassige Elemente.⁵¹⁸²⁴⁶ Dritthersteller-Verzeichnisse wie DecideWise beschreiben DB Gene als Integration einer „Reihe von Optimierungssolvern, einschließlich IBM ILOG CPLEX und Gurobi“, und richten sich an Anwendungsfälle wie Mitarbeiterplanung und Produktionsplanung.²⁴

Die Geschichte von Machine Learning / AI ist generischer. Die Lösungseite für Forecasting & Demand Planning besagt, dass DecisionBrain „fortschrittliche Forecasting-, Machine Learning- und Segmentierungsansätze einsetzt, um die Nachfrageplanung zu optimieren, sodass Ihre Abläufe besser mit den erwarteten Marktdynamiken in Einklang stehen.“¹¹ Es gibt jedoch keine öffentliche technische Dokumentation, die spezifische ML-Algorithmen (z. B. Gradient Boosting, rekurrente neuronale Netze) oder deren Integration in Optimierungsmodelle detailliert beschreibt. Anders als bei der Optimierung (wo CPLEX, OPL, Python und DBOS explizit genannt werden) wird der ML-Bereich auf hohem Niveau beschrieben.

Zusammenfassend deutet die Evidenz darauf hin:

Der entscheidende Differenzierungsfaktor von DecisionBrain sind nicht proprietäre Machine-Learning-Algorithmen, sondern vielmehr die Fähigkeit, Modelle, die mit bestehenden Werkzeugen (Python, CPLEX, OPL, externe ML-Bibliotheken) erstellt wurden, innerhalb eines robusten UI-/Szenario-/Deployments-Frameworks zu hosten und zu orchestrieren.⁵¹⁸²⁴⁶¹²
Die Optimierung erfolgt in erster Linie über etablierte kommerzielle Solver (CPLEX, möglicherweise Gurobi) und kundenspezifische Modellformulierungen, anstatt durch neuartige Solver-Technologien. Es gibt keine Anzeichen dafür, dass DecisionBrain einen eigenen gemischt-ganzzahligen Programmierungs-Solver oder eine stochastische Optimierungs-Engine entwickelt; stattdessen abstrahiert DBOS über bestehende Lösungen.¹⁸²⁴⁶
ML wird dort eingesetzt, wo es für Forecasting oder Klassifikation sinnvoll ist, aber das Unternehmen veröffentlicht keine methodischen Details, Benchmark-Ergebnisse oder akademische Kooperationen, die Behauptungen von state-of-the-art AI über den Standard der Branche hinaus untermauern würden.¹¹¹²

Für supply chain-Anwender bedeutet dies, dass DecisionBrain solide, etablierte Optimierungs- und Forecasting-Fähigkeiten bietet, die auf CPLEX/Gurobi und standardmäßigem ML basieren, eingebettet in ein starkes Anwendungs-Framework — jedoch nicht in ein radikal neues Forecasting-Paradigma.

Bereitstellung, Dienstleistungen und Implementierungsmethodik

DecisionBrain positioniert sich nicht als reines Self-Service-SaaS-Produkt, sondern als projektzentrierter Lösungsanbieter. Die Seiten „Über uns“ und „Dienstleistungen“ betonen:

eine 80% fertige Plattform (DB Gene + DBOS) mit wiederverwendbaren Bausteinen,
Implementierungsprojekte, bei denen die Optimierungsexperten von DecisionBrain mit Kunden-Teams zusammenarbeiten, um Modelle und Anwendungen anzupassen,
eine typische Time-to-Value von 3–6 Monaten für Erstimplementierungen,
fortlaufender Support durch dasselbe Expertenteam über den gesamten Lebenszyklus der Lösung.¹⁵¹²

Die Implementierungsmethodik wird als iterativ und schlank beschrieben: Beginnen Sie mit einem fokussierten Pilotprojekt, bauen Sie eine minimal funktionsfähige Entscheidungsunterstützungsanwendung auf DB Gene, validieren Sie diese mit den Geschäftsbenutzern mittels Szenarioanalysen und erweitern Sie sie dann.¹⁵¹² Die Integration in bestehende Systeme erfolgt in der Regel über Datenbankverbindungen, Flachdateien oder APIs; der Data Service von DB Gene ist explizit für relationale Datenbanken und CRUD-APIs konzipiert, was die Anbindung an ERP-/WMS-Datenquellen relativ unkompliziert macht.⁵⁷¹²

In der Praxis macht dies DecisionBrain eher zu einer Optimierungsberatung mit einer starken wiederverwendbaren Plattform als zu einer „Konfigurieren und Ausführen“-Planungslösung. Von den Kunden wird erwartet, dass sie sich auf das Team von DecisionBrain (oder Partnerspezialisten) verlassen, um ihre Modelle zu entwerfen und zu pflegen; die Plattform reduziert den Aufwand für Infrastruktur und UI/UX, aber die domänenspezifische Modellierung bleibt maßgeschneidert.

Kunden, Branchen und kommerzielle Reife

DecisionBrain’s main website and solution pages list a mix of manufacturing, logistics, transportation, facilities and finance customers. The Forecasting & Demand Planning page and supply chain brochures cite use cases such as production scheduling for electronics, packaging, semiconductor manufacturing, apparel and a leading European pork producer, accompanied by case study tiles and logos.¹¹ Die Hauptwebsite und die Lösungsseiten von DecisionBrain listen eine Mischung aus Kunden der Bereiche Manufacturing, Logistics, Transportation, Facilities und Finance auf. Die Seite zu Forecasting & Demand Planning und die supply chain Broschüren nennen Anwendungsfälle wie Produktionsplanung für Elektronik, Verpackung, Halbleiterfertigung, Bekleidung und einen führenden europäischen Schweineproduzenten – begleitet von Fallstudien-Kacheln und Logos.¹¹

Pressemitteilungen und neu syndizierte Artikel über DB Gene heben hervor, dass DecisionBrain’s Lösungen von mehr als 50 Kunden weltweit vertraut werden, wobei Toyota, IBM, Carhartt, die Europäische Zentralbank, JLL, der Hafen von Hongkong und weitere als Referenzkunden genannt werden.¹⁰¹³¹⁴ Der IBM-Partnerkatalog bestätigt diese Beziehung, indem DecisionBrain als Partner aufgeführt wird, der DOC-basierte Lösungen liefert.⁸⁹

Diese genannten Referenzen sind überprüfbar (Logos und Fallstudien auf der eigenen Website von DecisionBrain, IBM-Partnerlisten sowie branchenfremde Artikel) und nicht ausschließlich anonymisierte Angaben („ein großer europäischer Einzelhändler“).¹⁰⁸¹³¹¹¹⁴ Gleichzeitig deuten die Gesamtmitarbeiterzahl und der Umsatz darauf hin, dass es sich um einen kleinen, aber erfahrenen Spezialanbieter handelt: DecisionBrain scheint eine 10 Jahre alte Optimierungsboutique mit Dutzenden (nicht Hunderten) von Enterprise-Projekten zu sein.

Für supply chain-spezifische Entscheider impliziert das einen Kompromiss:

Es gibt glaubwürdige Erfahrungen mit komplexen Planungsproblemen (Netzwerkdesign, Produktionsplanung, Bestandsplanung) in verschiedenen Branchen.¹⁰¹¹¹²¹⁴
Das Unternehmen ist wesentlich kleiner als herkömmliche APS-Anbieter; der Projekterfolg hängt vermutlich von der Verfügbarkeit und Kontinuität eines relativ kleinen Expertenteams ab.

DecisionBrain vs Lokad

DecisionBrain und Lokad positionieren sich beide im Bereich „decision intelligence“ für komplexe Planungsprobleme, jedoch gehen ihre Ansätze in mehreren Dimensionen deutlich auseinander: Domänenfokus, Technologiephilosophie, Prognoseparadigma und Bereitstellungsmodell.

Domänenfokus. DecisionBrain präsentiert sich als eine branchenübergreifende Decision-Support-Plattform für Manufacturing, supply chain, Logistics, Workforce und Maintenance in vielen Bereichen (Elektronik, Facility Services, Gesundheitswesen, 3PL, Bergbau, Luft- und Raumfahrt etc.).¹⁰⁵¹¹¹² Supply chain ist nur eine von mehreren Lösungskategorien, und der gleiche DB Gene/DBOS-Stack liegt allen zugrunde. Lokad hingegen fokussiert sich eng auf die Quantitative Supply Chain Optimierung: Sämtliche Technologien (die Envision-DSL, die probabilistische Prognose-Engine und Optimierungsalgorithmen) zielen darauf ab, Bedarfsprognosen, Bestands- und supply chain Planungen, Produktionsplanungen sowie Preisentscheidungen in supply chains zu unterstützen.²⁵²⁶²⁷

Produktphilosophie: Low-Code-Plattform vs. domänenspezifische Sprache. Das Hauptprodukt von DecisionBrain ist eine Low-Code-Webplattform (DB Gene) plus ein Optimierungsserver (DBOS), auf dem kundenspezifische Anwendungen aufgebaut werden. Kunden oder Partner konfigurieren UI-Komponenten, Szenario-Strukturen und Datenschemata und integrieren Optimierungsmodelle (in der Regel in CPLEX/OPL oder Python), sodass DB Gene effektiv zu einer maßgeschneiderten Decision-Support-App wird.⁵¹⁸²⁴⁶ Lokad hingegen stellt eine domänenspezifische Programmiersprache (Envision) bereit, die ausdrücklich für die prädiktive Optimierung von supply chains entwickelt wurde.²⁶²⁸ Anstatt Vorlagen zu konfigurieren, schreiben Benutzer (typischerweise “Supply Chain Scientist”) Envision-Skripte, die die Datenaufnahme, probabilistische Prognosen und Entscheidungsoptimierung definieren; Lokad führt diese Skripte in seiner eigenen geclusterten Laufzeitumgebung aus.²⁶²⁸²⁹

Mit anderen Worten, minimiert DecisionBrain den Programmieraufwand für die Application Shell (UI, Szenario, Persistenz), verlangt aber eine vollständige mathematische Modellierung in bestehenden Sprachen und Solver, während Lokad die Konfiguration der Shell reduziert, indem alles in eine einzelne DSL überführt wird, die Daten, Prognosen und Optimierung steuert.

Prognoseparadigma und Unsicherheitsmodellierung. Für use cases im Bereich supply chain wirbt DecisionBrain’s Forecasting & Demand Planning-Lösung mit „fortgeschrittener Prognose, Machine Learning und Segmentierung“, um Bedarfsprognosen zu generieren, die in die Planung und Terminierung einfließen.¹¹ Öffentliche Materialien erwähnen jedoch keine probabilistischen Bedarfsverteilungen, Quantile, Monte-Carlo-Simulationen oder die gemeinsame Modellierung von Nachfrage und Lieferzeiten; der Fokus liegt auf dynamischen, datengetriebenen Prognosen ohne methodische Details.¹¹ Lokads veröffentlichte Materialien dagegen stellen probabilistische Prognosen in den Mittelpunkt: Künftige Nachfrage wird als vollständige Wahrscheinlichkeitsverteilung dargestellt, und alle nachgelagerten Entscheidungen (Bestellungen, Zuweisungen, Preisgestaltungen) werden basierend auf diesen Verteilungen optimiert.²⁵²⁷²⁹ Die technische Dokumentation von Lokad beschreibt eine Algebra von Zufallsvariablen in Envision sowie den Einsatz von Monte-Carlo-Sampling, um Unsicherheiten in die Entscheidungsfindung einfließen zu lassen.²⁶²⁸

Folglich scheint DecisionBrain konventionelle, punkt- oder szenariobasierte Prognosen zu verwenden, die durch Machine Learning (Black-Box-Modelle, die in die Plattform integriert sind) ergänzt werden, während Lokad eine verteilungszentrierte Prognose-Pipeline nutzt, die eng mit der Optimierungslogik verknüpft ist.

Optimierungstechnologie. DecisionBrain setzt auf fertige Optimierungs-Solver – vorwiegend IBM CPLEX und in manchen Fällen Gurobi – unterstützt durch DBOS, das die Job-Orchestrierung, Lizenzteilung und Bereitstellung übernimmt.¹⁸²⁴⁶ Der Mehrwert des Unternehmens liegt in der Modellformulierung und Anwendungsentwicklung, nicht in der Innovation der Solver. Lokad hingegen hat in proprietäre Optimierungsalgorithmen wie Stochastic Discrete Descent und Latent Optimization investiert, die explizit dafür entwickelt wurden, mit probabilistischen Prognosen und komplexen wirtschaftlichen Zielsetzungen zu arbeiten.²⁵²⁸²⁹ Diese Methoden sind in die Envision-Laufzeit integriert und operieren direkt auf probabilistischen Nachfrage-Szenarien, anstatt deterministische Szenarien an einen herkömmlichen MIP-Solver weiterzureichen.

Für einen Käufer bedeutet das, dass DecisionBrain eine vertraute, auf CPLEX-/Gurobi-zentrierte Optimierungsumgebung bietet, eingebettet in eine moderne Anwendungshülle, während Lokad eine stärker vorstrukturierte, jedoch eng integrierte Prognose- und Optimierungs-Engine bereitstellt.

Bereitstellungs- und Betriebsmodell. Der Stack von DecisionBrain ist on-premise oder in jeder größeren Cloud einsetzbar und basiert auf Docker/Kubernetes/OpenShift sowie standardisierter Enterprise-Infrastruktur.⁵⁶⁷²² Kunden hosten DB Gene/DBOS häufig selbst und führen die Modellentwicklung und -ausführung innerhalb ihres eigenen IT-Rahmens durch, wobei DecisionBrain-Experten Implementierungs- und Supportdienstleistungen bereitstellen.¹⁵¹² Lokad betreibt hingegen eine Multi-Tenant SaaS auf Microsoft Azure; Envision-Skripte laufen auf Lokads eigener Infrastruktur, und Kunden nutzen den Service über eine Web-UI und APIs, ohne die Kern-Engine on-prem zu betreiben.²⁵²⁶²⁹ Das Geschäftsmodell von Lokad ähnelt daher einem Managed Analytics Service, während das von DecisionBrain einer Plattform plus Beratungsprojekten entspricht, die innerhalb der Infrastruktur des Kunden betrieben werden können.

Entscheidungsablauf. Bei DecisionBrain-Einsätzen gestaltet sich der typische Workflow so:

Daten pro Szenario in eine relationale DB einlesen;
Optimierungsmodelle über DBOS ausführen;
Ergebnisse in DB Gene-Dashboards und Gantt-Diagrammen visualisieren;
Szenarien mittels What-if-Analysen iterieren;
Entscheidungen manuell exportieren oder in Ausführungssysteme integrieren.⁵⁶⁷¹¹

Der Workflow von Lokad ähnelt eher einem täglichen Stapel optimierter Entscheidungen:

Daten in die Envision-Umgebung einlesen;
Probabilistische Prognosen berechnen;
Optimierungsalgorithmen ausführen, die wirtschaftliche Treiber (Out-of-Stock-Kosten, Lagerhaltungskosten etc.) bewerten;
Priorisierte Entscheidungslisten (Bestellungen, Zuweisungen, Preisänderungen) mit erwarteter monetärer Auswirkung ausgeben.²⁵²⁶²⁷²⁹

Beide Ansätze erfordern Expertenbeteiligung, jedoch ist DecisionBrain’s Ansatz eher szenario- und UI-zentriert, während Lokad’s stärker modell- und DSL-zentriert ist und einen stärkeren Fokus auf finanzielle Optimierung unter Unsicherheit legt.

Aus supply chain-Perspektive ergeben sich folgende praktische Implikationen:

DecisionBrain ist attraktiv, wenn ein Kunde On-Premise-Kontrolle, Standard-OR-Solver und reichhaltige, konfigurierbare Webanwendungen für verschiedene Planungsprobleme (nicht nur supply chain) wünscht und bereit ist, Modelle gemeinsam mit einem Optimierungsanbieter zu entwickeln.¹⁰⁵¹⁸⁶¹¹¹²
Lokad ist attraktiv, wenn ein Kunde mit einer cloud-only, DSL-gesteuerten Umgebung zurechtkommt, die probabilistisches Modellieren und maßgeschneiderte Optimierung für supply chain Entscheidungen priorisiert und bereit ist, einen stärker vorgegebenen Stack im Austausch für eine engere Prognose-zu-Entscheidungs-Pipeline zu akzeptieren.²⁵²⁶²⁷²⁸²⁹

Technische Mechanismen und Architektur

Dieser Abschnitt beleuchtet, wie der Stack von DecisionBrain in der Praxis tatsächlich funktioniert – basierend ausschließlich auf öffentlich zugänglicher Dokumentation und Berichten Dritter.

Anwendungsebene (DB Gene)

Auf der Anwendungsebene bietet DB Gene die standardmäßigen Dienste, die für moderne Decision-Support-Webapps benötigt werden: UI, Szenarien, Daten und Sicherheit.⁵

Der Web Frontend Service ist eine konfigurierbare SPA, die synchronisierte Dashboard-Widgets (Tabellen, Diagramme, Karten, Gantt-Diagramme) anbietet und mehrere Ansichten derselben zugrunde liegenden Szenariodaten unterstützt.⁵ Geschäftsanwender können Szenarien nebeneinander vergleichen, KPIs einsehen und detaillierte Zeitpläne analysieren.
Der Scenario Service stellt APIs zum Erstellen, Umbenennen, Duplizieren und Löschen von Szenarien und Arbeitsbereichen bereit und bietet somit eine dateisystemähnliche Abstraktion über die zugrunde liegenden Daten.⁵
Der Data Service verwaltet pro Szenario ein relationales Schema mit APIs für CRUD-Operationen und objekt-relationales Mapping. Dies deutet auf eine zugrundeliegende SQL-Datenbank hin (nicht explizit benannt), was eine konventionelle Wahl für Planungsdaten darstellt.⁵
Die Security-Komponente integriert sich mit unternehmenseigenen Identity Providern via OpenID Connect, OAuth2 und SAML2, implementiert rollenbasierte Berechtigungen auf Szenario- und Visualisierungsebene und erzwingt HTTPS.⁵²²

Dieses Design ist nicht besonders exotisch; es ähnelt vielen internen Analytics-Portalen. Das Besondere ist die enge Kopplung an DBOS und der Fokus auf Planungs- und Terminierungsanwendungen (z. B. der gebrauchsfertige Support für große Gantt-Diagramme und Karten) anstelle von generischem BI.

Ausführungsebene (DBOS)

DBOS fungiert als Orchestrierungsebene für rechenintensive Aufgaben – vorwiegend Optimierungsläufe in CPLEX, aber auch Python-Skripte und weitere Analytics-Workloads.⁶⁷

Wichtige Mechanismen umfassen:

Eine Master–Worker-Architektur, bei der eine Master-Komponente Jobanfragen von Clients (einschließlich DB Gene) entgegennimmt, in eine Warteschlange stellt und die Ausführung an Worker delegiert, die auf lokalen Servern oder in Kubernetes-Pods laufen.⁶⁷
Ein Job-Modell, das Eingaben, Ausgaben und Protokolle speichert und so die Überwachung und das Wiederabspielen von Ausführungen über die DBOS-Konsole ermöglicht.⁶
Ressourcenmanagement über CPUs und Solver-Lizenzen, das mehreren Anwendungen und Nutzern erlaubt, begrenzte Optimierungsressourcen zu teilen.⁶
Bereitstellungsunterstützung über Docker-Images und Helm-Charts für Kubernetes/OpenShift; dies macht DBOS portabel über Clouds und On-Premise-Umgebungen.⁶⁷
Ein solverunabhängiger Plug-in-Ansatz, der explizit IBM CPLEX und Gurobi unterstützt und als erweiterbar auf „jede andere Art von Analytik-Technologie (z. B. Machine Learning, Artificial Intelligence, cognitive)“ beworben wird.⁶

Aus modernster Sicht ist DBOS eine kompetente Implementierung der Batch-Job-Orchestrierung für Optimierungs-Workloads, die sinngemäß internen Planungssystemen von Data-Science-Teams entspricht. Es gibt keine Anhaltspunkte für fortschrittlichere, verteilte Optimierungstechniken (etwa in die Plattform integrierte Zerlegungsalgorithmen); DBOS konzentriert sich primär auf die Orchestrierung, nicht auf algorithmische Innovationen.

Daten und Integration

Der Data Service von DB Gene und die DBOS-Architektur unterstützen gemeinsam die Integration mit externen Systemen über:

direkte Verbindungen zu relationalen Datenbanken (für Transaktionsdaten);
Import/Export von Datensätzen zur Szenarioerstellung;
API-Aufrufe zwischen DB Gene und DBOS;
potenzielle Integration mit Python und externen ML-Bibliotheken.⁵¹⁸⁷¹²

Das Design ist typisch für maßgeschneiderte Analytics-Anwendungen: Daten werden periodisch aus ERP/WMS extrahiert und in DB Gene-Szenarien geladen, in denen Optimierungsläufe durchgeführt und die Ergebnisse zurückgespielt oder exportiert werden. Die Plattform scheint kein eigenes Data Warehouse oder ereignisgesteuerten Speicher bereitzustellen; sie geht von einer relationalen DB pro Szenario sowie externen Datenquellen aus.

Bewertung von KI- und Optimierungsansprüchen

Angesichts der häufigen Verwendung des Begriffs „AI“ in Unternehmenssoftware ist es wichtig, nachgewiesene Fähigkeiten von Marketingaussagen zu trennen.

Optimierung: Die Angaben von DecisionBrain zur Optimierung – „solver-agnostisch“, „CPLEX-Modelle“, „Java, OPL, Python, CPLEX-Modelle“ – werden durch technische Dokumentationen und Visualisierungen überzeugend untermauert. DBOS führt externe Modelle in diesen Sprachen aus und orchestriert deren Ausführungen.⁵¹⁸²⁴⁶ Dies ist glaubwürdig und entspricht der Branchenpraxis.
Machine Learning: Der wesentliche, explizite ML-Anspruch besteht darin, dass DecisionBrain „fortschrittliche Prognose-, Machine Learning- und Segmentierungsansätze“ für die Bedarfsplanung einsetzt.¹¹ Allerdings gibt es keine öffentlichen Details zu Modelltypen, Trainingsregimen, Validierungsmetriken oder akademischen Kooperationen. Mangels solcher Belege ist anzunehmen, dass DecisionBrain standardmäßige ML-Bibliotheken (in Python oder Ähnlichem) verwendet, anstatt proprietäre hochmoderne Algorithmen. Es gibt keine Hinweise auf tiefenlern-basierte, probabilistische Prognose-Pipelines oder differenzierbares Programmieren, wie sie bei einigen spezialisierten Anbietern zu beobachten sind.
KI: Verweise auf „Artificial Intelligence“ tauchen überwiegend in umfangreichen Listen der von DBOS integrierbaren Technologien auf („Machine Learning, Artificial Intelligence, cognitive“) und nicht in konkreten Beschreibungen von KI-nativen Funktionen. Es fehlen Codebeispiele, Architekturdiagramme oder Benchmarks, die KI-Modelle in Entscheidungsprozesse einbinden. Ohne derartige Belege ist es am konservativsten anzunehmen, dass KI eine von mehreren optionalen Komponenten darstellt und nicht das zentrale architektonische Rückgrat bildet.

Aus einer skeptischen Perspektive liegen die echten Stärken von DecisionBrain in:

einer ausgereiften Optimierungs-/Bereitstellungsplattform (DB Gene + DBOS), die an CPLEX/Gurobi gekoppelt ist;
einem projektgetriebenen Liefermodell mit Optimierungsexperten;
bereichsübergreifender Anwendbarkeit (über supply chain hinaus) für Planungs- und Terminierungsprobleme.¹⁰⁵¹⁸²⁴⁶¹¹¹²

Seine KI/ML-Fähigkeiten, obwohl sie für viele Prognoseaufgaben wahrscheinlich ausreichend sind, heben sich im Vergleich zur üblichen Praxis bei OR-orientierten Anbietern nicht als besonders fortschrittlich hervor.

Kommerzielle Reife und Grenzen

Auf der kommerziellen Seite zeigt DecisionBrain mehrere Anzeichen von Reife:

Über ein Jahrzehnt Betrieb ohne berichtete finanzielle Schwierigkeiten;
Eine stabile Produktlinie mit regelmäßigen DB Gene-Veröffentlichungen und einer konsistenten Architekturstrategie;⁵¹⁶¹⁷¹⁸
Ein glaubwürdiges Portfolio an benannten Unternehmenskunden aus verschiedenen Branchen;¹⁰¹³¹¹¹⁴
Tiefe Integration in IBMs Decision Optimization-Ökosystem als Technologie- und Dienstleistungspartner.⁸⁹

Gleichzeitig ordnen öffentliche Daten zu Mitarbeiterzahl und Umsätzen DecisionBrain in das Segment der kleinen Anbieter ein. Dies hat praktische Konsequenzen:

Der Projekterfolg ist vermutlich empfindlich gegenüber der Verfügbarkeit eines relativ kleinen Kernteams erfahrener Optimierungsexperten.
Es gibt kein sichtbares Partner-Ökosystem, das auf DB Gene aufbaut – vergleichbar mit größeren APS-Plattformen; die Kunden werden hauptsächlich direkt von DecisionBrain und in einigen Fällen von IBM betreut.
Die Lösung ist keine Plug-and-Play-Planungssuite: Jede signifikante Implementierung ist ein individuelles Projekt. Dies kann eine Stärke (maßgeschneiderte Anpassung) oder eine Schwäche (höhere Abhängigkeit vom Anbieter und internen Befürwortern) sein.

Für supply chain Käufer, die DecisionBrain mit Lokad und anderen Anbietern vergleichen, bedeutet dies:

DecisionBrain wird am besten als Optimierungs-Entwicklungsplattform plus Expertenservices betrachtet, was besonders geeignet ist, wenn die Organisation den Stack selbst hosten, CPLEX/Gurobi einsetzen und sich einer Vielzahl von Planungsproblemen jenseits reiner Bestands-/Nachfrageplanung widmen möchte.¹⁰⁵¹⁸⁶¹¹¹²
Es ist weniger überzeugend, wenn die Hauptanforderung in von der Stange anwendbarer probabilistischer Nachfrageprognose und vollständig integrierter Forecast-to-Decision-Optimierung über große SKU-Netzwerke liegt, wo sich spezialisierte probabilistische Anbieter wie Lokad deutlich differenzieren.²⁵²⁶²⁷²⁸²⁹

Fazit

DecisionBrain liefert eine technisch kompetente und kommerziell bewährte Optimierungsplattform rund um DB Gene und DBOS, die genutzt wird, um maßgeschneiderte Planungs- und Terminierungsanwendungen für Fertigung, Logistik, Arbeitskräfte und supply chain Bereiche zu erstellen. Der Stack bietet eine moderne, containerfreundliche Architektur, eine reichhaltige, szenariobasierte Web-Oberfläche, robuste Sicherheit und eine solverunabhängige Ausführungsschicht für CPLEX/Gurobi und Python-basierte Modelle.⁵¹⁸²⁴⁶⁷ Diese Fähigkeiten sind gut dokumentiert und stimmen mit dem Hintergrund des Teams überein, das aus IBMs Decision Optimization-Ökosystem (ILOG) stammt.¹⁵⁸⁹

Aus rein technischer Sicht ist DecisionBrain state-of-the-art im Bereich der Plattforminfrastruktur (UI, Szenariomanagement, Orchestrierung, Bereitstellung) und Mainstream in Algorithmen (basierend auf standardmäßigen MIP-Solvern und konventionellem ML). Es gibt keine öffentlichen Belege für proprietäre Prognose- oder Optimierungsalgorithmen, die mit Anbietern vergleichbar wären, die stark in probabilistisches Modellieren oder differenzierbares Programmieren investieren. Für viele Unternehmen ist jedoch die Kombination aus einer soliden Plattform, etablierten Solver-Lösungen und erfahrenen OR-Beratern ausreichend, um komplexe Planungsprobleme zu bewältigen – insbesondere wenn sie eine Vor-Ort-Kontrolle erfordern und mehrere Bereiche jenseits der supply chain abdecken.

Im Vergleich zu Lokad repräsentiert DecisionBrain einen breiteren, plattformzentrierten und solverzentrierten Ansatz: flexibel in verschiedenen Bereichen, stark integriert mit IBMs Werkzeugen und geeignet für den Vor-Ort-Betrieb, jedoch weniger festgelegt in Bezug auf Prognosemethoden und weniger integriert im Hinblick auf eine durchgängige probabilistische Optimierung.¹⁰⁵¹⁸⁶¹¹¹²²⁵²⁶²⁷²⁸²⁹ Organisationen mit ausgeprägten internen OR-Fähigkeiten und dem Wunsch, eine eigene Optimierungsplattform zu betreiben, könnten DecisionBrain als eine attraktive Grundlage ansehen. Organisationen, die eine eng fokussierte, probabilistische, cloud-native Engine für supply chain Entscheidungsfindung unter Unsicherheit suchen, könnten den DSL-basierten Ansatz von Lokad als besser geeignet empfinden.

Letztlich sollte DecisionBrain als projektzentrierter Optimierungsplattform-Anbieter bewertet werden: Sein Erfolg wird weniger von Schlagwörtern wie „KI“ abhängen, sondern mehr von der Qualität seiner Modellierer, der Passgenauigkeit seines DB Gene/DBOS Stacks in der IT-Landschaft des Kunden und der Bereitschaft der Organisation, maßgeschneiderte Entscheidungsunterstützungsanwendungen im Laufe der Zeit gemeinsam zu entwickeln und zu pflegen.