Bewertung von DemandCaster, Supply Chain Planning Softwareanbieter

Von Léon Levinas-Ménard

Zuletzt aktualisiert: November, 2025

DemandCaster, das nun als Plex DemandCaster Supply Chain Planning vermarktet wird, ist eine cloud-basierte supply chain planning-Anwendung, die aus einem kleinen, eigenfinanzierten SaaS, gegründet 2004, zu einem Modul von Rockwell Automations Plex Smart Manufacturing Platform herangewachsen ist. Sie richtet sich an mittelständische Hersteller und Distributoren, die eine tabellenkalkulationsbasierte Planung durch integrierte Nachfrageprognosen, Bestandsplanung, MRP, Kapazitätsplanung und DRP ersetzen möchten, die eng mit ERP-Systemen verbunden ist. Funktional verhält sie sich wie eine klassische supply chain planning-Suite: Automatisierte statistische Prognosen speisen zeitgestaffelte Bestands- und Materialbedarfspläne, die empfohlene Bestell-, Produktions- und Transferaufträge generieren, die in das ERP zurückgeschrieben werden können. Architektonisch handelt es sich um eine mandantenfähige Webanwendung, die nahezu sicher auf einem Microsoft ASP.NET-Stack aufgebaut ist, rein als SaaS betrieben wird und in Plex’ breiteres MES/ERP/IIoT-Angebot eingebettet ist. Während im Marketing des Anbieters Machine Learning, Nachfrageerfassung und mehrstufige Optimierung angepriesen werden, beschreibt öffentliche Evidenz überwiegend konventionelle statistische Prognosen und deterministische Planungsheuristiken, mit begrenzter Transparenz bezüglich der Algorithmen oder Optimierungsmethoden. Kommerziell ist DemandCaster ausgereift und etabliert, mit mehreren bekannten Kunden in der Fertigung und CPG, befindet sich jedoch fest im Lager der integrierten “planning add-on” für ERP, statt als offene, programmierbare Optimierungsplattform zu agieren.

DemandCaster Übersicht

Im Kern ist DemandCaster ein cloud-gehostetes supply chain planning (SCP)-System, das tabellenkalkulationsbasierte Planung durch eine Webanwendung ersetzt, die Nachfrageprognosen, Bestandsoptimierung, S&OP, MPS/MRP, Kapazitätsplanung und DRP in einer Umgebung bereitstellt.¹²³⁴ Ursprünglich von Cadent Resources, Inc. als SaaS-Zusatzerweiterung für die ERPs von Herstellern entwickelt, wurde es 2016 von Plex Systems übernommen und als Plex DemandCaster Supply Chain Planning umbenannt, und ging dann in das Portfolio von Rockwell Automation über, als Plex 2021 übernommen wurde.⁵⁶⁷⁸⁹¹⁰¹¹ Das Produkt richtet sich an mittelgroße Hersteller und Distributoren, die bereits ein ERP betreiben (insbesondere Plex ERP und NetSuite) und die demand-supply planning automatisieren, die Lagerumschlagshäufigkeit verbessern und S&OP koordinieren möchten, ohne ein schwergewichtiges APS einzusetzen. Aus architektonischer Perspektive ist die Lösung ein Cloud-Service mit einer browserbasierten Benutzeroberfläche und einer Planungseinheit, die Artikel-, Stücklisten-, Routing-, Bestell- und Verlaufsdaten aus dem ERP einliest, automatisierte statistische Prognosen und zeitgestaffelte Planungslogik durchführt und dann empfohlene Bestellungen und Pläne generiert, die in das ERP zurückgeschrieben werden können.²¹²¹³¹⁴¹⁵⁴ Der Anbieter wirbt zudem mit machine-learning-verbesserten Prognosen und “advanced analytics”, allerdings werden diese nur auf Marketinglevel beschrieben; es gibt keine öffentliche Dokumentation zu spezifischen ML-Modellen, Optimierungsformulierungen oder Solver-Technologien.¹⁶¹⁷¹⁸ In der Praxis sollte DemandCaster als eine konventionelle SCP-Suite verstanden werden, die hinsichtlich der ERP-Integration und planerorientierten Arbeitsabläufe relativ stark ist, jedoch in ihren Algorithmen und in Bezug auf probabilistische Prognosen oder Optimierung nicht nachweislich dem neuesten Stand der Technik entspricht.

DemandCaster vs Lokad

DemandCaster und Lokad adressieren beide Probleme der supply chain planning, verfolgen jedoch grundlegend unterschiedliche Philosophien und technische Architekturen. DemandCaster ist eine integrierte Anwendung: ein vorgefertigtes SCP-Modul, das an ERPs (Plex, NetSuite und andere) angebunden ist und feste Funktionsbereiche wie Nachfrageplanung, Sicherheitsbestand-Berechnung, MRP, DRP und S&OP-Arbeitsabläufe bereitstellt.²¹²³⁴ Lokad hingegen ist eine programmierbare Plattform: Sie stellt eine domänenspezifische Sprache (Envision) und eine Cloud-Ausführungs-Engine bereit, die es “supply chain scientists” ermöglicht, maßgeschneiderte Prognose- und Optimierungslogik als Code zu implementieren, anstatt feste Module zu verwenden. Lokads Ansatz ist explizit “entscheidungszentriert”: Probabilistische Prognosen (vollständige Nachfragedistributionen via Quantilgitter) werden mit Kosten- und Servicegradtreibern kombiniert, um optimierte Entscheidungen (Bestellungen, Zuteilungen, Preisgestaltung) zu berechnen, die nach erwartetem finanziellem Einfluss geordnet werden, anstatt lediglich Pläne oder Sicherheitsbestandsziele zu produzieren.¹⁹²⁰²¹²²

Auf der Prognose-Seite beschreiben DemandCasters öffentliche Materialien “optimierte automatisierte statistische Prognosen”, Nachfrageerfassung und ein Machine-Learning-Feature in seinem Advanced Business Planning-Modul, ohne dabei die zugrunde liegenden Modellklassen oder das Trainingsregime offenzulegen.²³¹⁶¹⁷ Die vorliegenden Beweise weisen auf automatisierte Zeitreihenmodelle (z. B. Varianten von exponential smoothing/ARIMA) hin, die auf historischen Verkaufszahlen abgestimmt sind, wobei ML als inkrementelle Verbesserung und nicht als grundlegende Neugestaltung der Planungseinheit eingesetzt wird. Lokad hingegen baute seinen Stack ab 2012 rund um probabilistische Prognosen neu auf, erzeugt vollständige Nachfragedistributionen (nicht nur Punktprognosen) und verwendet diese direkt in der Optimierung; dieser Ansatz wurde extern im M5 Prognosewettbewerb validiert, bei dem ein Lokad-Team zu den weltweit besten Performern zählte und höchste Genauigkeit auf SKU-Ebene erreichte.²² Lokad setzt zudem differentiable programming ein, um gleichzeitig Prognose- und Entscheidungsmodelle zu erlernen, was in der öffentlichen Dokumentation von DemandCaster nicht nachgewiesen wird.¹⁹²⁰

In der Optimierung berechnet DemandCaster zeitgestaffelte Pläne und empfohlene Bestellungen mittels MRP/DRP-Logik plus Sicherheitsbestandsformeln und mehrstufigen Heuristiken; es gibt keine öffentlichen Hinweise auf explizite stochastische Optimierung, kundenspezifische Zielfunktionen oder offengelegte Solver.²¹²¹³⁴ Lokads Plattform hingegen stellt die Optimierungslogik in Envision bereit und verwendet proprietäre stochastische Algorithmen wie Stochastic Discrete Descent und neuere kombinatorische “latent optimization”-Techniken, um Entscheidungen unter Unsicherheit mittels Monte-Carlo-Szenarien zu optimieren, wobei Zielfunktionen direkt in wirtschaftlichen Begriffen (Marge, Lagerkosten, Fehlbestellungsstrafe, Veralterung, etc.) ausgedrückt werden.¹⁹²⁰²¹ Dies macht Lokad besonders geeignet für hochgradig unregelmäßige und langschwänzige Nachfrage, komplexe Einschränkungen (MOQs, Kompatibilitätsregeln, Haltbarkeitsdauer, Wartungspläne) und branchenspezifische Optimierungsprobleme (z. B. aviation MRO), während DemandCaster stärker auf konventionelle Fertigungsumgebungen ausgerichtet ist, in denen klassische zeitgestaffelte Planung ausreicht.

Auch die Benutzererfahrung und die Bereitstellungsmodelle gehen auseinander. DemandCaster ist dafür konzipiert, von Planern als Standardanwendung genutzt zu werden: Implementierungen basieren auf der Konfiguration der ERP-Integration, der Parametrisierung von Modulen (wie Servicelevels, Durchlaufzeiten, Richtlinien) und der Schulung von Planern in den Dashboards und Arbeitsabläufen; Anbieterfallstudien berichten von Produktivsetzungen im Zeitraum von 6–12 Monaten, mit Fernsupport von Plex oder Partnern.²²³²⁴²⁵²⁶ Lokad hingegen operiert typischerweise als Co-Entwicklungsprojekt: Sein Team (und/oder die Analysten des Kunden) schreibt und pflegt Envision-Code, der den gesamten Datenfluss, die Prognose- und Entscheidungslogik definiert; die Anwendungsoberfläche (Dashboards, Aktionslisten) ist effektiv eine kundenspezifische App pro Klient, gebaut auf einer gemeinsamen Plattform.¹⁹²¹ Dies führt zu höherer Flexibilität und Transparenz (jede Berechnung ist im Code sichtbar), erfordert jedoch mehr analytische Fähigkeiten. Schließlich ist DemandCaster stark an Plex’ Ökosystem und mittelständische Hersteller gebunden, wobei im Marketing der enge Zusammenhang zu Plex ERP und MES betont wird;¹²¹⁵⁴ Lokad ist ERP-agnostisch, positioniert als ergänzende Analytics/Optimierungsebene über jegliche transaktionalen Systeme und bleibt explizit außerhalb der MES/ERP-Ausführung. Kurz gesagt, DemandCaster ist am besten als konventionelles SCP-Zusatzmodul für ERP zu sehen, während Lokad eine programmierbare, probabilistische Optimierungsplattform ist; beide zielen darauf ab, die Planung zu verbessern, unterscheiden sich jedoch stark in Tiefe, Offenheit und in dem Umfang, in dem sie dem Kunden die Entscheidungslogik überlassen.

Unternehmensgeschichte und Eigentumsverhältnisse

Gründung und frühe Jahre

Mehrere unabhängige Quellen datieren DemandCaster zurück in die frühen 2000er als einen kleinen, eigenfinanzierten SaaS-Anbieter. Gregslist, ein kuratiertes Verzeichnis von SaaS-Unternehmen, führt DemandCaster als ein cloud-basiertes Logistik- und supply chain-Unternehmen auf, das im 2004 gegründet wurde, seinen Hauptsitz in Rolling Meadows, Illinois hat, mit 1–10 Mitarbeitern und einem “acquired” Finanzierungsstatus.²⁷ Tracxn beschreibt DemandCaster ähnlich als ein “akquiriertes Unternehmen mit Sitz in Rolling Meadows (United States), gegründet in 2004 von Ara Surenian”, das sich auf S&OP, Nachfrageprognosen und Bestandsoptimierung konzentriert, und weist darauf hin, dass es keine konventionellen Finanzierungsrunden durchgeführt hat.²⁸ CBInsights charakterisiert das Unternehmen als Cadent Resources, dba DemandCaster, einen Anbieter von cloud-basiertem supply chain planning für mittelgroße Hersteller und globale Unternehmen, und nennt seine Adresse in Prospect Heights, Illinois.²⁹ Das Bloomberg-Profil von Cadent Resources Inc. bestätigt, dass es ERP- und industrienahe Lösungen anbietet und dass DemandCaster Kunden in den Vereinigten Staaten bedient.³⁰ Eine US-Markenregistrierung für DEMANDCASTER, nun im Besitz von Plex Systems, definiert die Marke dahingehend, dass sie sowohl Beratungsdienstleistungen im Bereich Sales and Operations Planning als auch “online non-downloadable software for use in sales and operations planning, forecasting, inventory management, and service optimization” abdeckt und so den kombinierten Software- und Beratungscharakter des ursprünglichen Angebots unterstreicht.³¹

Zusammen genommen zeichnen diese Quellen ein Bild von DemandCaster als ein Nischen-SaaS-Produkt, das unter Cadent Resources, Inc. entwickelt wurde, in der supply chain-Beratung verankert ist und sich bereits lange vor seiner Übernahme auf Planungsprobleme in der Fertigung konzentriert hat.

Übernahme durch Plex Systems (2016)

Am 9. August 2016 gab Plex Systems die Übernahme von Cadent Resources / DemandCaster bekannt. Mergr verzeichnet, dass Plex Systems an diesem Datum das “Internet-Software- und Dienstleistungsunternehmen Cadent Resources” übernommen hat.⁶ Die Analyse von Constellation Research zu dem Deal stellt fest, dass Plex DemandCaster übernommen hat, ein als cloud-basierter Anbieter von Verkaufsprognosen und Bestandsplanung in der Nähe von Chicago beschriebener Anbieter, und hebt hervor, dass dies Plex’ erste Übernahme war, die darauf abzielte, supply chain planning und DRP-Fähigkeiten zu seiner Manufacturing Cloud hinzuzufügen.⁹ SupplyChainBrain berichtet ebenfalls, dass Plex Systems DemandCaster, “einen Anbieter von cloud-basierten supply-chain planning (SCP)-Anwendungen”, übernommen hat und betont, dass der Deal anspruchsvolle Planungsfunktionen in das ERP von Plex für Hersteller einbringt.⁷ DBusiness, eine Wirtschaftszeitschrift aus dem Raum Detroit, bestätigt, dass das in Troy ansässige Plex Systems DemandCaster übernommen hat, und beschreibt es als ein cloud-basiertes Unternehmen für supply chain planning-Lösungen in Rolling Meadows, Illinois.⁸ OEM Capital, das Cadent Resources beraten hat, bezeichnet das Zielunternehmen als einen Entwickler von “cloud-basiertem Verkaufsprognose- und Bestandsplanung-Software.”⁵

Die IDC-Perspektive 2016 “Plex Systems — Innovation for Growth” setzt die Übernahme in einen strategischen Kontext: Es wird darauf hingewiesen, dass Plex seine cloud ERP-Fähigkeiten erweitert und insbesondere DemandCaster als Ergänzung des Plex-Portfolios um cloud-basierte supply chain planning-Fähigkeiten anführt.³² Diese unabhängigen Quellen zeichnen ein klares Bild: DemandCaster wurde übernommen, um eine funktionale Lücke im Angebot von Plex zu schließen, indem cloud-basierte SCP- und DRP-Funktionen eingebracht wurden, statt einer eigenständigen Analytik-Technologie.

Übernahme von Plex durch Rockwell Automation (2021)

Die nächste Änderung im Eigentum von DemandCaster erfolgt indirekt über Plex. Im Juli 2021 kündigte Rockwell Automation eine endgültige Vereinbarung zur Übernahme von Plex Systems für US$2.22 Milliarden in bar an.¹⁰¹¹ Rockwells eigene Pressemitteilung, später im September, bestätigt den Abschluss der Übernahme und positioniert Plex – einschließlich seiner supply chain planning-Fähigkeiten – als Kernbestandteil des smart manufacturing-Portfolios von Rockwell.¹⁰ Branchenberichte (z. B. SME.org und Manufacturing Digital) betonen, dass der Deal Rockwell eine mandantenfähige cloud MES/ERP/SCP-Plattform bringt und Plex DemandCaster Supply Chain Planning explizit als eine der Schlüsselkomponenten nennt.¹¹ Infolgedessen wird DemandCaster nun als Plex DemandCaster Supply Chain Planning vermarktet und ist Teil der breiteren Plex Smart Manufacturing Platform, die von Rockwell Automation betrieben wird.¹²¹⁵

Finanzierung, Skalierung und Reife

Das Profil von Tracxn besagt, dass DemandCaster keine aufgezeichneten Venture-Finanzierungsrunden vor der Übernahme durchgeführt hat; stattdessen ist die letzte “Runde” mit Plex Systems als Investor als “Acquired” gekennzeichnet.²⁸ Die Einstufung von DemandCaster als ein 1–10-köpfiges Startup durch Gregslist unterstützt die Interpretation, dass es vor 2016 ein kleines, eigenfinanziertes Unternehmen war.²⁷ Nach der Integration in Plex und anschließend in Rockwell werden öffentliche Signale zur Mitarbeiterzahl undeutlich: LeadIQ, das Unternehmens- und Technologieprofile erfasst, listet Plex DemandCaster mit 201–500 Mitarbeitern und positioniert es als Teil einer größeren Plex-Geschäftseinheit, statt als ein eigenständiges Startup.³³ Angesichts der Übernahmengeschichte ist die konservativste Auslegung, dass sich DemandCaster von einem kleinen, spezialisierten Anbieter zu einer ausgereiften Produktlinie entwickelt hat, die in einen mittelständischen ERP-Anbieter und anschließend in ein großes Unternehmen für industrielle Automatisierung eingebettet ist.

Produktumfang und funktionale Architektur

Kern-Planungsmodule

Technology Evaluation Centers (TEC) beschreibt DemandCaster als eine cloud-basierte Suite, die Tabellenkalkulationen durch integrierte Sales & Operations Planning, Nachfrage- und supply chain planning sowie Bestandsplanung ersetzt, mit starker ERP-Integration; TEC weist darauf hin, dass DemandCaster seit 2004 Herstellern und Distributoren geholfen hat, die Leistung mittels Lean-Prinzipien zu verbessern.¹ Die detaillierteste funktionale Aufschlüsselung erscheint in einem NetSuite-spezifischen Produktübersichts-PDF für “Plex DemandCaster Supply Chain Planning for NetSuite”, das die Suite in mehrere Module gliedert:²

Bestandsplanung und -optimierung: Bestandsprognosen, Berechnung des Sicherheitsbestands, zeitlich gestaffelte Bestandsplanung, Bedarf an Fertigwaren, container- und attributbasierte Bestellungen, Handhabung von Chargenabläufen und Planer “action views.”
Produktions- und Kapazitätsplanung: Kapazitätsplanung, mehrstufige Stücklistenexplosion, Komponentenbedarfsplanung, Hauptplanung und MRP mit täglichen Zeitfenstern.
Vertriebs- und Operationsplanung (S&OP): Nachfrage- und Lieferplanung, mehrstufige Lagerbestandsplanung und -optimierung, nivellierte Planung versus Nachholplanung, Was-wäre-wenn-Szenarioanalyse, „4-P’s-Nachfrageformung,“ Nachfrageerfassung, Budgetierung und Berichterstattung sowie Nutzung externer Daten wie POS.
Distributionsbedarfsplanung (DRP): Mehrstandortplanung, abhängige Nachfrage über Standorte hinweg, eingeschränkte Lieferplanung und Sicherheitsbestandsmodellierung.

SourceForge’s Produktbeschreibung, die den Anbietertext widerspiegelt, verstärkt dieses Bild: Sie beschreibt DemandCaster als Cloud-Software für agile supply chain planning, die „das gesamte Spektrum der supply chain planning — Lagerbestandsprognose, Planung und Optimierung; Sales & Operations Planning; Nachfrageprognose und -planung; Lieferplanung; Produktions- und Kapazitätsplanung; und Mehrstandortplanung“ umfasst.⁴ Ein Trainingsanbieter (Proexcellency) fasst im Wesentlichen dieselbe Modulliste zusammen: fortgeschrittene Prognosen, Lagerbestandsoptimierung, S&OP, Nachfrage- und Lieferplanung, MPS/MRP, Kapazitätsplanung und DRP.³

Funktional verhält sich DemandCaster daher wie eine klassische SCP-Suite für mittelständische Hersteller: automatisierte Nachfrageprognosen, die zeitlich abgestimmte Planungslogik für Lagerbestände, Produktion und Distribution einfließen lassen.

Daten- und Integrationsmodell

Der Wertvorschlag von DemandCaster ist eng mit der Integration in ERP-Systeme verknüpft. Die NetSuite-Produktübersicht hebt eine vorgefertigte Integration hervor, die automatisierte uni- oder bidirektionale Datenflüsse unterstützt, „die Ihrem NetSuite-Datenmodell entsprechen“ und das Datenmanagement zwischen DemandCaster und NetSuite automatisiert.² Es werden unterstützte Objekte wie Artikel, Standorte, BOMs, Arbeitspläne, Kunden, Lieferanten, Produktionskapazitäten, Verkaufshistorien, offene Verkaufs- und Bestellaufträge, Produktions- und Distributionsstatus, Nachschubaufträge (Einkauf, Produktion und Transfers) und sogar die Prognosen selbst aufgelistet.² SourceForge’s Beschreibung besagt ähnlich, dass DemandCaster „bidirektional mit nahezu jedem ERP-System integriert wird, indem MPS getrieben wird, um Einkauf und Produktion zu steuern und häufig operative Daten für einen aktualisierten Anforderungsplan abzurufen.“⁴³⁴

Die eigenen supply chain planning-Seiten von Plex stellen DemandCaster als Teil eines breiteren Datengeflechts dar: Plex DemandCaster Supply Chain Planning „kombiniert Daten aus Ihrem Plex ERP und mehreren Abteilungen Ihres Unternehmens, um Nachfrage- und Lieferplanung abzustimmen,“ was auf eine enge Verzahnung mit Plex ERP und MES innerhalb der Plex Smart Manufacturing Platform hinweist.¹²¹⁵¹³ Ein branchenausgerichteter Blog zum Thema Anpassung von supply chains an Veränderungen hebt hervor, dass die Plattform von Plex DemandCaster End-to-End-Sichtbarkeit, Was-wäre-wenn-Kontingenzplanung, ABC-Planung und margengebundene Berichterstattung unterstützt, was auf ein Datenmodell hindeutet, das reich genug ist, um sowohl operative als auch finanzielle Dimensionen zu erfassen.¹

In praktischen Begriffen ist die Architektur „hub-and-spoke“: ERP-Systeme bleiben das Stammdatensystem und das System für Transaktionen, während DemandCaster Kopien einliest, um Planungsmodelle zu erstellen, und dann empfohlene Pläne und Aufträge zurück an das ERP sendet.

Technischer Stack und Bereitstellung

DemandCaster wird ausschließlich als Software-as-a-Service bereitgestellt. Der Login-Endpunkt, client.demandcaster.com/Login.aspx, ist unter dem Branding „Supply Chain Planning – PLEX“ geführt und nutzt eine .aspx-Erweiterung, was stark auf eine ASP.NET-Webanwendung hinweist, die auf Microsoft IIS betrieben wird.³⁵ Die Nutzungsbedingungen von DemandCaster beziehen sich auf die „Subscription Services“ als webbasierte Plattform, die von Plex Systems bereitgestellt wird, mit typischen SaaS-Bedingungen wie Nutzungsrechten, Service Levels und Verfügbarkeitszusagen.¹⁴ Die Broschüre der Plex Smart Manufacturing Platform beschreibt die Plattform als ein multi-tenant Cloud-System, das MES, ERP, Qualitätsmanagement, supply chain planning und Analytics als Webservices bereitstellt.¹⁵

Das Technologieprofil von LeadIQ für Plex DemandCaster, obwohl es sich auf die öffentlich zugängliche Seite konzentriert, weist auf den Einsatz von Cloudflare für die Bereitstellung, jQuery und Material Design Lite für die UI sowie standardisierte Sicherheitsheader hin; obwohl dies den internen Stack nicht offenlegt, bestätigt es ein konventionelles Frontend auf Basis von Webtechnologien.³³ Es gibt keine öffentliche Dokumentation der zugrunde liegenden Datenbanktechnologie oder darüber, ob die Kern-Planungsengine als Monolith oder als Microservices implementiert ist.

Aus den verfügbaren Belegen lässt sich sicher sagen, dass DemandCaster eine multi-tenant ASP.NET SaaS-Anwendung ist, die in Plex’s Cloud integriert ist, mit ERP-Konnektoren und einer browserbasierten Planer-UI. Es gibt keinerlei Hinweise auf offene APIs zur externen Algorithmuseinbindung, noch auf eine zugängliche Skript- oder DSL-Schicht für Nutzer.

Algorithmische und KI-Fähigkeiten

Statistische Prognosen und Planungsheuristiken

Die Prognose-Engine von DemandCaster wird in Anbieterunterlagen als „optimierte, automatisierte statistische Prognose“ beschrieben.² Die Food & Beverage-Seite von Plex hebt hervor, dass das SCP-Angebot statistische Prognosen, demand planning with machine learning und fortgeschrittene requirements planning umfasst, was auf eine Kombination aus klassischen Zeitreihenmethoden und einer gewissen ML-Ergänzung hinweist.¹⁷ Die NetSuite-Übersicht und Marketingseiten verweisen außerdem auf „demand sensing“ und die Nutzung externer Daten wie POS, was andeutet, dass aktuelle Verkäufe und externe Signale zur Anpassung kurzfristiger Prognosen herangezogen werden können.²¹

Allerdings gibt keine der öffentlich verfügbaren Dokumentationen an:

Die verwendeten Modellklassen (z. B. exponentielle Glättungsmodelle, ARIMA, Modelle für intermittierende Nachfrage).
Wie Modelle ausgewählt oder abgestimmt werden (z. B. AIC/BIC, Kreuzvalidierung).
Der Prognosezeitraum und die Standardgranularität.
Wie die Prognosegenauigkeit gemessen und berichtet wird.

Auf Grundlage von Branchenstandards und der verwendeten Sprache ist es vernünftig anzunehmen, dass DemandCaster automatisierte Zeitreihenprognosen auf Artikel-/Standort- oder aggregierten Ebenen durchführt und anschließend heuristische Nachbearbeitungen (z. B. Ausreißerkorrektur, Nachfrageformung) anwendet, bevor die resultierenden Prognosen in die Planungs-Engine eingespeist werden. Sicherheitsbestände scheinen über Standardformeln berechnet zu werden, die auf Servicegrad, Variabilität und Lieferzeit basieren, möglicherweise mit multi-echelon Erweiterungen, jedoch wiederum ohne jegliche formale Beschreibung.²⁴

Kurzum, es gibt eindeutige Hinweise darauf, dass DemandCaster Prognosen und Lagerbestandsberechnungen automatisiert, aber die Tiefe und Modernität seiner Methoden lässt sich aus öffentlichen Quellen nicht bewerten.

Machine-Learning-Behauptungen

Plex hat mit DemandCaster mit Machine-Learning-gekennzeichnete Funktionen eingeführt, aber die Details sind spärlich. Ein Blogbeitrag mit dem Titel „New Machine Learning Feature for the Plex DemandCaster Advanced Business Planning Software“ beschreibt die neuen ML-Funktionen dahingehend, dass sie Planern ermöglichen, „Sicherheit zurückzugewinnen“ und „mehr Genauigkeit zu erzielen, um Lagerbestände zu senken, präzisere Prognosen zu erstellen und die Ratserei zu reduzieren.“¹⁶ Die Funktion wird als Add-on zu Advanced Business Planning präsentiert, das entwickelt wurde, um die Auswahl des besten Plans zu erleichtern, indem es „Maschinen zeigt, welcher Plan am besten funktioniert,“ und dabei eine minimale Lernkurve für die Nutzer erfordert.¹⁶

Die Food & Beverage-Seite listet ähnlich „demand planning with machine learning“ als eine SCP-Fähigkeit auf.¹⁷ Dennoch liefert Plex in beiden Fällen keine technische Darstellung von:

Welche Algorithmen verwendet werden (z. B. Gradient Boosting, neuronale Netze, Random Forests).
Welche Merkmale in diese Modelle einfließen (z. B. Promotions, Wetter, Preis, Makrodaten).
Wie die ML-Komponenten trainiert, validiert und überwacht werden.
Wie ML-Ergebnisse mit der „statistischen Prognose“-Schicht kombiniert oder diese überschrieben werden.

Somit ist es zwar zutreffend zu sagen, dass DemandCaster auf Machine Learning basierende Prognoseverbesserungen beinhaltet, jedoch ist die ML-Schicht für die Öffentlichkeit effektiv eine Black Box. Behauptungen über eine verbesserte Genauigkeit beruhen auf Selbstauskünften, ohne unabhängige Benchmarks oder detaillierte Methodologien.

Optimierung und Automatisierung vs CRUD

DemandCaster geht eindeutig über einfache CRUD- oder BI-Dashboards hinaus: Es berechnet vorschreibende Empfehlungen — Bestellaufträge, Produktionsaufträge, Transferaufträge und Kapazitätspläne — basierend auf seinen Prognosen und Planungslogiken. Die NetSuite-Übersicht hebt „automatisierte Empfehlungen für Nachschubaufträge“ und zeitlich abgestimmte Lagerbestandsplanung hervor, während die Beschreibung von SourceForge betont, dass das System „MPS dazu antreibt, Einkauf und Produktion zu steuern und häufig operative Daten für einen aktualisierten Bedarfsplan abzurufen.“²⁴ DRP-Module berechnen die abhängige Nachfrage über mehrere Standorte, und S&OP-Module unterstützen Was-wäre-wenn-Szenarioanalysen, niveauausgeglichene versus Nachholplanungen und multi-echelon Lagerbestandsansichten.²¹²¹³

Allerdings dokumentiert die öffentliche Dokumentation nicht:

Planungsprobleme als explizite Optimierungsmodelle mit Zielfunktionen und Nebenbedingungen zu formulieren (z. B. gemischt-ganzzahlige Programme, stochastische Programme).
Die Verwendung von kommerziellen oder Open-Source-Solvern (z. B. CPLEX, Gurobi) oder Constraint Programming zu erwähnen.
Architekturmuster bereitzustellen, die mit einer vollständigen Entscheidungsautomatisierung übereinstimmen (z. B. automatisch ausgeführte Aufträge mit klaren Rahmenbedingungen).

Stattdessen ergibt sich das Bild einer deterministischen Planungs-Engine, die standardisierte MRP/DRP-Logiken, Sicherheitsbestandsberechnungen und regelbasierte Ausnahmebehandlung implementiert, erweitert um einige Was-wäre-wenn-Szenario-Tools und ML-verbesserte Prognosen. Das System automatisiert die Erstellung von Plänen und Empfehlungen, aber die Planer bleiben im Entscheidungsprozess, um diese Empfehlungen zu genehmigen und anzupassen.

Aus einer skeptischen Perspektive sollte DemandCaster als algorithmische Entscheidungsunterstützung basierend auf standardisierten Planungsheuristiken eingestuft werden, und nicht als eine transparent optimierte, stochastische Entscheidungsautomations-Engine.

Implementierung und Rollout in der Praxis

Bereitstellungsansatz und Zeitpläne

Fallstudien von Anbietern und Partnern geben Einblick darin, wie DemandCaster implementiert wird:

Eine Plex-Fallstudie zu Coast Products, einem Hersteller von Leuchten, Messern und Multi-Tools, beschreibt, wie das Unternehmen von selbst erstellten Tabellenkalkulationen zur cloudbasierten Plex DemandCaster Supply Chain Planning überging, das System während der COVID-19-Pandemie remote implementierte und in etwa sechs Monaten live schaltete.²³ Das Coast-Team übernahm erhebliche Verantwortung für die Konfiguration, wobei Plex Remote-Support bereitstellte; nach dem Go-Live berichten sie von verbesserter Produktverfügbarkeit und einer besseren Abstimmung an der Kundennachfrage (selbstberichtete Kennzahlen).
Eine Fallstudie zu BirdRock Home, einem Lieferanten von Produkten für Haushalt und Automobile mit ca. 700 SKUs, berichtet, dass die Planungzyklen zuvor etwa einen Monat dauerten, basierend auf komplexen Tabellenkalkulationen, die von einem Drittanbieter gepflegt wurden; nach der Implementierung von Plex DemandCaster, integriert mit NetSuite, reduzierte BirdRock die Planungszykluszeit um 76 % und erreichte eine bessere Transparenz hinsichtlich Lagerbeständen und Nachfrageentwicklungen.²⁴ Die Integration mit NetSuite wurde von einem NetSuite-Administrator eingerichtet, und das System wurde von den Planern schnell übernommen.
Eine Forrester Total Economic Impact (TEI)-Studie zur Plex Smart Manufacturing Platform, basierend auf einem anonymisierten Kunden, stellt fest, dass ein Hersteller Plex DemandCaster im Jahr 2019 mit einer End-to-End-Implementierung von etwa einem Jahr hinzufügte, inklusive EDI-Entwicklung, ungefähr drei Monaten Schulung und einem Monat nach dem Go-Live zur Prozessoptimierung.²⁵

Diese Beispiele deuten auf Implementierungshorizonte von 6–12 Monaten für DemandCaster in mittelgroßen Fertigungsumgebungen hin, mit einem starken Schwerpunkt auf Datenintegration (insbesondere zu ERP und EDI), remote oder partnergeführter Konfiguration und Schulung der Planer. Es gibt keine Hinweise auf mehrjährige, forschungsorientierte Modellierungsprojekte; die Arbeit scheint darauf ausgerichtet zu sein, bestehende Module zu konfigurieren, anstatt maßgeschneiderte Algorithmen zu entwickeln.

Fallstudien und benannte Kunden

Die reale Anwendung von DemandCaster wird durch mehrere namentlich genannte Kunden in Anbieter- und Drittmaterialien belegt:

Coast Products (US CPG / Werkzeuge): nutzt Plex DemandCaster für Nachfrage- und Lagerbestandsplanung, um die Produktverfügbarkeit zu verbessern und ad-hoc Bestellungen zu reduzieren.²³
BirdRock Home (US Konsumgüter / Einzelhandel): nutzt Plex DemandCaster, integriert mit NetSuite, um die Planungzyklen zu verkürzen, das Bestandsmanagement und die Prognosen zu verbessern.²⁴
TCHO (US Schokoladenhersteller): Eine NetSuite-Fallstudie erwähnt DemandCaster als Teil des Planungsstapels von TCHO zur Unterstützung einer neuen Fertigungsanlage, wodurch Lagerbestände und Planungsprozesse konsolidiert werden.³⁶
ASK Power (US Hersteller von elektrotechnischen Komponenten): eine TEC-Fallstudie beschreibt, wie das Unternehmen durch S&OP, unterstützt durch DemandCasters Kapazitätsplanung und ERP-Integration, die pünktliche Lieferung auf 99 % verbessern konnte.¹³⁷
Old World Spices (Lebensmittelherstellung): Ein Food Engineering-Artikel über Prognosen stellt fest, dass Old World Spices DemandCaster als Teil von Plex ERP nutzt, um mehrere Anlagen mit aktuellen Prognosen und Produktionsinformationen synchron zu halten.³⁸
Olde Thompson (Lebensmittelindustrie): Ein Rockwell-Video beschreibt, wie Olde Thompson Plex DemandCaster nutzte, um den Lagerbestand besser zu verwalten, Lieferanten zu verstehen und vollständige sowie termingerechte Bestellungen zu gewährleisten, während das Kundenportfolio ausgebaut und Transportkosten reduziert wurden.³⁹
Claremont Foods: Ein Partner (Control+M Solutions) berichtet von der Implementierung von Plex mit DemandCaster Advanced Planning für Claremont Foods und hebt dabei Integrations- und Planungsverbesserungen hervor.²⁶

Diese Referenzen sind überwiegend Anbieter- oder Partnerfallstudien sowie ein Fachpresse-Editorial; sie demonstrieren reale Einsätze, müssen jedoch als selbstberichtete, nicht geprüfte Erfolgsgeschichten betrachtet werden. Einige generische Ergebniskennzahlen (z. B. 25% Lagerbestandsreduktion, 99% pünktliche Lieferung, verdoppelte Lagerumschlagshäufigkeiten) werden in Produktübersichten zitiert, ohne dass spezifische Kunden benannt oder Methodologien beschrieben werden, und sollten daher als schwache Belege gelten.²

Evidenzlücken und Diskrepanzen

Einige Diskrepanzen und Lücken in der öffentlichen Aufzeichnung sind bemerkenswert:

Standort und Größe: Gregslist listet DemandCaster in Rolling Meadows mit 1–10 Mitarbeitern auf,²⁷ während CBInsights Cadent Resources in Prospect Heights nennt,²⁹ und moderne Profile ordnen Plex DemandCaster dem Plex-Hauptsitz in Troy, Michigan, zu.³³ Dies spiegelt den Übergang von einem kleinen Startup im Raum Chicago zu einer Geschäftseinheit eines ERP-Anbieters mit Sitz in Michigan und anschließend zu Rockwell wider. Die Mitarbeiterzahlen (1–10 vs. 201–500) vermischen ebenso das ursprüngliche Unternehmen mit dem aktuellen, erweiterten Team.²⁷³³
Finanzierung: Tracxn erklärt ausdrücklich, dass DemandCaster keine Finanzierungsrunden durchgeführt hat; CBInsights zeigt die Übernahme als die letzte „Runde“.²⁸²⁹ Dies entspricht einem eigenfinanzierten Startup, aber das Fehlen von Belegen ist kein Beweis dafür, dass keine Angel- oder kleinen Runden stattgefunden haben — sondern nur, dass in diesen Datenbanken keine verzeichnet sind.
Algorithmische Transparenz: Während im Marketing statistische Prognosen, mehrstufige Optimierung, Nachfrageerfassung und maschinelles Lernen erwähnt werden, geben öffentliche Materialien keine Details zu den spezifischen Modellen, Optimierungsformulierungen oder verwendeten Solver-Technologien preis.²¹⁶¹⁷⁴ Dadurch ist es unmöglich, Behauptungen über fortschrittliche Analytik oder KI unabhängig zu verifizieren.
Ergebniskennzahlen: Viele quantifizierte Vorteile (Bestandsreduzierung, verbesserter Service, Margensteigerungen) werden über „unsere Kunden“ aggregiert, ohne diese Kunden namentlich zu nennen oder die Messmethodik zu erläutern; solche Behauptungen bleiben unbestätigt.²¹³

Diese Lücken bedeuten nicht, dass die Technologie von DemandCaster schwach ist, aber sie machen deutlich, dass externe Beobachter eine Überinterpretation der Marketingsprache vermeiden und KI-/Optimierungsbehauptungen als nicht belegt ansehen müssen, sofern sie nicht durch ausführlichere Dokumentation oder direkten technischen Zugang untermauert werden.

Kommerzielle Reife und Positionierung

Betrachtet man das Gesamtbild, ist DemandCaster:

Technisch: Eine cloudbasierte SCP-Suite, die automatisierte statistische Prognosen, Bestandsplanung, MRP/DRP, S&OP und Kapazitätsplanung implementiert, mit starker ERP-Integration und einigen ML-gebrandeten Prognoseverbesserungen.¹²¹²³¹⁶⁴
Architektonisch: Eine mandantenfähige ASP.NET-Webanwendung innerhalb der Plex Smart Manufacturing Platform, die an Plex ERP und MES angebunden ist, aber auch in Drittanbieter-ERPs wie NetSuite integriert wird.²¹²³⁵¹⁴¹⁵
Kommerziell: Eine ausgereifte Produktlinie mit über zwei Jahrzehnten Geschichte, einem Akquisitionsverlauf von Plex zu Rockwell Automation und einer glaubwürdigen Installationsbasis im mittelständischen Fertigungs- und CPG-Bereich; sie erscheint in Analystenberichten (IDC, TEC) und Vergleichsübersichten neben bekannteren SCP-Systemen.³²¹⁴⁴⁰

Aus einer skeptischen, technologiezentrierten Perspektive sollte DemandCaster als eine etablierte, integrationsorientierte SCP-Anwendung eingestuft werden: Robust genug für die Bedürfnisse vieler Hersteller, aber in Bezug auf seine Algorithmen intransparent und nicht nachweislich an der Spitze probabilistischer Prognosen oder Optimierung. Organisationen, die eine tief programmierbare, hochmoderne stochastische Optimierung anstreben, könnten es als weniger geeignet empfinden als Plattformen, die explizit auf probabilistisches Modellieren und kundenspezifische Entscheidungslogik ausgelegt sind.

Fazit

DemandCaster (Plex DemandCaster Supply Chain Planning) ist eine langjährige cloudbasierte Supply-Chain-Planungsanwendung, die den erfolgreichen Übergang von einem kleinen, gründungsgeleiteten SaaS zu einem Bestandteil der Plex Smart Manufacturing Platform von Rockwell Automation vollzogen hat. Funktional deckt sie das gesamte SCP-Spektrum ab – von der Bedarfsprognose über die Bestandsplanung, S&OP, MRP, Kapazitätsplanung bis hin zu DRP – und ist eng in ERP-Systeme integriert, insbesondere Plex ERP und NetSuite. Das Bereitstellungsmodell ist ein standardisiertes, mandantenfähiges SaaS, mit typischen Implementierungsprojekten, die sich auf ERP-Integration, Konfiguration und Schulung der Planer konzentrieren, und Inbetriebnahmen, die in Monaten statt Jahren gemessen werden. Mehrere namentlich genannte Fallstudien und eine Forrester TEI-Studie belegen den praktischen Einsatz und den Geschäftsnutzen, obwohl diese weitgehend selbstberichtend sind und einer unabhängigen Prüfung entbehren.

Technisch belegen öffentliche Hinweise das Vorhandensein von automatisierter statistischer Prognose, Sicherheitsbestandsberechnung, zeitlich gestaffelter Planungslogik und einiger ML-basierter Verbesserungen, aber das Innenleben der Prognose- und Optimierungs-Engines bleibt undokumentiert. Es gibt keinen transparenten Hinweis auf fortgeschrittenes probabilistisches Modellieren, explizite stochastische Optimierung oder solverbasierte Entscheidungsautomatisierung. Daher sollten die KI- und Optimierungsbehauptungen von DemandCaster vorsichtig interpretiert werden: Es ist eindeutig mehr als nur eine CRUD- oder Berichtsschicht, jedoch weniger als eine vollständig offengelegte, hochmoderne probabilistische Optimierungsplattform.

Im Vergleich zu Lokad ist DemandCaster am besten als ein vorgefertigtes SCP-Add-on zu sehen, das eng mit ERP verbunden ist und Planern eine integrierte Umgebung für die Abstimmung von Planung und Ausführung bietet. Lokad hingegen ist eine programmierbare, probabilistische Optimierungsplattform, die Prognose- und Entscheidungslogik als Code bereitstellt und Entscheidungen direkt anhand wirtschaftlicher Ziele unter Unsicherheit optimiert. Beide Ansätze haben ihre Berechtigung: DemandCaster ist attraktiv für mittelständische Hersteller, die eine in ERP integrierte Planungssuite mit konventionellen Workflows suchen; Lokad eignet sich besser für Organisationen, die bereit sind, in tiefere quantitative Modellierung zu investieren, um probabilistische Prognosen und maßgeschneiderte Optimierung in großem Maßstab zu nutzen. Für Käufer ist es entscheidend, die Erwartungen entsprechend abzustimmen: DemandCaster bietet eine ausgereifte, integrationsgetriebene SCP-Anwendung; sie definiert – basierend auf öffentlichen Belegen – nicht die technische Grenze der Supply-Chain-Analytik neu.