Rezension von Getron, KI‑gesteuertem supply chain Softwareanbieter

Von Léon Martin-Ménard

Zuletzt aktualisiert: November, 2025

Getron ist ein türkischer Daten- und KI-Softwareanbieter, der sich von frühen volumenstarken Bankensystemen (gegründet 2003) zu einem vertikalisierten supply chain Analytik-Unternehmen entwickelt hat, das rund um seine „Getron AI Services“ (GaiS) Plattform für den Einzelhandel, das Gesundheitswesen, die Fertigung, Energie und die Automobilbranche aufgebaut ist. Das Unternehmen positioniert GaiS als eine KI-native SaaS/PaaS-Suite, die Nachschub, Zuteilung, Preisnachlässe, Wiederholungskäufe, Auslaufprodukte, Lieferplanung, Preisgestaltung und Auftragsverwaltung über präskriptive „Arbeitsaufträge“ anstelle traditioneller Planungsbildschirme automatisiert, unterstützt durch ein proprietäres Datenmodell (Getron Data Structure, GDS) und eine Mass Customization Interface (MCI), von denen behauptet wird, dass sie das Produkt rasch von KMU bis zu Großunternehmen konfigurierbar machen.¹ Getrons öffentliche Darstellung betont die Automatisierung („80%+ der GaiS-Arbeitsaufträge bis 2025 vollautomatisiert“), schnelle Rendite (Wochen bis zu ersten Ergebnissen, Monate bis zur Amortisation) und die starke Abhängigkeit von internen KI/ML-Modellen, die im Wesentlichen die tägliche Datenerfassung und Entscheidungsfindung an die Plattform auslagern.¹²³ Gleichzeitig stellt der Anbieter im Vergleich zu Deep-Tech-Konkurrenten nur sehr begrenzte architektonische oder algorithmische Details zur Verfügung: Es gibt keine öffentliche Beschreibung von Prognosemodellklassen jenseits von „multi-model demand forecasting“, keine reproduzierbaren Optimierungsformulierungen, keine offenen Benchmarks und nur einen indirekten Einblick in seine Methoden durch akademische Arbeiten seiner Führungsebene (fuzzy cognitive maps, fuzzy controllers, fuzzy linguistic time series).⁴⁵⁶ Kommerziell erscheint Getron als ein mittelgroßer, privat geführter Akteur mit starker Präsenz in der Türkei – insbesondere im Apotheken-Einzelhandel über sein Porta-Produkt – und einer wachsenden, aber weniger dokumentierten Präsenz bei globalen Mode- und FMCG-Marken; unabhängige Bestätigungen einiger Pharma-Einsätze existieren, während die meisten namhaften Logos über Getrons eigenes Marketing hinaus nicht verifizierbar sind.⁷⁸⁹ Insgesamt wirkt Getron wie eine technisch kompetente, forschungsaffine, aber relativ undurchsichtige „Black-Box“-KI-Planungssuite: Sie leistet eindeutig mehr als grundlegende CRUD-Operationen, doch die öffentlichen Belege reichen nicht aus, um zu behaupten, dass ihre Technologie an der Spitze der probabilistischen Prognose oder Optimierung im supply chain steht.

Getron Überblick

Unternehmensprofil und Geschichte

Getron präsentiert sich als „Data & AI partner“ für den Einzelhandel, das Gesundheitswesen, die Fertigung, Energie und die Automobilbranche, mit über 20 Jahren Erfahrung.¹ Laut dem unternehmenseigenen Zeitstrahl wurde es 2003 als Fintech-/Echtzeit-Banking-Spezialist gegründet, der volumenstarke Transaktionssysteme entwickelte, und trat 2006 in den Gesundheitssektor ein, indem es zur nationalen Arzneimittelverfolgungsinfrastruktur der Türkei beitrug.¹ Diese Ursprungsgeschichte passt zur späteren Positionierung rund um hochfrequente Transaktionsdaten und Apotheken-Netzwerke. Ein von TÜBİTAK (dem türkischen Wissenschaftsrat) gefördertes akademisches Papier, das ausdrücklich „GETRON Bilisim Hizmetleri A.S., Istanbul, Turkey“ als Förderempfänger nennt, bestätigt, dass Getron von Istanbul aus agiert und in der Forschung zu Zeitreihenprognosen aktiv ist.⁴

Im Laufe der Zeit behauptet Getron, sich von maßgeschneiderten Entscheidungshilfen (ein Produkt namens „Getron Advisor“ basierend auf rechnerischer Intelligenz und fuzzy logic) hin zu einer standardisierten KI-Produktfamilie entwickelt zu haben.¹⁶ Die Seite „Our Story“ skizziert mehrere Meilensteine: Fintech- und Arzneimittelverfolgungsprojekte in den 2000er Jahren; die Expansion in den internationalen Einzelhandel in den frühen 2010er Jahren; die Einführung einer „multi-model demand forecasting engine“ um 2015; die Vereinheitlichung seiner supply chain Produkte unter der Marke „Getron AI Services (GaiS)“; und, so wird berichtet, laufen bis 2025 mehr als 80% aller GaiS-Arbeitsaufträge autonom.¹ Abgesehen von Getrons Website und einigen kurzen Profilen von Datenanbietern (Datanyze, Corporate Vision, F6S etc.) existiert wenig Corporate-Historie von Dritten: Es gibt keine offengelegten Finanzierungsrunden, keine berichteten Übernahmen und keine öffentlichen Einreichungen, die auf einen Kontrollwechsel hindeuten würden. Unabhängige Datenbanken listen das Unternehmen unter Software- und Datendiensten und bestätigen seinen Fokus auf KI-gesteuerte supply chain Anwendungen mit PST, ARE und PBD als zentralen Angeboten.²⁹¹⁰ In Suchergebnissen tauchen keine Übernahmen dieses Getron-Unternehmens auf – Hinweise auf „Shenzhen Getron Co.“ und nicht zusammenhängende Elektronikunternehmen scheinen ein anderes Unternehmen zu betreffen.

Produktfamilie und Positionierung

Im Zentrum des supply chain Angebots von Getron steht Getron AI Services (GaiS), beschrieben als eine KI-native SaaS/PaaS-Produktfamilie für Inventar, Versorgung, Planung und Preisgestaltung.¹²¹¹ Die englischsprachigen Beschreibungen auf Getrons Website, in den Microsoft Marketplace-Listings und auf G2 kommen zu folgenden Modulen zusammen:

PST – Prescriptive Stock Transactions: Optimierung des Inventars mittels Lagerbewegungen zwischen Versorgungsstellen und Verkaufsstellen (Nachschub und Zuteilung), gesteuert durch KI-Empfehlungen anstelle manueller Min/Max-Regeln.¹²⁸
ARE – Action Recommended Entities: Präskriptive Arbeitsaufträge für Preisnachlässe, Wiederholungskäufe und Delistings, die dazu dienen, Überbestände, Auslaufprodukte und Promo-Aktionen zu bewältigen.¹²
PBD – Predictive Business Diagnostics: Prognoseanalysen und Diagnosen, verpackt in vorkonfigurierten Dashboards für KPIs wie Sell-through, Lagerabdeckung und Kampagnenperformance.¹²²
PSP – Prescriptive Supply Planning: Empfehlungen zur Lieferplanung (Einkauf, Produktion), die auf PST/ARE aufbauen, um vorgelagerte Entscheidungen abzudecken.¹²
PRIX – Price Optimization: Preisoptimierung, die Preisvorgaben in Verbindung mit Inventar- und Promotionsentscheidungen integriert, um Margen zu schützen und Preisnachlässe zu minimieren.¹²¹¹
OMP – Order Management: Arbeitsaufträge im Auftragsmanagement, die priorisieren, welche Bestellungen unter Berücksichtigung von Bestandsbeschränkungen erfüllt oder beschleunigt werden sollen.¹²⁸

Diese Module werden als „einsatzbereite, datengesteuerte, cloud-native Business-Anwendungslösungen für Bestandsplanung, -verwaltung und -optimierung“ vermarktet und als Werkzeuge, die im Wesentlichen die tägliche Datenerfassung und Entscheidungsfindungsprozesse der Kunden an Getrons interne KI- und ML-Algorithmen auslagern.³ Türkischsprachige Seiten auf getron.com.tr liefern zusätzliche operative Details, wobei PST als „İkmal & Satış Noktaları Arası Stok Hareketiyle Envanter Optimizasyonu“ (Bestandsoptimierung mittels Lagerbewegungen zwischen Nachschub und Point-of-Sale) beschrieben wird und ARE Arbeitsaufträge für Rabattaktionen, Wiederholungskäufe und Delistings basierend auf diagnostischen Signalen erstellt.⁸

Neben diesen horizontalen Modulen bietet Getron mindestens ein stark verticalisiertes Produkt an:

Porta – eine Lösung für Apotheken sowie Pharmahersteller und -verteiler in der Türkei. Getron gibt an, dass Porta aktiv von über 9.600 Apotheken (mehr als 96% des nationalen Netzwerks) für Dienstleistungen wie das Management von Werbeprogrammen und KI‑gesteuerte Bestellvorgänge genutzt wird.⁷ Eine unabhängige Pharmanachrichtenseite, die über eine Partnerschaft zwischen Boehringer Ingelheim und Getron berichtete, zitiert Getrons CBO mit der Aussage, dass „Getron‑Dienste von 70% der Apotheken in der Türkei aktiv genutzt werden“ – zum Zeitpunkt dieses Projekts, was eine teilweise, wenn auch nicht perfekte, externe Validierung der Skalenaussagen darstellt.⁸

Das Produktspektrum ist somit eindeutig auf nachfragesteuerte, retail-zentrierte supply chain Probleme (Bestandszuteilung, Regalpreisgestaltung, Auslaufprodukte, Promo-Analysen, Apothekenbestellungen) ausgerichtet, mit einer gewissen Erweiterung in den Bereich der Lieferplanung. Es gibt keine Hinweise auf spezialisierte Funktionalitäten, etwa für komplexe mehrstufige Fertigungsplanungen oder aerospace MRO, wie sie von den fortschrittlichsten Planungslösungen angeboten werden.

Getron vs Lokad

Sowohl Getron als auch Lokad agieren im weiten Feld der supply chain Analytik und Optimierung, jedoch sind ihre Ansätze strukturell unterschiedlich.

Produkt vs. programmierbare Plattform. Getron positioniert GaiS als eine vorgefertigte Suite von KI-Anwendungen (PST, ARE, PBD, PSP, PRIX, OMP, Porta), die über seine Mass Customization Interface (MCI) und das proprietäre Getron Data Structure ohne zusätzliche Entwicklung an unterschiedliche Kunden angepasst werden kann.¹¹¹ Im Gegensatz dazu präsentiert sich Lokad explizit als programmierbare Plattform, bei der nahezu die gesamte Logik in einer domänenspezifischen Sprache (DSL) namens Envision implementiert ist, die von “supply chain scientists” zur Erstellung maßgeschneiderter prädiktiver Optimierungs-Apps genutzt wird.¹³¹⁴ GaiS versucht, die Komplexität hinter standardisierten Arbeitsaufträgen zu verbergen; Lokad legt die gesamte Pipeline in Code und Dashboards offen und tauscht Benutzerfreundlichkeit gegen Ausdruckskraft und Transparenz.

Transparenz der Algorithmen. In Getrons öffentlichen Materialien wird über „multi-model demand forecasting engines“, „computational intelligence“, „AI and ML algorithms“ und „holistic AI‑native inventory planning“ berichtet, jedoch werden weder Modellarchitekturen, noch Zielfunktionen oder detaillierte Pipeline-Beschreibungen offengelegt.¹¹¹³ Im Gegensatz dazu veröffentlicht Lokad explizite Beschreibungen seiner technologischen Generationen (Quantilprognosen 2012, probabilistische Prognosen 2016, Deep Learning 2018, differenzierbares Programmieren 2019, stochastischer diskreter Abstieg und latente Optimierung zu späteren Zeitpunkten) und liefert eine Schritt‑für‑Schritt-Darlegung von Datenintegration, probabilistischer Modellierung und Entscheidungsoptimierung – alles ausgeführt über Envision.¹⁵¹⁴

Art der KI und Optimierung. Es gibt stichhaltige Hinweise darauf, dass Getrons Führungsebene über tiefe akademische Erfahrung in fuzzy logic, fuzzy cognitive maps und fuzzy controllers verfügt,⁴⁵⁶ und zumindest ein kürzlich von TÜBİTAK gefördertes Projekt zur Generierung fuzzy-linguistischer Terme für Zeitreihenprognosen nennt Getron direkt als Industriepartner.⁴ Dies deutet darauf hin, dass die Prognose- und Entscheidungslogik des Unternehmens stark auf fuzzy/linguistische Modelle und heuristische Suche setzt, auch wenn die Produktionspipeline nicht dokumentiert ist. Lokad hingegen erstellt seine Prognosen explizit als vollständige Wahrscheinlichkeitsverteilungen und trifft seine Entscheidungen mittels stochastischer Optimierung und gradientenbasierter Methoden, wobei Envision-Anweisungen und technische Dokumentationen Monte-Carlo-Simulationen, Zufallsvariablen und spezialisierte Optimierungsalgorithmen detailliert beschreiben.¹⁵¹³¹⁴ Die KI von GaiS wirkt daher eher wie eine gut abgestimmte proprietäre Modellierungs‑Black Box; die KI von Lokad präsentiert sich wie ein offenes probabilistisches/optimierendes Werkzeugset.

Benutzermodell und Change Management. In Getrons Modell konfigurieren die Kunden in erster Linie Datenzuordnungen und Geschäftsparameter; die interne KI lagert die täglichen Entscheidungen aus und erteilt automatisch Arbeitsaufträge – mit der Behauptung, dass über 80% der Aktionen mittlerweile autonom ablaufen.¹³ Lokad hingegen geht davon aus, dass entweder die eigenen oder die des Kunden zugehörigen “supply chain scientists” kontinuierlich Envision-Skripte anpassen, während sich das Geschäft verändert; Automatisierung existiert, doch der Mechanismus bleibt stets im Code sichtbar und editierbar.¹³¹⁴ Organisationen, die einen Push-Button-AI-Autopiloten für relativ standardisierte Retail-Probleme wünschen, finden an GaiS möglicherweise eine schnell einführbare Lösung; Organisationen, die vollständige Kontrolle über die Entscheidungslogik benötigen, die Fähigkeit, komplexe Einschränkungen zu kodieren oder Prognose/Optimierung mit internen Modellen zu verknüpfen, werden den DSL‑Ansatz von Lokad als passender empfinden.

Umfang und Tiefe. Funktional gibt es Überschneidungen in Bestandsoptimierung, Zuteilung, Lieferplanung und Preisgestaltung. Getrons dokumentierte stärkste Traktion zeigt sich im Apotheken-Einzelhandel sowie in einigen Mode- und FMCG-Bereichen; Lokads öffentliche Referenzen erstrecken sich über Mode, Lebensmittel, Autoteile und Aerospace, mit expliziten Angaben zur Handhabung komplexer Stücklisten (BOMs), Wartungspläne und Unsicherheiten bei Vorlaufzeiten (gestützt durch detaillierte technische Dokumente statt lediglich Fallstudien). Insbesondere ist Lokads Plattform um Envision und einer cloudbasierten Ausführungs‑Engine konzipiert, die speziell für prädiktive Optimierungs-Apps ausgelegt ist,¹⁴ während Getrons Architektur nur in groben Zügen beschrieben wird (SaaS/PaaS auf Azure, GDS/MCI, AI/ML-Algorithmen).²¹¹

Kurz gesagt: Getron ist eine vertikal fokussierte, KI-gesteuerte supply chain Produkt‑Suite mit undurchsichtigen Interna, während Lokad eine allgemeine quantitative supply chain Programmierumgebung mit offengelegter probabilistischer und optimierender Mechanik ist. Beide behaupten Automatisierung und ROI; Lokad dokumentiert die Mechanismen in weitaus größerem technischen Detail, während Getron ein leichteres, stärker Black‑Box-artiges, produktisiertes Erlebnis bietet.

Produkt- und Funktionsumfang im Detail

Module für Inventar, Versorgung und Preisgestaltung

Die Kernmodule von GaiS lassen sich wie folgt gliedern, basierend auf Getrons eigener Vermarktung, G2-Bewertungen und Drittanbieter-Profilen:¹²²³

PST (Prescriptive Stock Transactions) – Generiert präskriptive Arbeitsaufträge für Transfers und Nachschubflüsse zwischen Distributionszentren und Filialen. Das System zielt darauf ab, entgangene Verkäufe und Überbestände zu minimieren, indem entschieden wird, wohin jede Einheit versandt wird, anstatt lediglich Zielbestandsniveaus zu empfehlen.¹² Es ist eindeutig fortschrittlicher als eine reine Berichtsschicht: Arbeitsaufträge werden algorithmisch priorisiert und den Anwendern als umsetzbare Aufgaben übermittelt.
ARE (Action Recommended Entities) – Konzentriert sich auf Preisnachlässe, Wiederholungskäufe und Delistings. ARE kennzeichnet SKUs für den Abverkauf oder Nachschub und erteilt entsprechende Arbeitsaufträge, geleitet durch Parameter wie Sell-through-Geschwindigkeit, verbleibende Saison und Beitrag zu Umsatz/Marge.¹²² Der Ansatz orientiert sich an präskriptiver Analytik: Die Anwender werden dazu angehalten, spezifische Aufgaben auszuführen, anstatt KPIs zu interpretieren.
PBD (Predictive Business Diagnostics) – Bietet prognostische, dashboardartige Ansichten der Unternehmensgesundheit. Datanyze beschreibt PBD als auf „predictive business diagnostics“ ausgerichtet und darauf, Führungskräften einen zukunftsorientierten Blick zu ermöglichen.² Aus der Beschreibung erscheint es eher wie eine verpackte Analytik-/BI-Schicht, wenngleich es von derselben Prognose-Engine angetrieben wird.
PSP (Prescriptive Supply Planning) – Erweitert das präskriptive Konzept vorgelagert auf Liefer- und Produktionsplanung. Es ist anzunehmen, dass PSP die Ergebnisse von PST/ARE sowie Nachfrageprognosen nutzt, um Einkaufs- oder Produktionsaufträge zu generieren, wobei detaillierte Einschränkungen (Kapazität, Mindestbestellmengen von Lieferanten etc.) nicht öffentlich dokumentiert sind.
PRIX (Pricing) – Integriert Preisentscheidungen mit dem Inventar; PRIX soll Preisniveaus optimieren angesichts von Bestandsrisiken und Promotionsstrategien.¹²¹¹ Öffentliche Informationen sind vage: Es gibt keine explizite Beschreibung der Elastizitätsmodellierung oder der Zielfunktion über die „margin optimization“ hinaus.
OMP (Order Management Platform) – Hilft dabei, Bestellungen zu priorisieren und zu leiten, wenn Einschränkungen existieren (z. B. Engpass). Türkischsprachige Seiten beschreiben OMP als Ausstellung von Arbeitsaufträgen für das Order Management und als Koordination zwischen Kanälen.⁸

Darüber hinaus soll GaiS „Strategy Management“-Funktionalitäten sowie horizontale Schichten „Getron Data Structure (GDS)“ und „Mass Customization Interface (MCI)“ beinhalten, um Daten zu strukturieren und Verhalten zu parametrisieren; letzteres scheint der primäre Mechanismus zu sein, durch den Getron GaiS an unterschiedliche Kontexte ohne maßgeschneiderte Entwicklung anpasst.¹¹¹

Über diese Module hinweg ist das gemeinsame Ergebnis rangierte Arbeitsaufträge, nicht nur Dashboards. Dies erfüllt die Anwenderanforderung, mehr als „basic CRUD“ zu sein: Das System entscheidet aktiv und fordert Menschen zur Ausführung auf.

Porta und der Pharmabranche

Getrons Porta-Produkt verdient eine gesonderte Erwähnung, da es ein anderes Reifestadium offenbart. Die Porta-Seite behauptet, dass mehr als 9.600 von etwa 10.000 türkischen Apotheken Getron-Dienste für Dinge wie Promotionsmanagement und KI-getriebene Bestellprozesse nutzen (über 96% Abdeckung).⁷

Ein türkischer Pharmanews-Artikel über eine Zusammenarbeit zwischen Boehringer Ingelheim und Getron berichtet, dass Getron-Dienste in diesem Projekt „aktiv von 70% der Apotheken in der Türkei genutzt wurden“, was darauf hindeutet, dass Porta (oder sein Vorgänger) bereits eine erhebliche Durchdringung erreicht hatte.⁸ Während sich der Artikel teilweise noch auf Getrons eigene Aussagen stützt, handelt es sich zumindest um eine unabhängige Medienquelle, die den Einsatz zitiert.

Aus funktionaler Sicht scheint Porta als Knotenpunkt zwischen Pharmaherstellern, Distributoren und Apotheken zu fungieren, indem es KI einsetzt, um Bestellvorschläge zu generieren, Werbebudgets zu verwalten und Kampagnen zu koordinieren. Dieser vertikale Fokus, kombiniert mit langjähriger Nutzung nationaler Arzneimittelüberwachungsdaten, verleiht Getron vermutlich eine starke Expertise in Apotheken- und Pharma-Großhandels supply chains, auch wenn technische Details nicht offengelegt werden.

Technologie-Stack und Architektur

Hosting-Modell und Plattformaussagen

Drittanbieter-Profile und Marktplatzlisten stimmen darin überein, dass GaiS als cloud-native SaaS/PaaS-Plattform geliefert wird, typischerweise gehostet auf Microsoft Azure.²¹¹ Datanyze beschreibt Getron als Anbieter eines „skalierbaren SaaS/PaaS-Modells zur Automatisierung und Verbesserung der täglichen Abläufe“, das sowohl KMUs als auch Großunternehmen bedient.² Microsofts Marktplatzlistung für Getron AI Services positioniert es als eine auf Azure aufgebaute, „AI-native holistische Lösung für Lagerbestandsplanung und -management“ mit dem Fokus auf die schnelle Verbesserung der Lagerbeständeffizienz.¹¹

Getrons eigene Materialien betonen zwei interne Plattform-Abstraktionen:

Getron Data Structure (GDS) – ein proprietäres Datenschema, das transaktionale, Stammdaten und Referenzdaten über Kunden hinweg vereinheitlicht.
Mass Customization Interface (MCI) – eine Konfigurationsschicht, die es ermöglicht, GaiS für jedes Unternehmen anzupassen, ohne den Code neu zu schreiben, und angeblich ein schnelles Onboarding sowie branchenspezifische Logik unterstützt.¹¹¹

Allerdings beschreibt keine öffentliche Dokumentation:

die zugrunde liegenden Datenbanktechnologien (SQL vs. NoSQL, Spalten- vs. Zeilenspeicher),
das Zeitplanmodell für nächtliche oder intratägliche Abläufe,
die Mechanismen zur Nebenläufigkeit und Skalierung,
oder die genaue Form von GDS (relationales Schema, Graph, Key-Value etc.).

Die einzigen konkreten technischen Fakten, die verfügbar sind, sind peripher: Website-Technologie-Stacks von Tracking-Tools (WordPress/MySQL/Cloudflare etc.) und generische Marktplatzplatzierungen. Es gibt keine offenen APIs, SDKs oder technischen Whitepapers, die eine Integration über die allgemeinen Aussagen hinaus, dass GaiS ERP-agnostisch ist und sich über Datenfeeds mit mehreren ERPs integrieren lässt, detailliert beschreiben.¹¹¹⁶

Im Gegensatz dazu liefert Lokad detaillierte technische Dokumentation über seine Architektur (event-sourced store, custom VM, DSL etc.).¹⁴ Für Getron müssen wir daher alle Architekturansprüche als high-level Marketing-Aussagen behandeln, nicht als technisch belegte Designbeschreibungen.

Tech-Team und Forschungspräsenz

Obwohl die internen Abläufe der Plattform undurchsichtig sind, sind Getrons Mitarbeiter und Forschungskontakte besser dokumentiert:

Die Management-Team-Seite listet Rollen wie CEO (Sarven Siradağ), Chief Business Officer (Dr. Engin Yeşil), Chief Algorithms Officer (Furkan Dodurka) und Chief Customer Officer auf, wobei starke akademische Hintergründe betont werden.¹⁷
Google Scholar-Profile zeigen, dass Engin Yeşil und Co-Autoren zu fuzzy cognitive maps, fuzzy controllers, heuristischen Algorithmen für Routing und fallbasiertem Schließen publiziert haben.⁵
Ein Dokument eines Calaméo-Entrepreneurship-Kurses beschreibt „Getron Advisor“ als ein Entscheidungsunterstützungssystem, das „computational intelligence and fuzzy logic methods“ einsetzt, um Empfehlungen zu generieren.⁶ Dies legt nahe, dass die erste Optimierungs-Engine des Unternehmens auf fuzzy AI-Techniken beruhte.
Ein Paper aus dem Jahr 2023 über fuzzy linguistische Begriffsgenerierung für Zeitreihenprognosen stellt explizit fest, dass die Forschung von einem TÜBİTAK-Zuschuss an Getron Bilisim Hizmetleri finanziert wurde und listet Getron-Mitarbeiter unter den Autoren auf, was die aktive Beteiligung an fuzzy/forecasting Forschung in den 2020er Jahren bestätigt.⁴

Zusammen deuten diese Elemente darauf hin, dass fuzzy Logik und fortgeschrittene Zeitreihenforschung plausiblerweise in die Prognose-Engine von GaiS eingebettet sind, aber das Unternehmen hat sich dafür entschieden, nicht offenzulegen, wie diese Methoden in der Produktion operationalisiert werden (z. B. ob PBD auf fuzzy linguistischen Begriffsmodellen oder konventionellerem ML basiert).

KI, Machine Learning und Optimierungsbehauptungen

Was Getron behauptet

Anbieter- und Marktplatzbeschreibungen wiederholen eine Reihe von Behauptungen über GaiS:¹²³¹¹

„AI-native holistische Lagerbestandsplanung und -management“ und „AI & ML Algorithmen“ stehen im Mittelpunkt aller Module.
Eine „Multi-Model-Demand-Forecasting-Engine“, die aus großen Mengen von Transaktionsdaten lernt.
Automatisierte Generierung von präskriptiven Arbeitsaufträgen (Nachschub, Zuteilung, Preisreduzierungen, Delisting, Preisgestaltung, Bestellweiterleitung).
Starke Automatisierung: Ab 2025 laufen angeblich über 80% der Arbeitsaufträge autonom.¹
Schneller Mehrwert: Daten-Onboarding innerhalb von Wochen, mit einer Rendite in etwa zwei Monaten, so einige Profile.²¹⁶

F6S geht noch weiter und erklärt, dass Getron „im Wesentlichen den täglichen Datensammlungs- und Entscheidungsfindungsprozess seiner Kunden an seine internen KI- und ML-Algorithmen auslagert, was zu nahezu vollständiger Automatisierung und weniger Abhängigkeit von traditionellen, fehleranfälligen Methoden führt.“³ Diese Darstellung ist wichtig: Sie präsentiert GaiS als eine Art KI-Autopilot für die operative supply chain.

Belege zur Untermauerung oder Qualifizierung dieser Behauptungen

1. Fortschrittlichkeit der Prognose. Das TÜBİTAK-finanzierte Paper über fuzzy linguistische Begriffsgenerierung für Zeitreihenprognosen – explizit mit Getron verknüpft – zeigt, dass das Unternehmen an nicht-trivialer Prognoseforschung teilnimmt: Die Arbeit untersucht erweiterte fuzzy linguistische Begriffssätze und ihren Einsatz in Prognosen mit zugehörigen Vertrauensniveaus.⁴ Dies ist erheblich fortgeschrittener als naive exponentielle Glättung. Allerdings:

Das Paper gibt nicht an, dass die Methode in der Produktion innerhalb von GaiS verwendet wird.
Keine öffentliche Dokumentation verbindet PBD/PST/PSP direkt mit dieser Modellklasse.
Es gibt keine Benchmarks (z. B. M-Wettbewerbe), in denen Getron die Prognoseleistung im Vergleich zu anderen Methoden demonstriert.

Die sicherste Schlussfolgerung ist, dass Getron wahrscheinlich fuzzy/linguistische und Multi-Model-Ideen in seine interne Prognose-Engine integriert hat, aber der Umfang des Einsatzes und die relative Leistung gegenüber dem Stand der Technik der probabilistischen Prognose bleiben unbekannt.

2. Entscheidungsoptimierung und präskriptive Analytik. Das Vorhandensein präskriptiver Module (PST, ARE, PSP, PRIX, OMP) und die konstante Betonung von „Arbeitsaufträgen“ zeigen, dass GaiS nicht nur eine Dashboard- oder deskriptive Analyseschicht ist.¹²² Die Calaméo-Beschreibung von Getron Advisor, die computational intelligence und fuzzy logic für die Entscheidungsunterstützung einsetzt, zusammen mit akademischen Arbeiten zu fuzzy controllers und Routing-Heuristiken von mit Getron verbundenen Autoren, liefert eine plausibel technische Grundlage für präskriptives Verhalten.⁵⁶

Allerdings gibt es keine öffentlich zugängliche Formulierung von:

dem Optimierungsziel (Profit, Kosten, Servicelevel etc.),
den modellierten Einschränkungen (Kapazität, MOQs, Budgets, Haltbarkeit),
oder den verwendeten Algorithmen (exakte Solver vs. Heuristiken vs. stochastische Suche).

Angesichts der Forschungshistorie des Unternehmens ist es vernünftig anzunehmen, dass heuristische / fuzzy regelbasierte Optimierung plus maschinell erlernte Prognosen PST/ARE/PSP zugrunde liegen, doch bleibt dies spekulativ statt dokumentierter Tatsache.

3. Automatisierungsgrad. Getrons „Our Story“-Zeitleiste behauptet, dass bis 2025 mehr als 80% der GaiS-Arbeitsaufträge autonom ablaufen, wobei Menschen Ausnahmen überprüfen.¹ F6S untermauert den Begriff der „nahezu vollständigen Automatisierung“ der täglichen Entscheidungen.³ G2-Bewertungen (über 20 Bewertungen mit einem Durchschnitt von 4,9/5) sind überwiegend positiv, wobei die Benutzerfreundlichkeit, die Qualität der Empfehlungen und die Verringerung manueller Aufwände hervorgehoben werden, obwohl sie keine quantitativen Automatisierungsraten angeben.¹⁰

Eine unabhängige Bestätigung der automatisierten Entscheidungsraten fehlt: Fallstudien, sofern vorhanden, sprechen eher in qualitativen Begriffen („verbesserte Warenverfügbarkeit“, „reduzierter Überbestand“), anstatt Automatisierungsprozentsätze oder kontrollierte A/B-Tests zu veröffentlichen. Für den Apothekensektor weist ein Artikel von Winally auf eine breite Nutzung von Getron-Diensten in türkischen Apotheken hin, quantifiziert die Automatisierung jedoch nicht.⁸

Zusammenfassend ist ein hoher Automatisierungsgrad plausibel in relativ strukturierten Aufgaben (Apotheken-Nachschub, Modezuweisung), aber der genaue Prozentsatz lässt sich anhand öffentlicher Belege nicht verifizieren.

4. „AI-native“ vs. Marketing-Buzzwords. Im Vergleich zu vielen Unternehmenskunden werden Getrons KI-Behauptungen zumindest teilweise durch technische Indikatoren untermauert:

Senior Leadership mit mehreren Publikationen zu fuzzy und KI-Methoden;⁵
ein branchenfinanziertes, peer-reviewtes Prognoseprojekt;⁴
eine lange Geschichte der Computational Intelligence in früheren Produkten.⁶

Gleichzeitig steht der Mangel an technischer Dokumentation im Gegensatz zu Deep-Tech-Konkurrenten, die ihre probabilistischen Modellierungspipelines, Optimierungsparadigmen und Sprachsemanetik dokumentieren. Es gibt keine offenen APIs für fortgeschrittene Nutzer, keine DSL- oder Skriptbeispiele und keine Benchmarking-Ergebnisse. Auf dieser Grundlage sollte GaiS eher als KI-verbesserte präskriptive Suite mit einer ernsthaften Forschungshistorie, aber begrenzter externer Überprüfbarkeit betrachtet werden, statt als transparent modernste probabilistische Optimierungsplattform.

Im Gegensatz dazu veröffentlicht Lokad detaillierte technische Dokumente zu Envision, probabilistischer Prognose, stochastischem diskretem Abstieg und latenter Optimierung, wodurch sein KI- und Optimierungsstack effektiv „white-geboxed“ wird.¹³¹⁵¹⁴

Bereitstellung, Integration und Rollout

Getrons türkische „SSS“ (FAQ) Seiten und verschiedene Profile skizzieren ein SaaS-Abonnement-Modell ohne anfängliche Lizenzinvestition und mit schnellem Onboarding:¹⁶²

GaiS wird in der Cloud (Azure) gehostet, mit Zugriff über den Browser und ohne Anforderungen an lokale Hardware.
Kunden exportieren Daten aus ihren POS/ERP-Systemen und speisen sie per Batch-Übertragung oder Integration in GaiS ein.
Die anfängliche Einrichtung konzentriert sich darauf, die Kundendaten über das Mass Customization Interface in die Getron Data Structure zu überführen.
Erste präskriptive Ergebnisse (Arbeitsaufträge) werden innerhalb weniger Wochen erwartet; ein Datanyze-Profil erwähnt einen ROI von etwa zwei Monaten.²

Die FAQ betont zudem, dass das System mit kontinuierlicher Datenaufnahme und täglicher Generierung von Arbeitsaufträgen arbeitet, was auf eine Batch- oder nahezu tägliche Planung hinweist, statt auf eine Echtzeitoptimierung.¹⁶

Es wird keine detaillierte Implementierungsmethodik veröffentlicht (z. B. Phasen, Datenqualitätsprüfungen, Schattenmodus vs. Vollbetrieb), und es gibt keine unabhängigen Berichte über typische Implementierungsdauern bei mehreren Kunden. Im Vergleich zu Lokads gut dokumentiertem Vier-Schritte-Zyklus (Datenintegration, probabilistische Modellierung, Entscheidungsoptimierung, kontinuierliche Verbesserung) und explizitem Supply Chain Scientist-Engagement-Modell verbleibt Getrons Bereitstellungsansatz größtenteils auf Slogan-Niveau („schnelles Onboarding“, „Mass Customization“, „bewährter ROI+“).

Geschäftliche Reife und Kundenbasis

Getron scheint ein mittelständisches, privat geführtes Unternehmen zu sein:

Unternehmensprofile führen es in Software/Datenservices mit GaiS als Hauptproduktlinie auf.²⁹
Auszeichnungen (z. B. Corporate Vision’s „AI Global Excellence Awards 2023“) beschreiben Getron als ein etabliertes Unternehmen, das sich von Fintech und Gesundheitswesen in Richtung KI-gesteuerter supply chain Optimierung transformiert und betonen dabei das Mass Customization Interface und die GDS als Alleinstellungsmerkmale.¹⁰
Es gibt keine öffentlichen Finanzierungsankündigungen, M&A-Transaktionen oder Börsengänge.

Die auf Getrons Website gezeigten Kundenlogos umfassen bekannte Marken in den Bereichen Pharma, FMCG und Mode (z. B. GSK, Merck, Hummel, Karl Lagerfeld und andere), aber öffentliche, von Dritten verifizierte Fallstudien sind rar. Die Zusammenarbeit mit Boehringer Ingelheim im türkischen Pharmasektor ist einer der wenigen unabhängig berichteten Einsätze.⁸

Das Nutzerfeedback auf G2 ist positiv (4,9/5 aus über 20 Bewertungen), wobei die Benutzer die einfache Integration, die Qualität der Empfehlungen und den Support loben, wenngleich diese Bewertungen hauptsächlich von selbstgewählten Kunden stammen und keinen rigorosen Beweis für die langfristige Leistung darstellen.¹⁰

Im Pharmabereich/Apothekensektor deutet die Kombination aus Getrons Rolle im türkischen Arzneimittelüberwachungssystem, Portas Reichweite und dem Einsatz bei Boehringer Ingelheim auf eine beträchtliche reale Nutzung und fachspezifische Kompetenz hin. Im Bereich Mode und im breiteren Einzelhandel wirkt die Einführung noch relativ neu und weniger unabhängig dokumentiert. Insgesamt kann Getron als geschäftlich reifer Nischenanbieter in bestimmten Vertikalen klassifiziert werden (kein Early-Stage-Startup), aber seine internationale Präsenz und die Breite der Referenzen bleiben schwer quantifizierbar.

Schlussfolgerung

Aus technischer und kommerzieller Sicht ist Getrons GaiS-Plattform mehr als ein herkömmliches Berichts- oder regelbasiertes APS-Tool. Die Produktfamilie (PST, ARE, PBD, PSP, PRIX, OMP, Porta) liefert präskriptive Arbeitsaufträge, die KI-gesteuerte Prognosen und Diagnosen in konkrete Maßnahmen umsetzen, und ihre Architektur umfasst deutlich erhebliche Automatisierung für tägliche Bestands-, Liefer- und Preisentscheidungen. Die Führung des Unternehmens verfügt über einen soliden akademischen Hintergrund in Fuzzy-Logik und Steuerung; es gibt ein aktuelles, ausdrücklich dokumentiertes, von TÜBİTAK gefördertes Prognoseprojekt; und die Verbreitung des Porta-Produkts in türkischen Apotheken wird durch mindestens einen unabhängigen Artikel belegt.⁸⁴⁵ Diese Elemente verleihen Getrons KI- und Optimierungsansatz glaubhafte Substanz.

Allerdings ist die öffentliche Evidenz nicht ausreichend, um GaiS im strengen, forschungsorientierten Sinne als „state-of-the-art“ zu klassifizieren:

Prognose- und Optimierungsansätze sind technisch nicht dokumentiert; wir schließen nur indirekt auf Raffinesse aus akademischen Arbeiten sowie generischen „multi-model“ und „AI & ML“ Bezeichnungen.
Es gibt keine offenen Benchmarks, Wettbewerbe oder Vergleichsstudien, die die Leistung von GaiS im Vergleich zu etablierten probabilistischen oder Optimierungsmethoden zeigen.
Architekturdaten (Datenmodell, Ausführungs-Engine, Constraints-Modellierung, Szenarien-Generierung) bleiben undurchsichtig.
Automatisierungsanteile und ROI-Zeitleisten sind Anbieterangaben und keine unabhängig geprüften Kennzahlen.

Mit anderen Worten, Getron erscheint als eine technisch ernstzunehmende, aber im Wesentlichen Black-Box-KI-Suite: Sie integriert wahrscheinlich nicht triviale Prognosemodelle und Fuzzy-/heuristische Optimierung, insbesondere im Einzelhandel und in der Pharmazie, entscheidet sich jedoch dafür, ihre Methoden nicht offenzulegen. Für potenzielle Nutzer ergeben sich daraus folgende Implikationen:

Für Einzelhandels-/Pharma-Netzwerke, die einen gebündelten KI-Autopiloten für Nachschub, Preisabschläge und grundlegende Preisgestaltung suchen – mit minimalem Bedarf, in die Algorithmen hineinzublicken – könnte GaiS attraktiv sein, insbesondere angesichts des offensichtlichen Erfolgs im türkischen Apothekensektor.
Für Organisationen, die tiefe technische Transparenz, explizite probabilistische Modellierung von Unsicherheiten oder die Möglichkeit, ihre eigene Optimierungslogik zu entwerfen und zu besitzen, erfordern, bietet GaiS derzeit weit weniger Einsicht als eine Plattform wie Lokad, die ihre DSL, den probabilistischen Prognose-Stack und Optimierungsalgorithmen offen dokumentiert.¹³¹⁵¹⁴

Eine vorsichtige, evidenzbasierte Bewertung würde Getron daher als einen reifen, vertikalisierten Anbieter von KI-Anwendungen mit einem forschungsbewussten, aber undurchsichtigen Technologiestack einstufen – statt als eine vollständig „white-boxed“ Vorreiterplattform in der probabilistischen supply chain Optimierung. Jegliche konkrete Beurteilung seiner relativen Leistung sollte auf kontrollierten Pilotprojekten beruhen, die seine Empfehlungen und finanziellen Ergebnisse im Vergleich zu alternativen Methoden im spezifischen Anwendungszusammenhang evaluieren.