Rezension von Getron, KI-gestütztem Supply Chain Softwareanbieter

Von Léon Levinas-Ménard
Zuletzt aktualisiert: April, 2025

Zurück zu Marktforschung

Getron, 2003 gegründet und als “Ihr Data & AI Partner” positioniert, bietet eine Suite integrierter Software-Tools, die darauf abzielen, das Bestands- und supply chain management zu optimieren. Die Plattform umfasst vorschreibende, prädiktive und diagnostische Services – einschließlich automatisierter Lagertransaktionen, Preis- und Kostenprognosen sowie Auftragsverwaltung – alles bereitgestellt über eine cloud-native, auf Microsoft Azure basierende SaaS/PaaS-Lösung. Mit dem Versprechen einer schnellen Implementierung (in nur zwei Wochen) und einem raschen ROI basiert Getrons Lösung auf einer proprietären Datenstruktur (GDS) und einem No-Code Mass Customization Interface, das darauf ausgelegt ist, die Regelsetzung und ERP-Integration zu vereinfachen. Eine kritische Überprüfung der öffentlich zugänglichen Details zeigt jedoch, dass, obwohl Getron KI-gestützte Entscheidungsfindung und Erklärbarkeit (xAI) bewirbt, seine technischen Offenlegungen zu den zugrunde liegenden Algorithmen und Optimierungsmethoden, die seine Versprechen untermauern, vage bleiben.

Unternehmenshintergrund und Geschichte

Laut seinem LinkedIn-Profil wurde Getron 2003 gegründet und bezeichnet sich selbst als branchenübergreifender “Data & AI Partner”, der den Einzelhandel, das Gesundheitswesen, die Fertigungsindustrie, den Energiesektor und die Automobilbranche bedient1. Obwohl einige Online-Recherchen mögliche Akquisitionsszenarien vermuten lassen, bestätigen öffentlich zugängliche Informationen keine bedeutenden Übernahmeereignisse in der Geschichte des Unternehmens.

Produktübersicht und Funktionsweise

Getron vermarktet eine integrierte Suite von KI-Dienstleistungen zur Bewältigung vielfältiger Herausforderungen im Bereich des Bestands- und supply chain management:

  • Getron PST (Prescriptive Stock Transactions): Entwickelt, um Arbeitsaufträge zur Bewegung von Lagerbeständen zwischen Lagern, Lieferanten und Geschäften zu generieren und automatisch auszuführen, mit “xAI-gestützter Technologie”, die die zugrunde liegenden Entscheidungen erklärt2.
  • Getron ARE (Action Recommended Entities): Fokussiert auf die Optimierung von Preisabschlägen, Wiederkaufstrategien und Delisting-Empfehlungen.
  • Getron PBD (Predictive Business Diagnostics): Bietet prädiktive Diagnosen auf Basis mehrerer KPIs und dashboardgesteuerte Einblicke.
  • Getron PSP (Prescriptive Supply Planning): Ermöglicht eine langfristige Supply Chain Planung mit Bedarfsprognosen und Szenarioanalysen.
  • Getron PRIX (Prescriptive Cost and Pricing): Sagt gleichzeitig Kosten, Nachfrage und Preise voraus und berücksichtigt dabei Preiselastizität sowie saisonale Effekte.
  • Getron OMP (Order Management & Planning): Optimiert Auftragsabläufe und integriert sich in die ERP-Systeme der Kunden.

Technologie und Architektur

Getron betont ein flexibles, cloud-natives Bereitstellungsmodell, das auf SaaS/PaaS-Prinzipien basiert. Die gesamte Lösung wird auf Microsoft Azure gehostet, was eine schnelle Implementierung und reduzierte Hardwareinvestitionen verspricht34. Ein zentrales technologisches Merkmal ist die Verwendung der proprietären “Getron Data Structure (GDS)”, die Rohdaten für eine effiziente Verarbeitung transformiert und angeblich den Bedarf an spezialisierten Data-Science-Teams verringert. Darüber hinaus wird das Mass Customization Interface (MCI) als eine No-Code-Plattform vermarktet, die es Kunden ermöglicht, individuelle Geschäftsregeln zu definieren und sich nahtlos in ERP-Systeme von Drittanbietern zu integrieren, obwohl nur wenige technische Implementierungsdetails offengelegt wurden5.

Bereitstellungs- und Roll‑Out-Modell

Marketingmaterialien heben Getrons Fähigkeit hervor, innerhalb von 2 Wochen live zu gehen und einen raschen ROI in nur 2 Monaten zu erzielen. Die gesamte Lösung wird über ein cloudbasiertes Modell bereitgestellt, das lokale Installationen überflüssig macht und die Sicherheits- sowie Leistungsmerkmale von Azure nutzt. Dieser Ansatz der schnellen Implementierung steht im Gegensatz zu herkömmlichen, langsamer ablaufenden Roll-outs von Unternehmenssoftware, wenngleich die Versprechen mit dem Hinweis einhergehen, dass nur begrenzt öffentlich verfügbare technische Belege für solche beschleunigten Zeitpläne existieren4.

Analyse der KI-, ML- und Optimierungskomponenten

Getron behauptet, dass seine Plattform künstliche Intelligenz einsetzt, um umsetzbare Arbeitsaufträge zu generieren, fortschrittliche Bedarfsprognosen zu erstellen und Bestandsniveaus mithilfe von Multi-Model-Ansätzen zu optimieren. Der Einsatz von “explainable AI (xAI)” wird als Mittel hervorgehoben, um Transparenz in der Entscheidungslogik zu bieten. Ein genauerer Blick offenbart jedoch mehrere kritische Punkte:

  • Vage Methodologien: Trotz häufiger Hinweise auf KI/ML werden nur wenige detaillierte Informationen zu den spezifischen Algorithmen, Modellarchitekturen oder den eingesetzten Optimierungstechniken bereitgestellt.
  • Datenanforderungen vs. Versprechen: Es besteht ein offensichtlicher Widerspruch zwischen den Behauptungen einer effektiven Funktionsweise mit minimalen historischen Daten und Empfehlungen, die die Verwendung von mindestens zwei Jahren an Daten zur Erfassung der Saisonalität nahelegen.
  • Optimierungsansatz: Obwohl das System Berichten zufolge das Bestandsmanagement, Strategien für Preisabschläge sowie Kosten- und Preisempfehlungen optimiert, bleibt unklar, ob diese von ausgeklügelten, dynamischen ML-basierten Algorithmen oder lediglich von heuristischen und statistischen Methoden gesteuert werden.

Stellenangebote und Technologie-Stack

Informationen von Getrons Karriereseite betonen eine remote, agile Arbeitskultur mit einem vielfältigen Team, liefern jedoch wenig Details über den zugrunde liegenden Technologie-Stack. Indirekte Hinweise von Drittanbietern deuten auf den Einsatz standardmäßiger Webtechnologien (HTML5, Apache Server, etc.) hin, aber nähere Angaben zu Backend-Programmiersprachen oder KI/ML-Bibliotheken wurden nicht offengelegt6.

Getron vs Lokad

Ein deutlicher Kontrast tritt zutage, wenn man Getrons Angebot mit Lokads gut dokumentierter Quantitative Supply Chain Plattform vergleicht. Während Getron eine schnell einsetzbare, integrierte Suite bewirbt, die auf einer proprietären Datenstruktur und einer No-Code-Konfigurationsschnittstelle basiert, bleiben seine technischen Offenlegungen begrenzt und seine KI/ML-Grundlagen weitgehend unbestätigt. Im Gegensatz dazu verfolgt Lokad – 2008 gegründet – eine rigorose, forschungsbasierte Entwicklung in der Optimierung von supply chain management. Lokads Plattform nutzt eine maßgeschneiderte fachdomänenspezifische Sprache (Envision), um individualisierte Optimierungs “apps” zu erstellen, und setzt fortschrittliche probabilistische Prognosen, Deep-Learning-Techniken und sogar differentiable Programming ein, um in Echtzeit Entscheidungen mit hoher Präzision zu treffen7. Wo Getron auf einen schnellen ROI und Einfachheit setzt, investiert Lokad in den Aufbau eines volltransparenten, modularen und mathematisch fundierten Ansatzes zur Automatisierung von supply chain Entscheidungen, wenngleich dies den Nachteil hat, dass von seinen Nutzern ein höheres technisches Know-how verlangt wird.

Fazit

Getron präsentiert eine attraktive Vision mit seiner integrierten Suite von KI-gestützten Dienstleistungen, die darauf abzielen, das Bestands- und supply chain management zu transformieren, indem sie eine schnelle Implementierung und verbesserte operative Ergebnisse versprechen. Die Rezension zeigt jedoch erhebliche Mängel in der technischen Transparenz in Bezug auf seine KI/ML- und Optimierungsmethoden. Im Vergleich zu technologisch ausgereiften Plattformen wie Lokad – die ein tiefes, forschungsbasiertes Engagement in der quantitativen supply chain Optimierung demonstrieren – mag Getrons Ansatz zwar eine einfache Implementierung bieten, reicht jedoch nicht aus, um überprüfbare Details zu liefern. Unternehmen, die Getron in Betracht ziehen, sollten den Nutzen einer schnellen Implementierung gegen den Bedarf an einer robusten, klar artikulierten technologischen Grundlage abwägen und von einer weiteren unabhängigen technischen Validierung profitieren, bevor sie eine vollständige Einführung vornehmen.

Quellen