Rezension von John Galt Solutions, Supply Chain Planung Softwareanbieter

Von Léon Levinas-Ménard

Zuletzt aktualisiert: November, 2025

John Galt Solutions ist ein in den USA ansässiger Supply Chain Planung Softwareanbieter, der 1996 gegründet wurde und sich von einem frühen Fokus auf Excel-basiertes Forecasting (ForecastX) zu einer cloud-basierten, KI-gebrandeten Atlas Planning Platform entwickelt hat, die Demand Planning, S&OP/IBP, Inventory und Supply Planning, Production Scheduling und verwandte Workflows für mittelständische und größere Unternehmen abdeckt. Es positioniert Atlas als eine einheitliche SaaS-Plattform auf Microsoft Azure, die die End-to-End-Planung “verbindet und orchestriert”, wobei kürzlich ein Schwerpunkt auf probabilistisches Planning, Multi-echelon Inventory Optimization (MEIO), Ensemble Forecasting und erklärbare KI-Funktionen gelegt wurde, die auf Machine-Learning-Modellen aufbauen. Das Unternehmen scheint in Privatbesitz zu sein und weitgehend eigenfinanziert, ohne öffentliche Venture-Runden, und vermarktet ein beratungsintensives Bereitstellungsmodell, das mit namhaften Kunden wie Reddy Ice, Mars, Netgear, Ping, Sara Lee Frozen Bakery und anderen aus den Bereichen CPG, Lebensmittel und Getränke, Aftermarket-Teile, industrielle Fertigung und Einzelhandel zusammenarbeitet. Öffentlich zugängliche Dokumentationen, Analystennotizen und Pressemitteilungen bestätigen die kommerzielle Traktion und die breite funktionale Abdeckung, liefern jedoch nur begrenzte detaillierte Informationen zu den zugrunde liegenden Algorithmen, Datenstrukturen oder dem Engineering-Stack; infolgedessen bleiben viele der “KI”- und “fortgeschrittene Optimierungs”‑Behauptungen auf Marketing-Niveau und müssen bei der Bewertung, wie fortschrittlich die Technologie tatsächlich ist, vorsichtig interpretiert werden.

John Galt Solutions Überblick

Aus unternehmerischer Sicht ist John Galt Solutions (JGS) ein unabhängiger Softwareanbieter, der sich auf Forecasting und Supply Chain Planning konzentriert. Englischsprachige Quellen beschreiben die Firma als 1996 gegründet von Anne Omrod (häufig geschrieben als Omrod/Omrod) und Mark Holm, ursprünglich mit Hauptsitz in Chicago, Illinois.¹² Die japanischsprachige Berichterstattung über das Unternehmen, die sich auf frühe technische Veröffentlichungen bezieht, datiert dessen Ursprung ähnlich in die Mitte der 1990er Jahre und betont seine Wurzeln in der Geschäftsprognose und im Data Warehousing.³ Die unternehmenseigene Seite “Our Story” gibt lediglich an, dass seit 1996 “mit führenden Unternehmen zusammengearbeitet” wird, ohne Eigentums- oder Finanzierungsstruktur offenzulegen.⁴ Drittanbieterprofile (CB Insights, Tracxn, verschiedene Anbieterverzeichnisse) führen John Galt als privat geführt ohne dokumentierte größere institutionelle Finanzierungsrunden auf, was auf organisches oder leicht von Angel-Investoren finanziertes Wachstum anstatt klassischer VC-Expansion hindeutet.⁵⁶⁷

Funktional präsentiert sich JGS als Spezialist für Demand Forecasting und end-to-end Supply Chain Planning. Die öffentliche Website startet mit “The fastest way to get more value from your supply chain” und bietet zwei Hauptprodukte an: die Atlas Planning Platform (eine cloudbasierte SaaS-Plattform) und ForecastX (ein Excel-Add-In für One-Click Forecasting).⁸ Analystenberichte und Anbieterverzeichnisse beschreiben Atlas durchgängig als Lösung, die Demand Planning, S&OP/IBP, Inventory Optimization, Supply Planning, Production Scheduling sowie Distribution/Delivery Planning für mittelständische und Unternehmenskunden in verschiedenen Branchen abdeckt.⁵⁹¹⁰ Im Gegensatz dazu richtet sich ForecastX an Planer, die primär mit Tabellenkalkulationen arbeiten, und bietet Zeitreihen-Forecasting-Methoden über Excel.⁸

Im Verlauf des letzten Jahrzehnts hat JGS seine Markenbildung von “forecasting and demand planning tools” hin zu “AI-driven end-to-end supply chain planning” verlagert, wobei Atlas als Flaggschiff-Lösung positioniert wird und ForecastX einen leichteren Einstiegspunkt darstellt.³⁸ Atlas ist im Microsoft Azure Marketplace verfügbar, wo Microsoft es als “eine einheitliche, KI-getriebene Software as a Service (SaaS)-Lösung” beschreibt, die die end-to-end Supply Chain verbindet und orchestriert – von S&OP/IBP über Demand, Supply, Inventory, Production bis hin zur Delivery Planning.⁹ Kürzliche Pressemitteilungen heben fortgeschrittene Analytik, probabilistisches Planning, Multi-echelon Inventory Optimization (MEIO), Ensemble Forecasting und, neuerdings, erklärbare KI (xAI) sowie generative KI-Assistenten (“Galt Intelligence”) hervor, die auf Machine-Learning-Modellen aufbauen.¹¹

Kommerziell behauptet JGS, eine breite Kundenliste vorweisen zu können, darunter bekannte Marken wie Mars, Netgear, Ping, Sara Lee Frozen Bakery, Reddy Ice und andere, was durch Logos und Fallstudien auf der Unternehmenswebsite demonstriert wird.⁸ Unabhängige Fallstudien-Aggregatoren bestätigen mindestens einige dieser Beziehungen (z. B. Reddy Ice).¹² Analystenfirmen wie Nucleus Research und Gartner führen JGS/Atlas durchgängig in ihren Landschaften der Supply Chain Planning Anbieter auf und heben dabei manchmal eher Benutzerfreundlichkeit und schnelle Wertgenerierung als tiefgreifende technische Innovation als Hauptunterscheidungsmerkmale hervor.¹³¹⁴ Insgesamt zeichnet sich das Bild eines reifen, kommerziell etablierten Anbieters mit signifikanter Branchenerfahrung ab, dessen öffentliche technische Darstellung stark auf KI/Automatisierung ausgerichtet ist, jedoch relativ wenig überprüfbare, technische Details auf niedriger Ebene liefert.

Unternehmenshintergrund und Geschichte

Frühe Beschreibungen von JGS zeichnen das Unternehmen als Spezialisten für Forecasting und Data Warehousing. Ein häufig zitierter Support-Artikel (“Who is John Galt?”) beschreibt die Firma als “ein privates Unternehmen, gegründet 1996 und fokussiert auf Forecasting- und Demand Planning-Lösungen.”² Die japanische Wikipedia merkt an, dass das Unternehmen in den späten 1990er Jahren einen Excel-basierten Forecasting-Assistenten entwickelt hat, der im M3 Forecasting-Wettbewerb starke Leistungen erzielte, und dass seine Gründer das Lehrbuch Business Forecasting: Practical Problems and Solutions co-verfasst haben – wodurch JGS fest in der klassischen statistischen Forecasting-Tradition verankert ist, anstatt als reiner Software-Start-up zu agieren.³

In verschiedenen Drittanbieterprofilen (Serchen, Technology Evaluation, CB Insights, Tracxn) wird JGS konsequent als mittelgroßer Supply Chain Planning Anbieter kategorisiert, mit geschätzten Mitarbeiterzahlen, die von Zehnern bis zu wenigen Hunderten reichen, und einem in neueren Aufzeichnungen in Austin, Texas angegebenen Hauptsitz.³⁵¹⁵ Eine Pressemitteilung von Newswire aus dem Jahr 2025, die ein Webinar mit Reddy Ice ankündigt, nennt die Kontaktadresse des Unternehmens als “5900 Balcones Drive Ste 4629, Austin, TX 78731” und bestätigt so den Umzug des Hauptsitzes nach Austin.¹⁶ Es gibt keine Hinweise auf bedeutende Übernahmen (weder als Erwerber noch als akquiriertes Unternehmen) in Pressemitteilungen, Nachrichten-Datenbanken oder Unternehmensmeldungen; aktuelle Pressekommunikationen konzentrieren sich auf Produktverbesserungen, Analystenanerkennungen und Kundengeschichten anstelle von M&A-Aktivitäten.¹¹¹⁶¹³

Bezüglich der Finanzierung führen CB Insights und ähnliche Datenbanken John Galt Solutions ohne ausgewiesene VC-Runden auf und bezeichnen es effektiv als “non-VC-backed.”⁶ Tracxn kategorisiert das Unternehmen unter “Supply Chain Tech / Supply Chain Planning” und zeigt ebenfalls keine institutionellen Finanzierungsereignisse, was darauf hindeutet, dass das Wachstum hauptsächlich kundenfinanziert erfolgte.⁷ Es gibt bis Ende 2025 keine öffentlichen Hinweise auf IPO-Pläne oder Private-Equity-Transaktionen.

Produktevolution

Historisch war das zunächst weithin anerkannte Produkt von JGS ForecastX, ein Excel-Add-In, das Forecasting-Methoden wie exponentielle Glättung, Box-Jenkins und andere Zeitreihentechniken innerhalb einer Tabellenkalkulationsoberfläche bereitstellt. Japanische Quellen verbinden ForecastX explizit mit dem frühen Erfolg des Unternehmens, einschließlich starker Leistungen in Forecasting-Wettbewerben.³ ForecastX wird auch heute noch aktiv als “powerful one-click forecasting in Microsoft Excel” vermarktet und richtet sich an Organisationen, die “nach wie vor tabellenkalkulationsbasiert” arbeiten, jedoch bessere statistische Prognosen und Zusammenarbeit innerhalb dieser Umgebung wünschen.⁸

Die Atlas Planning Platform ist die neuere, strategische Produktlinie. Technology Evaluation und andere Analysten beschreiben Atlas als eine einheitliche Suite für Supply Chain Planning, die mindestens sechs Prozessbereiche abdeckt: S&OP/IBP, Demand Planning, Inventory Planning, Supply Planning, Production Scheduling und Distribution/Delivery (Logistik) Planning.⁵⁹ Das im Azure Marketplace gelistete Angebot, das aus der Perspektive von Microsoft verfasst ist, bekräftigt dies, indem es Atlas als eine “SaaS solution to connect and orchestrate the end-to-end supply chain” beschreibt, mit spezialisierten Modulen für S&OP/IBP, Demand Planning (kontinuierliche Planung zur Erfassung und Steuerung der Nachfrage), Supply Planning (Synchronisierung von Ressourcen und Einschränkungen), Inventory Planning (zur Steigerung des Servicelevels bei gleichzeitig freisetzendem Working Capital), Deliver (zur Umwandlung von Bestellungen in “intelligente Shipments”) und Schedule (Optimierung der Fabrikressourcen und -kapazität).⁹

In den letzten Jahren hat JGS den marketingseitigen Schwerpunkt auf KI, probabilistisches Planning und Multi-echelon Inventory Optimization verstärkt. Die Hauptseite hebt “Advanced Analytics”, “Probabilistic Planning”, “Artificial Intelligence” und “What-if Scenarios” als zentrale Plattformfähigkeiten hervor.⁸ Eine Pressemitteilung aus 2025 kündigt erweiterte erklärbare KI-Funktionen an, die Atlas als Kombination aus “advanced analytics und erklärbarer KI (xAI)” positionieren und generative AI (GenAI) nutzen, um die Transparenz und das Vertrauen der Nutzer in MEIO und Ensemble Forecasting zu erhöhen.¹¹ Dieselbe Mitteilung bezieht sich auf einen GenAI-Assistenten (“Galt Intelligence”), der in Atlas integriert ist, um MEIO-Empfehlungen und Ergebnisse des Ensemble Forecasts in Dialogform zu erklären.¹¹ Diese Ergänzungen deuten auf eine inkrementelle Evolution hin: vom Spreadsheet-Forecasting (ForecastX) über eine Multi-Modul-Planungssuite (Atlas) bis hin zur aktuellen Integration von KI/xAI-Funktionen in diese Suite zur Verbesserung der Benutzerfreundlichkeit und des Vertrauens.

John Galt Solutions vs Lokad

Sowohl John Galt Solutions als auch Lokad konzentrieren sich auf Supply Chain Planning und Inventory-Entscheidungen, gehen das Problem jedoch mit deutlich unterschiedlichen technischen Philosophien und Bereitstellungsmodellen an. JGS bietet Atlas als konfigurierbare, benutzerorientierte SaaS-Anwendungssuite an, die um klassische Planungsprozesse herum organisiert ist – Demand Planning, S&OP/IBP, Inventory Planning, Supply Planning, Scheduling – wobei Workflows, UI-Konfiguration und Szenarioanalysen als primäre Anpassungshebel dienen.⁸⁹ Lokad hingegen positioniert seine Plattform als eine programmierbare Umgebung für “predictive optimization of supply chains”, wobei nahezu alle Logik (Datenaufbereitung, Forecasting, Optimierung und ökonomische Bewertung) in einer domänenspezifischen Sprache (Envision) ausgedrückt und in einer maßgeschneiderten, verteilten Engine ausgeführt wird.¹⁷ Mit anderen Worten, JGS verkauft eine Anwendung; Lokad verkauft eine code-zentrierte Plattform plus ein Team von Supply Chain Scientists, um kundenspezifische Optimierungs-Apps darauf aufzubauen.

Im Bereich Forecasting verweist das öffentliche Material von JGS auf “probabilistic planning”, “ensemble forecasting” und den Einsatz von KI/ML-Modellen in den Bereichen Demand und Inventory, dokumentiert jedoch die zugrunde liegende statistische Architektur nicht im Detail.⁸⁹¹¹ Es gibt keine öffentliche technische Dokumentation, die beispielsweise erläutert, ob Atlas vollständige Demand-Verteilungen erstellt, wie Unsicherheiten bei Vorlaufzeiten modelliert werden oder wie Ensemble-Methoden konstruiert und kalibriert werden. Lokad hingegen stellt sein Produkt explizit auf probabilistisches Forecasting aus; in der technischen Dokumentation wird eine Engine beschrieben, die integrierte Demand-Verteilungen über Vorlaufzeiten erzeugt und probabilistische Zufallsvariablen direkt innerhalb seines DSL zur Verfügung stellt, was Berechnungen über vollständige Verteilungen anstelle einzelner Punktprognosen ermöglicht.¹⁸ Die öffentlichen Materialien von Lokad erläutern zudem, wie diese Verteilungen für entscheidungsorientierte Optimierung genutzt werden (z. B. priorisierte Inventory-Auffüllungen mit wirtschaftlichen Treibern).¹⁸¹⁹ Folglich, obwohl beide Anbieter “probabilistic” Fähigkeiten bewerben, bietet Lokad deutlich transparentere und granularere Informationen darüber, wie solche Forecasts berechnet und genutzt werden.

Im Bereich Optimierung und “KI” setzt sich die Divergenz fort. John Galt vermarktet Atlas als eine KI-getriebene Plattform mit Fähigkeiten wie Multi-echelon Inventory Optimization, simultaner multi-objektiver Optimierung und einer GenAI-gestützten xAI-Schicht (“Galt Intelligence”), die MEIO- und Ensemble-Entscheidungen den Planern erklärt.¹¹²⁰ Allerdings werden die spezifischen Optimierungsalgorithmen (z. B. ob gemischt-ganzzahlige Programmierung, Heuristiken oder simulationsbasierte Suche verwendet werden) nicht offengelegt, und es gibt keinen öffentlichen Code oder technischen Artikel, der klärt, wie MEIO oder multi-objektive Kompromisse numerisch gelöst werden. Im Gegensatz dazu stellt Lokad seinen Technologiestack explizit um probabilistische Forecasts sowie maßgeschneiderte stochastische Optimierungsmethoden (z. B. Stochastic Discrete Descent) auf und hebt den Einsatz von differentiable programming hervor, um gemeinsam Forecasting- und Entscheidungsparameter zu erlernen.¹⁷¹⁹ Obwohl die Algorithmen von Lokad ebenfalls proprietär sind, veröffentlicht das Unternehmen technische Dokumentationen und Vorträge, die die numerische Struktur seiner Optimierung erklären (randomisierte Suche über diskrete Entscheidungen, die anhand von Monte-Carlo-Szenarien bewertet werden, in wirtschaftlichen Begriffen ausgedrückt Zielsetzungen usw.) und damit eine tiefere technische Einsicht bieten als übliche Enterprise-Marketingmaterialien.

Aus nutzererfahrungsbezogener Sicht ist Atlas als eine klassischere Unternehmensanwendung konzipiert: Planer arbeiten in browserbasierten Oberflächen, um Hierarchien zu verwalten, Pläne auszuführen, Annahmen anzupassen und Szenarien über Dashboards sowie vordefinierte Workflows zu analysieren. Unabhängige Bewertungen loben Atlas häufig für die Benutzerfreundlichkeit und die Möglichkeit, das UI und die Geschäftsprozesse ohne “langwierige custom builds” zu konfigurieren, was relativ schnelle Implementierungen (z. B. 3–6 Monate) und die Übernahme der Prozesse durch die Planungsteams hervorhebt.¹⁰²¹ Die Umgebung von Lokad ähnelt eher einem Programmierstudio: Zentrale Artefakte sind Envision-Skripte und Datentabellen, und Planer nutzen typischerweise die Ausgaben als priorisierte Entscheidungslisten oder Dashboards, die von Lokad’s Supply Chain Scientists orchestriert werden.¹⁷¹⁹ Dies macht Lokad flexibler bei der Modellierung idiosynkratischer Einschränkungen und wirtschaftlicher Treiber, allerdings auf Kosten eines höheren technischen Aufwands; JGS tauscht etwas Flexibilität zugunsten einer konventionelleren, planerfreundlichen Anwendung ein.

Schließlich gibt es einen philosophischen Unterschied in der Art und Weise, wie Entscheidungen gefasst werden. Die Botschaft von JGS betont „orchestrating the end-to-end supply chain“, indem Planungsprozesse aufeinander abgestimmt werden und Planern AI-gestützte Empfehlungen und Erklärungen bereitgestellt werden – allerdings überwiegend innerhalb standardisierter S&OP/IBP- und Planungsrahmen.⁸⁹¹¹ Lokad stellt ausdrücklich finanzielle Ergebnisse und probabilistisches Risiko in den Mittelpunkt und befürwortet einen entscheidungszentrierten Ansatz, bei dem jede Empfehlung in monetären Begriffen bewertet und als priorisierte Aktionsliste präsentiert wird, anstatt als ein Plan, der an feste Service-Level-KPIs gebunden ist.¹⁷¹⁹ Für Organisationen, deren Kultur stark prozessorientiert und S&OP-zentriert ist, mag die Struktur von Atlas vertrauter erscheinen; für jene, die eine radikalere, wirtschaftsorientierte Neugestaltung der Planung anstreben, ist Lokads Ansatz strukturell anders.

Technologie und Architektur

Plattformarchitektur und Bereitstellungsmodell

Atlas wird als Multi-Mandanten-SaaS-Anwendung bereitgestellt, die auf Microsoft Azure gehostet wird – wie ihre Verfügbarkeit im Azure Marketplace und Microsofts Beschreibung als „single, AI-driven Software as a Service (SaaS) solution“ für die end-to-end supply chain planning belegen.⁹ Das Marktplatzangebot weist auf ein standardmäßiges Cloud-Bereitstellungsmodell hin: Kunden abonnieren Atlas über Azure, und die Plattform bietet Planungsfunktionen über mehrere Prozessbereiche hinweg aus einer einzigen, integrierten Umgebung.⁹ Es gibt keine öffentlichen Hinweise darauf, dass On-Premise-Bereitstellungen weiterhin eine gängige Option sind; historische Materialien deuten darauf hin, dass Atlas ursprünglich als On-Prem/Hosted-Lösung entstand, jedoch im Laufe der Zeit als cloud-native Lösung neu positioniert wurde.

Die öffentliche Webseite bestätigt implizit eine einheitliche Plattformarchitektur, indem sie Atlas als „one platform for all your planning needs“ präsentiert, mit separaten Anwendungskacheln (Demand, S&OP/IBP, Inventory, Supply, Deliver, Schedule), die auf gemeinsamen Plattformfähigkeiten wie Advanced Analytics, Probabilistic Planning, What-if Scenarios, Artificial Intelligence, Socialization und Sustainability aufbauen.⁸ Die Marketingtexte heben einen „complete view across supply and demand“ hervor, betonen die Fähigkeit, Tabellenkalkulationen und isolierte Altsysteme zu ersetzen, und preisen „configurable“ Prozesse ohne „lengthy custom builds“ an.⁸ Kundenstimmen, die auf der Homepage zitiert werden, beschreiben die Konsolidierung mehrerer Datenquellen in Atlas zu einer „single source for all data“ innerhalb weniger Monate nach der Implementierung.⁸

Jedoch gibt es über diese hochrangigen Aussagen hinaus keine öffentliche technische Dokumentation der internen Architektur von Atlas (z.B. ob Microservices verwendet werden, welche Datenbanken oder Message Buses zum Einsatz kommen oder wie die Datenmodelle strukturiert sind). Hinweise auf „digital supply chain transformation“ und „configuration“ deuten auf einen relativ standardmäßigen, modernen Enterprise-SaaS-Stack hin: eine Web-UI, ein zentrales Datenmodell und eine Anwendungserver-Schicht, die Planungsfunktionen als Services bereitstellt. Analystenberichte (z.B. Nucleus Research’s Value Matrix) bestätigen dies, indem sie die Benutzerfreundlichkeit sowie den Time-to-Value anstelle neuartiger architektonischer Muster hervorheben.¹⁴ Mangels Code oder detaillierter Diagramme muss man davon ausgehen, dass Atlas den typischen SaaS-Design-Normen folgt und keine dokumentierte, radikale architektonische Innovation darstellt.

Technologie-Stack und Schnittstellen

Drittanbieter-Technologie-Profiling-Seiten (z.B. Enlyft, similarweb-ähnliche Tools) führen JGS als Anwender gängiger Webtechnologien (JavaScript-Frameworks, Marketing-/Analytics-Tags) auf, geben jedoch nicht den internen serverseitigen Stack preis; es gibt keine offizielle Aussage, dass Atlas auf einer spezifischen Programmiersprache oder Datenbank basiert.⁵ Ein entwicklerorientierter Link zu „Developer APIs“ auf der Hauptseite verweist auf ein von Zendesk gehostetes Dokumentationsportal, was darauf hindeutet, dass Atlas APIs für die Integration und potenziell kundenspezifische Anwendungen bereitstellt – die Dokumentation selbst ist jedoch geschlossen und von außen nicht öffentlich indexierbar.¹⁶

Die Integration wird unter dem Namen „Galt Connect“ vermarktet, der zu den Plattformfähigkeiten auf der Hauptseite zählt und in Begleitmaterialien als ein Integrationsframework beschrieben wird, das Atlas mit ERPs, CRMs, WMSs und externen Datenquellen wie POS oder Wetterfeeds verbindet.⁸⁹ Eine Partnermitteilung mit enVista (einem Beratungs- und Technologieservicedienstleister) positioniert Atlas als Teil eines breiteren, auf Azure basierenden Ökosystems für Supply Chain- und Distributionsplanung, wobei enVista Integrations- und Implementierungsservices bereitstellt – was weiter unterstreicht, dass die Integration auf typischen API-/Connector-Mustern beruht und nicht auf maßgeschneiderten On-Prem-Komponenten.²²

Angesichts des Mangels an öffentlich zugänglichen, detaillierten Informationen wären tiefere Aussagen über den internen Technologie-Stack (Programmiersprachen, Frameworks, Datenbanktechnologien) reine Spekulation. Mit Sicherheit kann jedoch gesagt werden, dass Atlas als browserbasierte SaaS-Plattform mit APIs, einer Integrationsschicht (Galt Connect) und einer modularen Planungs-UI bereitgestellt wird, die von Endnutzern konfiguriert und nicht programmiert wird.⁸⁹

KI, Machine Learning und Optimierungsfähigkeiten

Das Marketing von Atlas betont stark KI und fortgeschrittene Analytik. Das Azure Marketplace-Angebot weist ausdrücklich darauf hin, dass Atlas „brings a rich history of innovation in supply chain planning, advances in machine learning and AI“ mitbringt und dass es Echtzeit-Kontinuitätsplanung in der Nachfrage sowie intelligente Inventar- und supply planning unterstützt.⁹ Die Hauptseite hebt „Artificial Intelligence“ und „Probabilistic Planning“ als Kernfähigkeiten hervor, ohne die verwendeten Modelle im Detail zu erläutern.⁸

Neuere Pressemitteilungen sind spezifischer, was den Einsatz von KI betrifft, wenn auch nicht, wie sie angewandt wird. Eine Pressemitteilung vom September 2025 kündigt an, dass Atlas „expands explainable AI to build trust in supply chain decisions“ und erklärt, dass neue xAI-Funktionen generative AI einsetzen, um Transparenz und Kontext in der multi-echelon inventory optimization (MEIO) sowie im ensemble forecasting zu bieten.¹¹ Laut dieser Mitteilung liefert Atlas nun Erklärungen zu MEIO-Empfehlungen (z.B. wo und warum Bestandsänderungen empfohlen werden, sowie zu Risk-Pooling-Möglichkeiten) und zum ensemble forecasting (z.B. warum bestimmte Modelle oder Muster in einer Ensembleprognose ausgewählt wurden) über einen konversationalen Assistenten namens „Galt Intelligence“.¹¹ Dieselbe Pressemitteilung stellt MEIO und ensemble forecasting als bereits bestehende Fähigkeiten dar, deren Einführung durch wahrgenommenes Black-Box-Verhalten behindert wurde; xAI wird als eine Nutzbarkeits- und Vertrauensebene über diesen Algorithmen präsentiert.

Eine separate Mitteilung (hier aufgrund des Platzmangels nicht wiedergegeben) erörtert eine „enhanced simultaneous multi-objective optimization“ und legt nahe, dass die Optimierungs-Engine von Atlas in der Lage ist, mehrere Ziele (z.B. Service, Kosten, Nachhaltigkeit) in einem einzigen Modell zu berücksichtigen.²⁰ Es werden jedoch keine Details zur zugrunde liegenden Solver-Technologie bereitgestellt (z.B. ob es sich um lineare/quadratische Programme, Metaheuristiken oder szenariobasierte Suche handelt), noch gibt es eine externe, unabhängige technische Validierung der Leistung der Optimierungsalgorithmen.

Kritisch ist, dass es keine öffentliche technische Dokumentation der Forecasting-Engine gibt, die vergleichbar wäre mit, beispielsweise, einem offenen Whitepaper über Modellklassen, Fehlerkennzahlen oder Trainingsverfahren. Hinweise auf „ensemble forecasting“ implizieren, dass mehrere Modelle kombiniert werden (wie es in modernen Prognosen üblich ist), und Hinweise auf „probabilistic planning“ deuten darauf hin, dass zumindest einige Ergebnisse Verteilungen anstelle von Punktschätzungen darstellen – diese Implikationen bleiben jedoch auf Marketingebene, ohne Code oder detaillierte Dokumentation.⁸⁹¹¹ Unabhängige Bewertungen auf SoftwareAdvice und G2 konzentrieren sich auf die Benutzererfahrung – Konfigurationsflexibilität, Dashboarding, Planungsabläufe – und liefern keine Einblicke in die algorithmischen Details.¹⁰²¹

Die sicherste Interpretation, basierend auf den verfügbaren Beweisen, ist, dass Atlas tatsächlich Machine Learning-Modelle einsetzt (wahrscheinlich eine Mischung aus Zeitreihenmethoden und modernen ML-Verfahren), Ensemble-Techniken für die Prognose verwendet und eine gewisse multi-objective optimization-Fähigkeit für Inventar- und supply planning bereitstellt. Das Branding „AI“ und „xAI“ wird in erster Linie darauf angewendet, wie die Ergebnisse dieser Modelle den Nutzern zugänglich gemacht werden (z.B. über Erklärungen, Szenarioanalysen, konversationale Assistenten), und weniger auf einen dokumentierten, bahnbrechenden algorithmischen Fortschritt.

Daten, Szenarien und Arbeitsablauf

Die Atlas-Homepage und die Azure-Auflistung betonen beide die Fähigkeit, Daten aus mehreren ERPs zu einer einheitlichen Planungsansicht zusammenzuführen, Szenarien durchzuführen und funktionsübergreifende S&OP/IBP-Abstimmungen zu unterstützen.⁸⁹ Kundenstimmen beschreiben, wie „multiple ERPs into Atlas to obtain supply chain visibility and take action across multiple business units in half a year“ integriert wurden und wie es gelang, von „multiple data sources in Excel to one source for all data“ zu gelangen.⁸ Die Azure-Auflistung beschreibt zudem eine „real-time continuous planning to sense, shape and satisfy demand“ und szenariobasiertes S&OP, das taktische und strategische Horizonte miteinander verknüpft.⁹

Szenarioanalysen werden explizit als eine Plattform-Fähigkeit („What-if Scenarios“) aufgeführt, und die Anwendungsseiten von Atlas (hier nicht im Detail dargestellt) zeigen UI-Konzepte zur Anpassung von Annahmen, zum Durchführen alternativer Nachfrage- oder supply scenarios und zum Vergleichen von Ergebnissen.⁸ Dies entspricht gängigen Tools im Bereich der supply chain planning: benutzergetriebene Szenarien mit vorkonfigurierten Hebeln und Ergebnissen statt freiformiger probabilistischer Analysen.

Die in der explainable AI-Pressemitteilung erwähnten Funktionen zur multi-echelon inventory optimization und zum ensemble forecasting deuten darauf hin, dass Atlas ein mehrstufiges Netzwerkmodell beibehält und eine Form probabilistischer Modellierung verwendet, um Nachfrage und Inventarrisiko im gesamten Netzwerk zu verteilen.¹¹ Allerdings ist es mangels technischer Dokumentation nicht möglich zu bestimmen, wie ausgefeilt diese Modelle sind (z.B. ob sie vollständig korrelierte Unsicherheiten, stochastische Lieferzeiten oder komplexe BOM-Strukturen berücksichtigen) oder wie rechenintensiv die Optimierung im industriellen Maßstab ist.

Implementierung und Marktreife

Implementierungsansatz

JGS positioniert sich als ein Partner, der „works with you every step of the way“ und bietet Dienstleistungen für digitale Transformation, Implementierung sowie Post-Implementierungs-Support an – ebenso wie ein „Innovation Lab“ und Trainings-/Zertifizierungsprogramme.⁸ Die Hauptseite beschreibt Atlas als „easy to configure – no lengthy custom builds required“, und Kundenstimmen erwähnen Implementierungszeiträume von etwa drei Monaten für einige Projekte.⁸ Diese Aussagen stimmen mit Rückmeldungen auf Bewertungsplattformen überein, wo Benutzer häufig die relativ unkomplizierte Implementierung und die Bereitschaft des Anbieters, Konfigurationen anzupassen, hervorheben.¹⁰²¹

Die Präsenz einer integrationsorientierten Fähigkeit (Galt Connect) und Partnerschaften mit Beratungsunternehmen wie enVista deuten darauf hin, dass JGS häufig mit einem Beratungs- oder Systemintegrator-Partner zusammenarbeitet, um Atlas an die ERP-, WMS- und andere Systeme der Kunden anzubinden.²² Live-Webinare mit Kunden (z.B. Reddy Ice) zeigen, wie Atlas genutzt wird, um Wetterdaten, POS-Daten, IoT-Sensordaten und Daten von Handheld-Geräten der Fahrer zu integrieren und so die automatisierte Nachfrage- sowie Wiederauffüllungsplanung voranzutreiben – was darauf hindeutet, dass Implementierungen ein ziemlich umfangreiches Set externer Signale einbeziehen können, wenn Kunden bereit sind, in solche Integrationen zu investieren.¹⁶

Insgesamt folgt die Implementierung anscheinend den standardmäßigen Enterprise-SaaS-Mustern: Datenextraktion aus bestehenden Systemen, Konfiguration von Planungshierarchien und Arbeitsabläufen, iterative Feinabstimmung von Modellen und Parametern sowie die schrittweise Integration der Empfehlungen in operative Prozesse. Es gibt keine öffentlichen Hinweise auf formale, codeintensive Anpassungen (z.B. kundenspezifisch programmierte Erweiterungen), was bekräftigt, dass die Plattform von den Kunden konfiguriert und nicht programmiert wird.

Benannte Kunden und Sektoren

JGS listet öffentlich eine breite Palette von Branchen auf, die mit Atlas bedient werden: Apparel & Footwear, Aftermarket Parts, Beverages/Wines/Spirits, Chemicals, Consumer Durables, Consumer Products, Food & Nutrition, Hi-Tech & Electronics, Industrial Manufacturing, Life Sciences, Retail und Wholesale Distribution.⁸ Zu den Kundenlogos auf der Homepage gehören Amcor, Mars, Netgear, Ping, Sara Lee Frozen Bakery und andere.⁸

Fallstudien liefern konkretere Belege. Eine Fallstudie von FeaturedCustomers beschreibt, wie Reddy Ice Atlas nutzte, um Servicelevels zu verbessern und Out-of-Stocks in seinem dezentralen Eisproduktions- und Vertriebsnetz zu reduzieren.¹² Eine Pressemitteilung von Newswire aus dem Jahr 2025 beschreibt Reddy Ice als „the world’s largest manufacturer and distributor of packaged ice“ und bezeichnet es ausdrücklich als einen „valued customer of John Galt Solutions“, wobei ein Webinar hervorgehoben wird, in dem gezeigt wird, wie Reddy Ice fortschrittliche Planungstechnologie (Atlas) mit Daten von Wetter, POS, IoT-Sensoren und Handheld-Geräten der Fahrer für eine hochautomatisierte, agile Planung einsetzt.¹⁶ Weitere Fallstudien-Thumbails auf der JGS-Seite erwähnen PING (Golfausrüstung, mit einem 24-monatigen Rolling-Forecast-Modell), Valent BioSciences (Übergang von Excel-Tabellen zu Atlas zur Reduzierung von Inventar und Stockouts) sowie Mars (globale digitale supply chain transformation in 60 Ländern).⁸

Obwohl der genaue Umfang und die Tiefe jeder Implementierung nicht vollständig offengelegt werden, liefern diese öffentlichen Hinweise in Kombination mit Analystenberichten hinreichende Belege dafür, dass JGS über eine vielfältige, internationale Kundenbasis verfügt, die Atlas in der Produktion zumindest für die Nachfrage- und supply planning einsetzt – wobei einige Kunden auch fortschrittlichere Optimierungen (z.B. MEIO, szenariogesteuertes S&OP) übernehmen.

Analystenberichterstattung und Marktposition

Analystenfirmen nehmen JGS/Atlas konsequent in ihre Landschaften der supply chain planning auf. Die Berichte von Nucleus Research aus dem Jahr 2022 und die anschließenden Supply Chain Planning Technology Value Matrix platzieren Atlas im „Leader“-Quadranten und heben häufig die Benutzerfreundlichkeit, den Time-to-Value und die Kundenzufriedenheit als wesentliche Stärken hervor.¹⁴ Gartners Magic Quadrant for Supply Chain Planning Solutions nennt John Galt Solutions als einen Anbieter im SCP-Bereich (wobei Positionen wie „Challenger“ oder „Niche Player“ von Jahr zu Jahr variieren und genaue Quadrantenpositionen hinter Paywalls verborgen sind), was darauf hinweist, dass Atlas als eine glaubwürdige Option im globalen SCP-Markt anerkannt wird.¹³

Bewertungsplattformen wie SoftwareAdvice und G2 fassen die Benutzerbewertungen für die Atlas Planning Suite zusammen, die im Allgemeinen eine hohe Zufriedenheit in puncto Benutzerfreundlichkeit, Reaktionsfähigkeit des Anbieters und Flexibilität widerspiegeln, jedoch nur begrenzte Einblicke in die Tiefe der AI-/Optimierungsfähigkeiten bieten – über das hinaus, was JGS selbst angibt.¹⁰²¹ Zusammengenommen deutet dies darauf hin, dass JGS ein kommerziell reifer Anbieter mit einem soliden Ruf im Mid-Market und einigen Enterprise-Segmenten ist, der eher für praktische Benutzerfreundlichkeit und exzellenten Kundenservice anerkannt wird als für eine radikal neuartige technische Architektur.

Fazit

Basierend auf verfügbaren öffentlichen Informationen liefert John Galt Solutions eine kommerziell ausgereifte, breit funktionale supply chain planning Plattform (Atlas) und ein legacy-yet-still-used Excel Forecasting-Tool (ForecastX). Das Unternehmen existiert seit Mitte der 1990er Jahre, scheint in Privatbesitz zu sein und organisch gewachsen zu sein und hat nachweislich Anklang bei bekannten Marken in verschiedenen Branchen gefunden. Seine Aufnahme in Analysten-Quadranten und Wertematrizen sowie unabhängige Fallstudien (z. B. Reddy Ice) liefern eine glaubwürdige externe Validierung des Geschäftswerts und des großskaligen Einsatzes.

Technisch gesehen ist Atlas eindeutig mehr als eine einfache CRUD-Anwendung: Es integriert Daten aus mehreren Systemen, unterstützt Multi-Prozess-Planung (demand, S&OP/IBP, inventory, supply, schedule), führt Szenarien durch und integriert Machine-Learning-Modelle für Prognosen und Optimierung. Öffentliche Materialien deuten auf die Unterstützung von multi-echelon inventory optimization, ensemble forecasting und multi-objective optimization hin, und aktuelle Verbesserungen nutzen generative AI zur Erklärbarkeit, was eine bedeutende Verbesserung der Benutzerfreundlichkeit in einem Bereich darstellt, in dem Black-Box-Verhalten die Akzeptanz behindern kann.⁹¹¹²⁰ Allerdings bleiben die zugrunde liegenden Algorithmen und Datenstrukturen weitgehend undokumentiert; es gibt keinen offenen technischen Leitfaden, der vergleichbar wäre mit beispielsweise Lokads detaillierten Beschreibungen von probabilistic forecasting und stochastic optimization. Infolgedessen sollten Behauptungen über „probabilistic planning“, „AI-driven decisions“ und „simultaneous multi-objective optimization“ als High-Level-Fähigkeiten interpretiert werden und nicht als Beweis für bahnbrechende algorithmische Innovationen an sich.

Im Vergleich zum breiteren Stand der Technik in der supply chain analytics scheint JGS eine pragmatische Position einzunehmen: eine leistungsfähige, cloudbasierte Planungssuite, die zeitgemäße AI/ML- und Optimierungskonzepte übernommen und in eine planerfreundliche Benutzeroberfläche verpackt hat – jedoch ohne genügend technische Details öffentlich offenzulegen, um abschließend beurteilen zu können, ob die internen Abläufe an der Spitze probabilistischer Modellierung oder großangelegter stochastischer Optimierung stehen. Für viele Organisationen wird die Kombination aus funktionaler Abdeckung, Benutzerfreundlichkeit, Einsatzbilanz und Anbieterunterstützung mehr zählen als die exakte mathematische Form der Atlas-Modelle, und in diesen Dimensionen hat JGS glaubhafte Erfolgsergebnisse vorzuweisen. Für Käufer, deren Hauptanliegen maximale technische Transparenz und die Möglichkeit ist, die zugrunde liegenden Algorithmen zu inspizieren oder zu erweitern, bedeutet das Fehlen detaillierter öffentlicher Dokumentation jedoch, dass anbietergeführte Bewertungen, Machbarkeitsstudien und direkte technische Workshops unerlässlich wären, bevor endgültige Schlüsse darüber gezogen werden können, wie „state-of-the-art“ die Plattform in der Praxis tatsächlich ist.