Optimización de Inventarios Empresariales, Febrero 2025

Por Léon Levinas-Ménard

Última modificación: 2 de febrero de 2025

Objetivo: Este estudio clasifica a los principales proveedores de software de optimización de inventarios empresariales con un enfoque riguroso basado en evidencia. Penalizamos el marketing vago, las palabras de moda de “AI” sin respaldo, y la falta de verdaderas capacidades estocásticas. Los criterios clave incluyen: (1) soporte comprobado para el forecast probabilístico de demanda y el forecast probabilístico de tiempos de entrega (a los proveedores que omiten la incertidumbre en los tiempos de entrega se les considera no-serios); (2) credibilidad de las características avanzadas (la cannibalización, “demand sensing”, AI/ML, etc. deben estar respaldados por detalles reales de ingeniería o, de lo contrario, etiquetados como fraudulentos); (3) nivel de automatización (optimización verdaderamente sin supervisión frente a requerir ajustes manuales); y (4) capacidad para manejar restricciones complejas (fechas de vencimiento, seguimiento de serie/lote, devoluciones, tamaños de lote, descuentos de precios, cannibalización de productos, patrones irregulares “casi estacionales”, costos de capacidad de almacenamiento, etc.).

Proveedores Clasificados

A continuación se presenta una clasificación objetiva de los principales proveedores de optimización de inventarios, de más a menos creíbles, basada en los criterios anteriores. Cada evaluación de proveedor resalta fortalezas, expone debilidades y cita evidencia de cualquier afirmación engañosa.

1. Lokad – Pionero probabilístico con total transparencia

Descripción general: Lokad se distingue por su verdadero enfoque probabilístico en la supply chain. Modela explícitamente tanto la variabilidad de la demanda como la variabilidad de los tiempos de entrega, tratando los tiempos de entrega como variables aleatorias forecastables (no como datos fijos) ¹. El sistema de Lokad proporciona una “álgebra de variables aleatorias” – esencialmente un soporte de primera clase para distribuciones de probabilidad – permitiendo cálculos estocásticos complejos que incorporan la incertidumbre en cada paso ² ³. Este rigor matemático distingue a Lokad de los competidores que a menudo solo simulan la incertidumbre de manera ad-hoc (o ignoran por completo el riesgo de los tiempos de entrega).

Forecast probabilístico de Demanda y Tiempos de Entrega: Lokad cumple claramente con el criterio de doble forecast. Su documentación enfatiza que “los tiempos de entrega pueden y deben ser forecast al igual que la demanda” ¹. La plataforma puede producir modelos probabilísticos de tiempos de entrega (por ejemplo, usando distribuciones log-logísticas) y combinarlos con forecasts de demanda ¹ – una piedra angular para cálculos precisos de reorden. Al abrazar ambas facetas de la incertidumbre, Lokad evita la trampa común de otras herramientas que asumen que los tiempos de entrega son estáticos o que solo los inventarios de seguridad son suficientes.

Características Avanzadas (Cannibalización, etc.): Lokad ofrece detalles concretos de ingeniería sobre restricciones avanzadas. Introduce la optimización estocástica que maximiza la rentabilidad esperada mientras respeta restricciones específicas del cliente, incluyendo efectos entre productos como la cannibalización y sustitución ⁴. Por ejemplo, Lokad puede modelar cómo los productos se cannibalizan entre sí en la demanda o actúan como sustitutos, e incorporar estas relaciones en la lógica de optimización. Esto no es solo una afirmación vaga – está respaldado por un enfoque “programático” (la programación Envision de Lokad) donde los supply chain scientists codifican explícitamente dichas relaciones. De manera similar, fenómenos difíciles como las devoluciones esporádicas o las tasas de merma pueden ser forecast probabilísticamente e incluidos en las decisiones ³. Los materiales públicos de Lokad profundizan en estos detalles técnicos (por ejemplo, forecast de devoluciones para ecommerce o variabilidad de rendimiento en producción ⁵ ⁶), mostrando evidencia de capacidad. No se recurre a palabras de moda vacías; en su lugar, Lokad discute métodos (simulaciones Monte Carlo, programación probabilística, etc.) e incluso publica conferencias sobre cómo se implementan ⁷. Las afirmaciones de AI/ML son mínimas – el enfoque está en mejoras medibles y basadas en modelos.

Automatización: La automatización completa es un objetivo central de diseño para Lokad. La plataforma está construida para operar sin supervisión: “automiza agresivamente las tareas repetitivas” en la optimización de la supply chain ⁸. El enfoque de Lokad es que su motor genere decisiones óptimas (órdenes de compra, asignaciones de stock, planes de producción) sin una microgestión humana constante. Muchos de sus clientes ejecutan el sistema mayormente en modo sin supervisión, interviniendo solo en casos excepcionales. Lokad incluso proporciona un lenguaje de programación propietario (Envision) para personalizar la lógica de decisión, asegurando que todos los escenarios rutinarios sean manejados por el software. La compañía enfatiza abiertamente que recetas numéricas automatizadas a gran escala impulsan las decisiones diarias, reduciendo la necesidad de SOPs manuales ⁸. Esta clara explicación de cómo se automatizan las decisiones (mediante un script y pipeline de solucionador optimizado) es mucho más convincente que las genéricas promesas de “automatización AI” de sus competidores.

Manejo de Restricciones: Lokad soporta de manera robusta restricciones no triviales. Debido a que utiliza un lenguaje de modelado flexible, puede tener en cuenta fechas de vencimiento (por ejemplo, forecast de distribuciones de vida útil y forzando la “liquidación” antes de su vencimiento), seguimiento de serie/lote (a través de variables de stock específicas de edad del inventario o lote), devoluciones y reacondicionamientos (modelando probabilidades de devolución y tiempos de entrega para devoluciones ⁶), tamaños de lote/MOQs (incorporados en su optimización mediante la evaluación de cantidades discretas de lote), descuentos de precios a proveedores o promociones (optimizando el momento/cantidad de pedidos para maximizar el beneficio del reembolso vs. el costo de mantenimiento ⁹), efectos de cannibalización y sustitución (mencionados explícitamente como gestionados en su motor estocástico ⁴), casi estacionalidad (su forecast puede captar patrones estacionales inusuales mediante modelos probabilísticos), y restricciones de almacenamiento o capacidad (incorporando costos/penalizaciones de capacidad en el objetivo de optimización). La documentación de Lokad incluso señala que “refleja todos los impulsores económicos” vinculados a las decisiones ¹⁰ e incluye “restricciones únicas” por cliente – un nivel de detalle ausente en las descripciones de la mayoría de los proveedores. En resumen, Lokad demuestra con claridad técnica que aborda escenarios complejos del mundo real, en lugar de hacer afirmaciones superficiales.

Veredicto: Lokad se ubica en la cima debido a su enfoque científico sin concesiones y transparencia. Es uno de los pocos proveedores que implementa verdaderamente forecast probabilístico (demanda y supply) y optimización estocástica real ⁴. El marketing engañoso es prácticamente nulo – en lugar de exageraciones, Lokad proporciona evidencia (libros blancos, documentos técnicos) de cómo logra resultados. Esta ética de poner la verdad primero, combinada con una fuerte automatización y manejo de restricciones, hace de Lokad una opción destacada para las empresas que buscan una optimización de inventarios de próxima generación seria. La única salvedad es que el enfoque de Lokad requiere una mentalidad cuantitativa – es intencionalmente complejo internamente – pero la recompensa es una solución basada en la realidad en lugar de palabras de moda.

2. Slimstock – Tradicionalista pragmático (Honesto pero menos avanzado)

Descripción general: Slimstock (con su producto Slim4) representa un enfoque clásico y convencional para la optimización de inventarios. De manera única, Slimstock está gratificantemente libre de exageraciones de AI. La compañía se centra en métodos probados como el cálculo del stock de seguridad, el Economic Order Quantity (EOQ), y otras técnicas estándar de la supply chain ¹¹. La filosofía de Slimstock es ofrecer soluciones prácticas “simples y directas en lugar de hacer vagos reclamos de ‘AI’” ¹². Esta honestidad y enfoque en lo básico le ha valido a Slimstock una alta reputación en cuanto a usabilidad y confiabilidad entre los profesionales.

Capacidades Probabilísticas: Aquí es donde Slimstock se queda corto según los estándares modernos. Slim4 no publicita explícitamente el forecast probabilístico para la demanda, ni ninguna forma de modelado estocástico de tiempos de entrega. Su funcionalidad gira en torno al forecast determinístico tradicional (a menudo mediante métodos de series temporales) combinado con buffers (stocks de seguridad) para manejar la variabilidad. Aunque Slimstock ciertamente tiene en cuenta los tiempos de entrega en sus cálculos (los tiempos de entrega son un insumo para calcular puntos de reorden y stock de seguridad), los trata como parámetros dados, no como variables aleatorias a forecast. No hay evidencia de que Slim4 produzca distribuciones completas de probabilidad de la demanda o de los tiempos de entrega. Esto significa que Slimstock, si bien es robusto en un sentido clásico, “ignora la incertidumbre” en la forma detallada en que los métodos probabilísticos la capturan ³. Según nuestros criterios, no modelar explícitamente la incertidumbre en los tiempos de entrega es una limitación seria – una marca en contra de la profundidad técnica de Slimstock. Sin embargo, Slimstock mitiga esto al ser al menos franco sobre el uso de métodos simples; no pretende tener tecnología estocástica avanzada. Para muchas empresas, el enfoque conservador de Slim4 arroja resultados aceptables, pero podría dejar dinero sobre la mesa en comparación con una optimización verdaderamente probabilística.

Reclamos de Características Avanzadas: Slimstock en general no exagera las capacidades que no posee. No oirás a Slim4 jactarse de “demand sensing impulsado por AI” o “forecasts de machine learning”. De hecho, este enfoque sin rodeos se destaca como algo positivo: “Es refrescante ver a un proveedor centrarse en lo práctico… en lugar de vagos reclamos de AI.” ¹³. Dicho esto, el conjunto de características de Slimstock es relativamente estrecho. Interacciones complejas como la cannibalización de productos o los efectos de sustitución no son un foco central (tendrías que manejarlas mediante ajustes manuales o análisis auxiliares). De manera similar, el manejo de aspectos como promociones, factores causales o técnicas novedosas de ML es mínimo. Slimstock sobresale en lo que hace (forecast estadístico, reorden multi-echelon con stock de seguridad) pero no se aventura en territorios de vanguardia – y, para su favor, no pretende hacerlo. Cualquier afirmación que hace (por ejemplo, “niveles de inventario optimizados” o “servicio incrementado con menos stock”) está respaldada por una funcionalidad sencilla, no por una retórica vacía de AI. No encontramos palabras de moda que levanten alerta como “demand sensing” en los materiales de Slimstock, lo que indica un encomiable enfoque en la sustancia sobre el estilo.

Automatización: Slim4 está diseñado para facilitar el uso por parte de los planificadores, lo que implica una mezcla de automatización y control manual. La herramienta generará automáticamente forecasts, puntos de reorden y objetivos de inventario para miles de SKUs a través de echelons. Los usuarios a menudo establecen objetivos de nivel de servicio y dejan que Slim4 calcule los buffers de stock necesarios. En la práctica, Slimstock permite un proceso semi-automatizado: los cálculos rutinarios son manejados por el sistema, pero los planificadores generalmente revisan las excepciones o ajustan los parámetros. Slimstock no publicita una “supply chain totalmente autónoma” en su marketing – en su lugar, se posiciona como una herramienta de soporte a la decisión para planificadores. La ausencia de un claro reclamo de automatización de “caja negra” significa que no podemos culpar a Slimstock por ocultar el esfuerzo manual; esperan que los usuarios se mantengan involucrados. Sin embargo, en comparación con los proveedores que se esfuerzan por una optimización completamente sin supervisión, el enfoque de Slimstock puede requerir una mayor intervención continua del usuario (por ejemplo, actualizar forecasts para nuevas tendencias, gestionar artículos próximos a vencerse manualmente, etc.). Es un nivel pragmático de automatización apropiado para muchas empresas medianas, si bien no es el ideal teórico de optimización “sin toque”.

Manejo de Restricciones: En línea con su enfoque clásico, Slimstock maneja las restricciones comunes de la supply chain, pero no todas las complejas. Fechas de vencimiento: Slim4 puede gestionar un control básico de vida útil (alertas para artículos próximos a vencerse, rotación de stock por primero en vencer), pero probablemente no realice una optimización sofisticada de productos perecibles. Tamaños de lote / MOQs: Sí, Slim4 soporta estas restricciones estándar en los cálculos de reorden. Multi-echelon: El núcleo de Slimstock es la optimización de inventarios multi-echelon, por lo que equilibra el stock entre ubicaciones, aunque usando métodos tradicionales de asignación de nivel de servicio en lugar de una optimización de red completamente estocástica. Cannibalización y sustitución: en gran medida no soportadas de forma automatizada – los usuarios deben ajustar manualmente los forecasts para transiciones o solapamientos de productos, ya que los modelos de Slim4 no detectan inherentemente que el Producto B roba demanda del Producto A. Devoluciones, seguimiento de serie: fuera del alcance del forecast de Slim4, estos se gestionarían en el ERP/almacén. “Casi estacionalidad” (picos irregulares de demanda impulsados por eventos) podría no captarse a menos que el usuario los incorpore manualmente en los forecasts (por ejemplo, mediante perfiles estacionales o ajustes manuales). Costos de capacidad de almacenamiento: Slimstock típicamente asume capacidad infinita o utiliza restricciones simplistas; no realiza una optimización compleja no lineal para el espacio de almacenamiento – eso nuevamente necesitaría ajuste humano (por ejemplo, planificadores bajando los objetivos cuando el espacio es limitado). En resumen, Slimstock cubre las “prácticas mundanas pero críticas” ¹⁴ – es muy efectivo para la gestión de inventarios de libro (puntos de reorden adecuados, stocks de seguridad, segmentación ABC, etc.), y lo hace con integridad. Sin embargo, no es la herramienta para modelar todos los escenarios esotéricos. Empresas con restricciones muy complejas o patrones de incertidumbre podrían superar lo que Slim4 puede ofrecer.

Veredicto: Slimstock obtiene una alta calificación por su honestidad refrescante y sólido dominio de los fundamentos. Proporciona una solución confiable sin recurrir a jerga de moda o promesas exageradas de AI. En entornos donde las fórmulas clásicas de inventario son suficientes, Slim4 ofrece resultados y es apreciado por su estilo fácil de usar y sin complicaciones. Sin embargo, según nuestros criterios estrictos, Slimstock no puede considerarse vanguardista. La falta de un forecast probabilístico explícito (especialmente la ausencia de modelado de distribuciones de tiempos de entrega) es una brecha notable – lo que lo hace “no-serio” para organizaciones que requieren una cuantificación rigurosa de la incertidumbre. No obstante, moderamos esa etiqueta: Slimstock es serio en lo que respecta a la gestión de inventarios, pero dentro de un paradigma tradicional. En general, Slimstock es una excelente opción para empresas que valoran la practicidad sobre las palabras de moda, siempre que comprendan sus limitaciones en análisis avanzados.

3. RELEX Solutions – Enfocado en el retail, análisis rápidos – Altos reclamos bajo escrutinio

Visión General: RELEX Solutions se ha elevado rápidamente, especialmente en el sector minorista, promocionando una plataforma “AI-driven” para demand forecasting y optimización de inventario ¹⁵. El sello distintivo de RELEX es un sistema “Live Plan” en memoria que ofrece a los usuarios una visibilidad rápida y detallada de su inventario y forecasts a través de tiendas y centros de distribución. Esta arquitectura (a menudo comparada con un cubo OLAP o “digital twin”) permite dashboards impresionantes en tiempo real y rápidos análisis de escenarios. RELEX se especializa en el comercio minorista y en productos frescos, contando con características para manejar comestibles, perecederos y promociones. A simple vista, RELEX parece muy capaz: habla de automatizar el reabastecimiento, optimizar asignaciones e incluso sugiere que puede mantener una disponibilidad in-stock del 99%+. Sin embargo, un análisis más detenido revela una mezcla de fortalezas y debilidades: análisis en tiempo real sólido y algunas características únicas, pero posibles deficiencias en la deep optimization y en la ciencia del forecasting.

Demanda Probabilística y Tiempos de Entrega: ¿Realmente RELEX realiza forecast probabilístico? La compañía promociona fuertemente su “forecasting impulsado por AI”, pero los detalles son escasos. RELEX no publica evidencia de generar distribuciones completas de probabilidad para la demanda de la misma manera que lo hace Lokad. Su enfoque parece centrarse en mejorar los forecasts puntuales (empleando machine learning en datos recientes – lo que algunos llaman “demand sensing”) y luego usarlos en los cálculos de inventario. De manera crítica, no encontramos mención alguna a la predicción probabilística de los tiempos de entrega en los materiales de RELEX. Los tiempos de entrega ciertamente forman parte de la planificación de RELEX (se ingresan los tiempos de entrega, y el sistema sabe que tiempos más largos requieren un mayor stock de seguridad), pero tratarlos como una variable aleatoria con una distribución – no hay indicios de que RELEX lo haga. Según nuestros criterios, esta omisión es grave. Un proveedor que no aborde explícitamente la incertidumbre en los tiempos de entrega está en desventaja. Probablemente, el módulo de planificación de RELEX utilice un tiempo de entrega determinista más quizás un colchón para la variabilidad, lo cual dista de una verdadera optimización estocástica. De hecho, el enfoque global de RELEX ante la incertidumbre parece tradicional: probablemente utiliza fórmulas de stock de seguridad internamente. Un análisis independiente señaló que la tecnología de forecasting de RELEX “parece ser de modelos anteriores al 2000.” ¹⁶ – lo que sugiere que confían en métodos comprobados (como el suavizado exponencial) en lugar de algún avance revolucionario en forecast probabilístico. Así, aunque los forecasts de demanda de RELEX pueden ser más granulares (por ejemplo, diarios, por tienda/SKU) y actualizados con frecuencia, no encontramos evidencia de un forecast probabilístico genuino en el sentido académico. Esto sitúa a RELEX por detrás de proveedores que modelan distribuciones completas de la demanda y de los tiempos de entrega.

Reclamaciones de Funcionalidades Avanzadas (AI, Canibalización, etc.): El marketing de RELEX utiliza liberalmente términos como “AI-driven,” “machine learning,” e incluso “digital twin.” Por ejemplo, publicita “forecast de demanda impulsado por AI y optimización de inventario multi-echelon” ¹⁵ y “rebalancing autónomo del inventario” ¹⁷. Sin embargo, faltan detalles técnicos. RELEX rara vez explica cuáles algoritmos o técnicas de AI utiliza – una señal de alerta bajo nuestro análisis. Las afirmaciones de la compañía sobre cómo abordan desafíos avanzados en el comercio minorista merecen ser examinadas:

Canibalización y Sustitución: En teoría, estos aspectos son críticos en el comercio minorista (por ejemplo, productos nuevos que reemplazan a los antiguos, o un artículo quitando ventas a otro al estar ubicados cerca). La arquitectura de RELEX podría, de hecho, dificultar el adecuado modelado de estos fenómenos. Algunos observadores señalan que el diseño en memoria/OLAP de RELEX está “en desacuerdo con la optimización a nivel de red y con patrones de demanda minorista como sustituciones y canibalizaciones.” ¹⁸ Debido a que el sistema fue construido para consultas rápidas, puede carecer de la capa de optimización sofisticada necesaria para simular que la pérdida de demanda de un producto se traduzca en ganancia para otro. No encontramos que RELEX afirme explícitamente resolver la canibalización más allá de declaraciones genéricas sobre AI. Dada la complejidad, sospechamos que RELEX no posee una capacidad explícita y comprobada para modelar los efectos de la canibalización (al menos, no mucho más allá de lo que un planificador podría ajustar manualmente). Así, cualquier afirmación amplia de que su AI maneja tales interacciones es infondata – la consideramos falsa hasta que se demuestre lo contrario.
“Demand Sensing”: RELEX ofrece un módulo para el demand sensing a corto plazo (ingiriendo datos recientes de POS, clima, etc.). “Demand sensing”, como palabra de moda, es una conocida señal de alerta – a menudo sobrevalorada y con poco respaldo científico ¹⁹. RELEX no ha publicado evidencia revisada por pares de que su demand sensing produzca resultados mejores que el forecasting tradicional. Permanecemos escépticos respecto a cualquier proveedor que impulse este término sin datos claros. A menos que RELEX pueda demostrar cómo su modelo de ML mejora cuantitativamente el error del forecast al capturar picos o cambios en la demanda más rápidamente, consideramos que las afirmaciones sobre “demand sensing” son puro adorno de marketing.
AI/ML: RELEX se posiciona como una solución moderna impulsada por AI, pero ¿qué hay bajo el capó? La vaguedad de las afirmaciones es preocupante. Sabemos que RELEX utiliza machine learning para tareas como forecasting y optimización de planes, pero hasta ahora, los ejemplos son básicos (por ejemplo, usar regresión de ML para predecir ventas diarias, lo cual está bien pero no es revolucionario). No hay señales de “stochastic optimization” ni de un álgebra de variables aleatorias en el enfoque de RELEX. Sin ello, llamarlo AI-driven resulta algo engañoso. Además, los supuestos resultados de 99%+ availability de RELEX parecen exagerados – encuestas industriales sobre la disponibilidad en estantes en el comercio minorista desmienten tales cifras ²⁰. Esto sugiere una brecha entre el marketing y la realidad.

En una nota positiva, RELEX sí posee capacidades tangibles que son valiosas:

Puede optimizar truckloads and order batching (por ejemplo, tasas de llenado para contenedores) como parte de la planificación del reabastecimiento ¹⁷ ²¹.
Incluye una función de “intelligent forward-buying” ⁹ para aprovechar descuentos de proveedores – lo que implica que puede calcular escenarios de comprar inventario extra ahora versus más tarde para maximizar el ahorro en costos. Esto aborda, hasta cierto punto, las restricciones de precio.
RELEX se enfoca fuertemente en alimentos frescos y en la reducción del deterioro. Afirma explícitamente “considerar las fechas de expiración del inventario disponible para identificar stock cercano a vencerse y ejecutar las forzadas salidas y rebajas necesarias.” ²² Además, RELEX soporta el seguimiento del inventario por lote/batch para gestionar la expiración y las transformaciones de productos para productos frescos (por ejemplo, el envejecimiento de cortes cárnicos) ²³. Estas son funcionalidades concretas, no solo palabras de moda, lo que demuestra que RELEX ha invertido en la gestión de perecederos – un área que algunos otros descuidan. Así, aunque RELEX quizá no cuente con matemáticas estocásticas sofisticadas, sí aborda problemas reales del comercio minorista (como el vencimiento y el deterioro) mediante heurísticas y reglas de negocio. Reconocemos a RELEX por esas capacidades prácticas.

Arquitectura y Rendimiento: La arquitectura en memoria de RELEX (a menudo aprovechando bases de datos columnarias en la nube) le otorga velocidad, pero a un costo. Afirma que “proporciona reportes en tiempo real impresionantes, pero garantiza altos costos de hardware” ²⁴. Además, tales arquitecturas suelen tener dificultades cuando la complejidad del problema aumenta. Por ejemplo, escalar a una optimización global (considerando todas las ubicaciones y productos simultáneamente para la optimización) es difícil si el sistema es esencialmente un gran cubo OLAP. RELEX podría apoyarse en algoritmos bastante simplistas para tomar decisiones rápidamente (por ejemplo, heurísticas greedy para el rebalancing del stock entre tiendas). Esto es adecuado para la capacidad de respuesta, pero puede que no encuentre la solución óptima que podría ofrecer un enfoque más lento y estocástico. Además, las actualizaciones en tiempo real son menos relevantes si no se modela la incertidumbre de forma adecuada – es posible reaccionar al instante ante un cambio en la demanda, pero si nunca se cuantificó la incertidumbre desde un inicio, se acaba persiguiendo el último dato (una potencial trampa del “forecast chasing”).

Automatización: RELEX enfatiza la automatización en las operaciones. Publicita “automatizar y agilizar los complejos procesos de optimización de inventario” ²⁵ y muestra funcionalidades como “automatiza tu rebalancing de inventario” ¹⁷ y “responde en tiempo real” a los cambios en la demanda con órdenes automáticas ²⁶. En la práctica, RELEX puede generar automáticamente órdenes de reabastecimiento para tiendas, transferencias entre ellas y órdenes de reposición para stock próximo a expirar con mínima intervención humana. Muchos usuarios de RELEX ejecutan el auto-replenishment diario, en el que los planificadores solo intervienen en casos excepcionales. Sin embargo, RELEX no explica en profundidad su lógica de automatización. Por ejemplo, ¿cómo decide exactamente “activar los force-outs” de productos que están por expirar? ¿Existe un modelo de optimización que equilibre el costo de las rebajas frente al desperdicio, o simplemente se aplica un umbral (por ejemplo, vender si está a 2 días de la expiración)? Tales detalles no son públicos. Así que, aunque creemos que RELEX puede automatizar bien las tareas rutinarias, penalizamos la falta de transparencia. Es probable que se trate de una automatización basada en reglas, que funciona, pero no es tan elegante como una política optimizada. Aun así, en comparación con los sistemas empresariales antiguos que requerían una pesada planificación manual, RELEX representa un avance en automatización. Solo tenga en cuenta que la etiqueta “autónoma” podría exagerar – se requiere cierta calibración por parte de los planificadores (por ejemplo, establecer parámetros para esas reglas) para mantener la efectividad de la automatización.

Manejo de Restricciones: RELEX obtiene buenos resultados en varias restricciones complejas, especialmente para necesidades específicas del comercio minorista:

Expiración y perecederos: Como se ha señalado, RELEX cuenta con funcionalidades sólidas en este ámbito (seguimiento a nivel de lote, proyecciones de deterioro, planificación automática de rebajas para productos próximos a expirar) ²². Esto indica que RELEX puede gestionar productos con corta vida útil de manera automatizada – algo crucial para los supermercados.
Batching / Truckloads: RELEX optimiza el llenado de camiones y respeta los mínimos de pedido/redondeos ¹⁷ ²¹. Menciona específicamente prevenir el envío de “air” al llenar los camiones de forma óptima, lo que demuestra atención a las restricciones de costos de transporte.
Price breaks / promociones: La función de forward-buy ⁹ sugiere que RELEX recomendará comprar antes de un aumento de precio o para obtener descuentos por volumen, equilibrándolo frente al costo de mantenimiento. Esta es una restricción sofisticada que muchos sistemas ignoran.
Canibalización/sustitución: Punto débil – como se discutió, probablemente no se resuelva explícitamente por el motor de RELEX.
Devoluciones: En el comercio minorista (especialmente en ecommerce), las devoluciones pueden ser significativas (retail de moda, etc.). RELEX cuenta con un módulo de “predictive inventory” que menciona considerar el deterioro y, presumiblemente, podría considerar las devoluciones ²⁷, pero los detalles no están claros. Es seguro asumir que el procesamiento de devoluciones se maneja en el ERP, y no se forecast en la planificación de la demanda de RELEX.
Cuasi-estacionalidad: RELEX puede forecast la demanda estacional (maneja, por ejemplo, perfiles estacionales semanales para cada producto/tienda). Para patrones de demanda irregulares, su ML podría captar algunos, pero sin documentación explícita no se puede confirmar. Probablemente gestione las promociones como eventos especiales (con forecasts de lift separados) – algo bastante estándar en soluciones minoristas.
Capacidad de Almacenamiento: RELEX puede modelar, hasta cierto punto, la capacidad de estantería de la tienda (no haciendo pedidos que excedan el espacio disponible, etc.) como parte de su integración planogram. En cuanto a la capacidad de los centros de distribución, no es seguro – posiblemente se maneje mediante alertas.
Multi-echelon: RELEX realiza planificación multi-echelon (tienda-DC-proveedor). Sin embargo, el diseño en tiempo real podría entrar en conflicto con una optimización de stock multi-echelon verdaderamente óptima ¹⁸. El sistema podría optimizar cada eslabón con heurísticas en lugar de emplear un modelo estocástico holístico a través de los echelons. Es una sutileza: sí, realiza planificación multi-echelon (prácticamente, muchos clientes lo utilizan para reemplazar herramientas multi-echelon heredadas), pero ¿lo está haciendo de manera óptima? Probablemente no de forma matemáticamente rigurosa – más bien se trata de una optimización secuencial (forecast en tienda -> suministro desde el DC -> suministro del DC por parte del proveedor con colchones en cada etapa).

Veredicto: RELEX se posiciona como un competidor de primer nivel, particularmente para minoristas y empresas de productos frescos. Sus fortalezas residen en características prácticas (gestión de perecederos, análisis rápidos, supply chain visibility, manejo de promociones) y en una experiencia de usuario moderna, lo que claramente lo diferencia de los softwares de planificación heredados. Sin embargo, bajo nuestro microscopio en busca de la verdad, RELEX pierde puntos por afirmaciones de AI no comprobadas y por la falta de profundidad probabilística. El uso excesivo de palabras de moda sin una metodología acompañante (sin algoritmos publicados o estudios de rendimiento) implica que debemos tratar su marca “AI” con escepticismo ²⁸. Además, al ignorar el forecast de tiempos de entrega y apoyarse en modelos de forecasting más antiguos, RELEX puede que no ofrezca el óptimo teórico – brinda una buena solución práctica, pero no la más avanzada científicamente. Las empresas que evalúen RELEX deberían presionar por detalles específicos sobre cómo maneja la incertidumbre y las interacciones complejas; de lo contrario, asuman que gran parte de su inteligencia proviene de reglas de negocio y configuraciones del usuario, en lugar de una AI mágica. En resumen, RELEX es un jugador creíble con algunas innovaciones genuinas en usabilidad, aunque sigue siendo parcialmente una “black box” y posiblemente sobrevalorada en su marketing. Lo ubicamos en un rango alto, pero por debajo de los enfoques verdaderamente probabilísticos y orientados al detalle.

4. ToolsGroup – Jugador “Probabilistic” Heredado – Afirmaciones Inconsistentes

Visión General: ToolsGroup ha estado en el ámbito de la optimización de inventarios durante décadas (fundada en 1993) con su software insignia SO99+ (Service Optimizer 99+). ToolsGroup se promociona fuertemente en el uso del “forecast probabilístico” y en la planificación de inventario impulsada por el nivel de servicio. De hecho, se podría decir que ToolsGroup fue pionera en la idea de utilizar distribuciones de demanda para determinar los niveles de stock a principios de la década de 2000. También publicitan capacidades en planificación de la demanda, “demand sensing,” optimización multi-echelon e incluso en fijación de precios (con complementos como Price.io). Sin embargo, la comunicación de ToolsGroup en los últimos años plantea serias interrogantes. La compañía utiliza libremente palabras de moda como AI/ML y se jacta de la automatización, pero sus materiales públicos son a menudo contradictorios o carecen de sustancia técnica. Observamos una mezcla de funcionalidad sólida (la matemática central de SO99+ para inventarios es robusta, basada en la investigación operativa clásica) y adorno de marketing que no se sostiene (por ejemplo, discutir forecasts probabilísticos mientras se citan errores MAPE, lo cual es conceptualmente erróneo ²⁹).

Demanda y Tiempos de Entrega Probabilísticos: A simple vista, ToolsGroup afirma estar totalmente enfocado en el forecast probabilístico. Por ejemplo, sus folletos indican que ToolsGroup usa “probability forecast” junto con supply parameters (tiempo de entrega, etc.) para optimizar los niveles de stock ³⁰. De hecho, SO99+ puede generar una “stock-to-service curve” – mostrando esencialmente la distribución de la demanda a lo largo del lead time y el nivel de servicio alcanzado para una inversión determinada en inventario ³⁰. Esto indica que ToolsGroup modela la incertidumbre de la demanda hasta cierto punto. Sin embargo, hay un inconveniente: el enfoque de ToolsGroup hacia el forecast probabilístico parece medio desarrollado y anticuado. Notablemente, desde 2018 comenzaron a promocionar “probabilistic forecasts” en marketing, pero al mismo tiempo hablaban de mejoras en MAPE (Mean Absolute Percent Error) ²⁹. Esto es inconsistente – el MAPE es una métrica para la precisión de un forecast puntual y “no se aplica a forecast probabilísticos.” ²⁹ Tal confusión evidente sugiere que la iniciativa probabilística de ToolsGroup podría ser más bombo que realidad. Es como si hubiesen añadido una salida probabilística pero aún la evaluaran con métricas antiguas, lo que socava la credibilidad de todo el esfuerzo.

En lo que se refiere al forecast de lead time: los materiales de ToolsGroup no mencionan el forecast de lead times como variables aleatorias. Los lead times se manejan como input parameters (posiblemente con suposiciones de variabilidad) en lugar de algo que el software predice a partir del desempeño histórico de los proveedores. Su ficha técnica muestra que el lead time es uno de los “supply parameters” alimentados en el modelo ³⁰. Así que, si un usuario proporciona un lead time esperado y quizás una desviación estándar, SO99+ lo considerará en los cálculos de safety stock, pero ToolsGroup no parece generar una distribución de probabilidad dinámica para los lead times por sí solo. Esta es una distinción crucial. Un sistema verdaderamente probabilístico reconocería, por ejemplo, si los lead times de cierto proveedor tienen un 20% de probabilidad de duplicarse (quizás debido a retrasos en aduanas) y lo incorporaría en los niveles de stock óptimos. No vemos evidencia de que ToolsGroup realice ese nivel de análisis. Por lo tanto, según nuestro criterio estricto, ToolsGroup falla en el test probabilístico completo – sólo menciona los lead times como inputs estáticos, no como incertidumbres forecast. Esta falta de modelado explícito del lead time hace que la etiqueta “probabilistic” de ToolsGroup sea algo superficial. Consideramos esto una deficiencia grave: un proveedor que se posiciona como probabilístico pero ignora una fuente importante de incertidumbre no está cumpliendo con lo que predica.

Reclamaciones de Funciones Avanzadas: Lamentablemente, ToolsGroup activa múltiples señales de alerta en esta área:

La empresa ha hecho amplias afirmaciones sobre “AI” en su software, las cuales son dudosas ³¹. Hay poca información pública sobre qué técnicas de AI (si es que alguna) despliega realmente ToolsGroup. Sus algoritmos heredados son anteriores al auge de la AI, estando más fundamentados en estadísticas/OR. Parece que la etiqueta “AI” es más una adaptación de marketing. Por ejemplo, ToolsGroup adquirió una startup de AI (quizás para reforzar su imagen), pero su producto principal no se convierte de repente en deep learning. Sin explicaciones técnicas concretas (que ToolsGroup no ha proporcionado públicamente), consideramos sus afirmaciones sobre AI como no comprobadas.
Demand Sensing: ToolsGroup ofrece un módulo para “demand sensing” (ajuste de forecast a corto plazo usando datos aguas abajo). Sin embargo, un análisis independiente encuentra que “las afirmaciones sobre ‘demand sensing’ (por parte de ToolsGroup) no están respaldadas por la literatura científica.” ¹⁹ En otras palabras, ToolsGroup dice que puede percibir cambios en la demanda vía AI, pero no hay pruebas de que este enfoque sea efectivo más allá de lo que pueden hacer las estadísticas convencionales o un planificador humano. Dado que “demand sensing” es una palabra de moda conocida y a menudo usada de manera vaga, desestimamos fuertemente esta afirmación. A menos que ToolsGroup pueda demostrar, por ejemplo, con un estudio de caso revisado por pares que su algoritmo de demand sensing produzca mejores tasas de in-stock, lo consideramos vaporware. Esto se alinea con reseñas de expertos que catalogan tales funciones como “vaporware” entre proveedores si no se presenta evidencia ³².
Cannibalización, Promociones, ML: La filosofía de ToolsGroup es mayormente el forecast univariante (la demanda de cada SKU forecast individualmente, quizá con algunos inputs de regresión). No modela de manera nativa “si el Producto A se queda sin stock, parte de la demanda se dirige al Producto B” o similar. Un usuario sofisticado podría ajustar externamente los forecast para tenerlo en cuenta, pero la herramienta en sí no ofrece una función explícita. Por lo tanto, cualquier implicación de que ToolsGroup optimiza entre productos que interactúan no es creíble sin pruebas. De manera similar, mencionan el uso de “self-adaptive models” y machine learning, pero los métodos insinuados (por ejemplo, algún tipo de reconocimiento de patrones) suenan bastante estándar y posiblemente anticuados. De hecho, los materiales públicos insinúan que ToolsGroup aún utiliza modelos de forecast anteriores al 2000 ³³ (como el método de Croston para demanda intermitente, quizás ARIMA para otros). Nada malo en sí con ello, pero contradice la narrativa brillante de AI.

En resumen, el hábito de ToolsGroup de mezclar palabras de moda modernas con técnicas de la vieja escuela es preocupante. Esto sugiere una renovación impulsada por marketing que no está respaldada por verdadera I+D. Por ejemplo, el sitio web de ToolsGroup habla de “automation to overcome challenges” ³⁴ y otras platitudes similares, pero al examinarlo, básicamente describe lo que su software siempre hizo (optimización de stock multi-echelon), ahora rebautizado como AI.

Automatización: ToolsGroup siempre ha posicionado su solución como altamente automatizada y “basada en excepciones.” A menudo destacan que SO99+ es muy automatizado, requiriendo una mínima aportación de usuario una vez configurado. Un comentario de IDC en su folleto señala que “a pesar de su potencia… ToolsGroup MEIO es altamente automatizado con un costo de propiedad extremadamente bajo.” ³⁵. De hecho, muchos despliegues de ToolsGroup se ejecutan automáticamente para producir propuestas de reposición diarias o semanales que los planificadores luego revisan. Sin embargo, criticamos la falta de claridad en cómo se toman las decisiones de manera autónoma. ToolsGroup no explica un “autonomous decision engine” más allá de decir que los modelos se ajustan y producen recomendaciones. Desafíos clave de la automatización – como cómo ajustar dinámicamente las políticas de pedido cuando las tendencias cambian, o cómo evitar perseguir la variabilidad – no se detallan. Sospechamos que la automatización de ToolsGroup se centra en gran medida en el cálculo del forecast y los niveles de stock (el sistema actualiza los forecast y recomputa niveles min/máx o sugerencias de pedido sin trabajo manual). Eso es valioso, pero estándar para este tipo de software. Sin más detalles de ingeniería, no podemos otorgar a ToolsGroup crédito adicional aquí. Cumplen con el nivel básico de automatización esperado en software de optimización de inventario (y lo han hecho durante años), pero cualquier implicación de que se trata de una supply chain completamente autónoma es una hipérbole. Notablemente, ToolsGroup requiere una configuración significativa (objetivos de nivel de servicio para cada artículo, reglas de segmentación, etc.), que a menudo son establecidos manualmente por planificadores o consultores. Si estos están equivocados, la automatización puede producir resultados inferiores. ToolsGroup no ha articulado ninguna AI que automáticamente elija niveles de servicio óptimos o ajuste las políticas por sí misma – tareas que aún recaen en los humanos. Por lo tanto, decimos que ToolsGroup proporciona buenos cálculos automatizados pero no una planificación verdaderamente autónoma de extremo a extremo en un sentido moderno.

Manejo de Restricciones: Históricamente, SO99+ de ToolsGroup fue fuerte en el cálculo básico del inventario, pero más débil en las restricciones periféricas:

Multi-echelon: Sí, fue diseñado para la optimización de inventario multi-echelon. Puede optimizar los buffers de stock a través de una red dada la incertidumbre (principalmente mediante un enfoque de “target service level”). Esto es una ventaja – puede manejar redes de DCs y tiendas bastante bien, asegurando que el stock correcto esté en el echelon adecuado para cumplir con los objetivos de servicio.
Variabilidad del lead time: Lo tiene en cuenta en el safety stock (si proporcionas un parámetro para la variabilidad del lead time, lo incluirá en el cálculo de stock). Pero, como se ha señalado, no forecast los lead times ni los planifica en escenarios.
Tamaños de lote, MOQs: ToolsGroup puede manejar estas restricciones de supply estándar. Puedes ingresar múltiplos de tamaño de lote, cantidades mínimas de pedido, y recomendará órdenes respetando esos valores.
Fechas de caducidad: ToolsGroup no es conocido por la optimización de inventario perecedero. Probablemente no cuenta con una lógica especializada para la vida útil (y no encontramos ninguna mención al respecto). Un usuario tendría que tratar los artículos que caducan manualmente o como SKU separados según la fecha de caducidad (lo cual es engorroso). Esto es una limitación para industrias como alimentos/químicos. En contraste con RELEX, que aborda explícitamente el deterioro, ToolsGroup parece centrarse en el stock “non-expiring”.
Seguimiento de serie/lote: Fuera del alcance de la planificación – eso es más de ejecución/ERP. ToolsGroup no optimiza al nivel de serie.
Cannibalización y sustitución: La filosofía de ToolsGroup es mayormente el forecast univariante (la demanda de cada SKU forecast individualmente, quizá con algunos inputs de regresión). No modela de manera nativa “si el Producto A se queda sin stock, parte de la demanda se dirige al Producto B” o similar. Un usuario sofisticado podría ajustar externamente los forecast para tenerlo en cuenta, pero la herramienta en sí no ofrece una función explícita. Por lo tanto, falla en este aspecto de restricción avanzada.
Devoluciones: ToolsGroup maneja principalmente la demanda y supply nuevas. No forecast las devoluciones en retail o los rendimientos de remanufactura de forma nativa. Los usuarios deben incorporar las devoluciones promedio en la demanda neta si es necesario.
Casi estacionalidad: Si los patrones son irregulares, los modelos antiguos de ToolsGroup podrían tener dificultades. Sin un ML moderno, podría no capturar impulsores de demanda complejos. Mencionan ML, pero sospechamos que podría ser simplista. Así que se podrían pasar por alto patrones inusuales (conllevando a un faltante de stock o exceso si los planificadores no intervienen manualmente).
Almacenamiento/Capacidad: No es un enfoque. ToolsGroup optimiza el inventario compensando servicio y costo, pero asume que tienes espacio para almacenar el stock recomendado. No resuelve problemas tipo knapsack de espacio o presupuesto limitados a menos que simules escenarios manualmente.

En general, ToolsGroup cubre bien las restricciones de inventario básicas y más comunes (multi-echelon, MOQs, incertidumbre de la demanda hasta cierto punto). Se queda corto en desafíos nuevos o especializados. Notablemente, ToolsGroup carece de una perspectiva moderna de “optimización financiera” – es decir, no maximiza directamente el beneficio ni minimiza el costo total bajo restricciones; en su lugar, normalmente trabaja por objetivos de nivel de servicio. Este enfoque puede ser subóptimo si, por ejemplo, dos productos tienen márgenes de beneficio muy diferentes – un optimizador probabilístico asignaría stock para maximizar el beneficio esperado, mientras que ToolsGroup podría tratarlos por igual si comparten un service target. Esta sutileza es parte de la razón por la que la tecnología de ToolsGroup, aunque sólida en su época, ahora muestra su edad.

Veredicto: ToolsGroup se sitúa en una posición interesante. Es un proveedor con larga trayectoria, con un producto estable y capaz, y fue uno de los primeros en ir más allá de la planificación puramente determinista. Sin embargo, en una comparación basada en la realidad, ToolsGroup recibe una reseña mixta. Aplaudimos que diga lo que predica en cuanto a inventario probabilístico – ese concepto es absolutamente correcto – pero debemos “exponer” el hecho de que ToolsGroup no practica lo que predica. El marketing inconsistente (PF + MAPE ²⁹) y la falta de evidencia de una optimización estocástica genuina (por ejemplo, la ausencia de una “álgebra de variables aleatorias” publicada en su stack tecnológico) significan que las afirmaciones probabilísticas de ToolsGroup están sobre terreno inestable. En la práctica, puede que haga poco más que calcular el safety stock usando distribuciones de probabilidad – algo útil, pero no revolucionario. Penalizamos severamente a ToolsGroup por depender de palabras de moda como AI y demand sensing sin fundamentación. Estas conocidas afirmaciones falsas ³⁶ dañan su credibilidad. Dicho esto, muchas empresas han logrado buenos resultados con el software de ToolsGroup en la reducción del inventario y la mejora del servicio – no es snake oil; simplemente no es tan avanzado como se promociona. Clasificamos a ToolsGroup por debajo de los jugadores verdaderamente innovadores, pero por encima de los peores infractores, porque en su núcleo sí posee un motor matemáticamente sólido (aunque a la antigua) y una funcionalidad amplia (forecasting + inventory + replenishment en uno). Los usuarios potenciales deberían exigir que ToolsGroup demuestre sus supuestas capacidades de AI/forecast probabilístico con datos reales; de lo contrario, considérelas simplemente como etiquetas elegantes en lo que es, esencialmente, un paquete de optimización de inventario bien afinado pero convencional.

5. GAINS Systems – Solución veterana, experiencia en el dominio opacada por el bombo

Visión General: GAINSystems es un jugador antiguo (¡fundado en 1971!) que ofrece una suite integral de planning de supply chain, con especialidad en optimización de inventario y supply chain analytics. Su software (GAINS) ha sido históricamente conocido por su sólido soporte de service parts y inventario MRO (Maintenance, Repair & Operations) – dominios con demanda intermitente donde GAINS se hizo un nombre. GAINS Systems ofrece módulos para forecast de demanda, optimización de inventario (incluyendo multi-echelon), S&OP, etc., en un alcance similar al de ToolsGroup. En los últimos años, GAINS ha intentado modernizar su imagen, hablando de “optimization-as-a-service” e incorporando machine learning. Sin embargo, al igual que ToolsGroup, GAINS sufre de una inflación de marketing: ahora promociona “AI/ML” y “demand sensing” sin evidencia convincente, y sus técnicas centrales parecen seguir siendo los modelos clásicos de forecast anteriores al 2000 que siempre usó ³⁷.

Demanda Probabilística y Tiempos de Entrega: GAINS no destaca públicamente el forecast probabilístico. Probablemente utiliza modelos estadísticos tradicionales (Croston para demanda intermitente, tal vez bootstrapping para la demanda de tiempos de entrega). No vimos ninguna mención explícita de forecast de la incertidumbre en los tiempos de entrega – una señal reveladora de que GAINS, también, podría estar deficiente en ese aspecto. El enfoque de GAINS suele ser lograr un fill rate o service level objetivo al mínimo costo, lo que implica algunas consideraciones estocásticas (similar a cómo se establecería un safety stock). Pero los detalles de implementación son escasos. GAINS tiende a enfatizar los resultados (“mejorar el servicio, reducir inventario”) en lugar de cómo exactamente calcula esos resultados. La ausencia de un lenguaje probabilístico claro nos lleva a creer que GAINS se basa en gran medida en métodos determinísticos o semi-analíticos: por ejemplo, puede asumir la varianza de la demanda y la varianza de los tiempos de entrega e incorporarlas en fórmulas en lugar de generar distribuciones completas. Según nuestros criterios, GAINS no se distingue como un líder en forecast probabilístico. Lo clasificamos como otra herramienta que probablemente utiliza cálculos clásicos de safety stock y tal vez algo de simulación, pero no trata los tiempos de entrega como variables aleatorias forecastables. En consecuencia, GAINS sería calificado como “no serio” en rigor probabilístico – no publicita esa capacidad, y dudamos que la tenga.

Afirmaciones de Funciones Avanzadas: GAINS ha comenzado a lanzar palabras de moda mientras se reubica para los años 2020. Su mensajería incluye afirmaciones de “accuracy superior” a través de algoritmos propietarios e incluso menciones de machine learning para matching y clustering ³⁸. Analicemos:

“Accuracy superior” de los forecast: GAINS supuestamente proclama que su forecast es más preciso que el de los competidores. Sin embargo, un análisis califica esto como “dubious”, señalando que el algoritmo propietario de GAINS no aparece en la cima de ninguna competencia importante de forecast ³⁹. De hecho, una afirmación fue que el algoritmo “Procast” de GAINS supera a otros, pero está ausente de los rangos superiores de competencias como la M5 forecasting competition ³⁹. Esto genera serias dudas – si GAINS tuviera una tecnología de forecast a nivel mundial, debería brillar en benchmarks objetivos, pero no lo hace. Por lo tanto, rechazamos la jactancia de precisión de GAINS por no comprobada. De hecho, es probable que los métodos de código abierto (como aquellos de los paquetes R de Dr. Rob Hyndman) funcionen mejor ⁴⁰.
Demand Sensing & ML: GAINS comercializa “demand sensing” y usa términos como ML clustering. La reseña independiente es directa: “Técnicas como ‘demand sensing’ son vaporware, sin respaldo en la literatura científica. [Y] los elementos ML presentados, tales como matching y clustering, también son técnicas anteriores al 2000.” ³². Esto indica que GAINS podría estar presentando prácticas estadísticas bastante estándar como si fueran una IA novedosa. Por ejemplo, agrupar items similares para forecast o clasificarlos es una práctica de hace décadas, no un machine learning de vanguardia. El hecho de que lo destaquen sugiere que el “ML” de GAINS es rudimentario – ciertamente nada como deep learning o programación probabilística avanzada. Por ello, penalizamos a GAINS por cumplir con buzzwords: marcan las casillas (AI, ML, etc.) en marketing, pero no ofrecen detalles o avances que lo respalden. Este comportamiento se alinea con el patrón más amplio que criticamos en la industria: usar términos de moda sin sustancia.
Optimization as a Service: GAINS ha hablado de moverse hacia un modelo de servicio en la nube, lo que implica que puedes alimentarles con datos y obtener resultados de optimización. Si bien esa es una estrategia de despliegue moderna, no significa inherentemente que la optimización en sí sea avanzada. Sospechamos que los métodos solucionadores subyacentes de GAINS permanecen similares; solo cambia el modelo de entrega (cloud/SaaS). No hay nada de malo en eso, pero no es un factor diferenciador en capacidad (muchos proveedores ofrecen soluciones cloud actualmente).

En una nota positiva, GAINS Systems es conocido por su experiencia profunda en el dominio en ciertos sectores:

Entienden el planificación de repuestos de manera intrincada (por ejemplo, modelado de piezas de lento movimiento, contratos de nivel de servicio, rendimientos en ciclos de reparación). Es probable que su software pueda manejar escenarios como forecast de devoluciones de unidades reparables o incluir tasas de chatarreo, lo que herramientas generales de inventario podrían no manejar. Esto es algo especulativo, pero dada su longevidad en ese campo, es probable.
GAINS tiene reputación por un sólido soporte al cliente y por trabajar estrechamente con los planificadores – pero eso a menudo significa que la solución está complementada por consultoría en lugar de ser una magia completamente automatizada.

Automatización: GAINS promueve la idea de automatizar la gestión de inventario (su sitio web incluso dice “Automate your inventory management system with GAINS” ⁴¹). La herramienta ciertamente puede automatizar la generación de forecasts y políticas de inventario. GAINS soporta la planificación continua: actualizando recomendaciones a medida que llegan nuevos datos. Sin embargo, carecemos de detalles sobre cuán autónoma es realmente. Sospechamos, como en otros casos, que automatiza el procesamiento de datos pero espera que los planificadores aprueben las decisiones finales. GAINS ha introducido una iniciativa (la metodología “P3”, etc.) que podría infundir una optimización continua mayor. Sin evidencia explícita, permanecemos neutrales: es probable que GAINS ofrezca un nivel típico de automatización para una herramienta empresarial – buena, pero no notablemente superior a la de sus pares. Cabe destacar que GAINS es una empresa más pequeña, y los proveedores más pequeños a menudo hacen soluciones hechas a la medida muy próximas a las necesidades del cliente (lo cual puede mejorar la automatización práctica ya que personalizan las reglas del sistema para ti). Pero desde una perspectiva de ingeniería, GAINS no ha publicado ninguna lógica de automatización única que merezca elogio.

Manejo de Restricciones: GAINS cubre muchas restricciones tradicionales y algunas especializadas:

Multi-echelon: Sí, GAINS realiza optimización de inventario multi-echelon (su historia en repuestos para aeroespacial/defensa implica posicionamiento de stock en múltiples niveles).
Variación en los tiempos de entrega: contabilizada en los cálculos del nivel de servicio, presumiblemente.
Tamaños de lote/MOQs: soportados, como en cualquier herramienta seria.
Demanda intermitente: una de las fortalezas históricas de GAINS. Presumiblemente, GAINS utiliza el método de Croston o similar para items de lento movimiento (comúnmente encontrados en repuestos de servicio), lo cual es necesario para evitar la falta de stock de SKUs intermitentes.
Devoluciones/Reparaciones: probablemente sí para MRO – GAINS manejaría los tiempos de respuesta de reparaciones y rendimientos (como el porcentaje que se descarta vs. el que se repara) en sus cálculos para repuestos. Esto es algo que no todos los proveedores manejan, por lo que GAINS podría tener una ventaja aquí.
Caducidad: no es un enfoque típico para GAINS (sus industrias eran más industriales que de productos perecederos), por lo que probablemente tenga un soporte mínimo para la vida útil en estantería.
Cannibalización: No se maneja de forma obvia; al igual que otros, GAINS probablemente trata los items de forma independiente en el forecast.
Restricciones de almacenamiento: No está claro; GAINS no ha publicitado la resolución, por ejemplo, de restricciones de espacio en almacenes mediante optimización.
Optimización de costos: GAINS sí enfatiza el beneficio y el costo en algunos mensajes, pero el método concreto es desconocido. Posiblemente ellos, como Lokad, tengan alguna capacidad para incluir los márgenes de los items o los costos de mantenimiento en el objetivo de optimización (lo cual sería positivo). O quizá lo hagan mediante niveles de servicio, al estilo de ToolsGroup.

Veredicto: GAINSystems es un veterano respetado con una profunda comprensión de los desafíos de inventario, especialmente en áreas de nicho (repuestos, industrial). Sin embargo, en este ranking de búsqueda de la verdad, GAINS no puede escapar de una posición intermedia. Las razones son claras: sus modelos de forecast están anticuados y sus recientes intentos de marketing (demand sensing, ML clustering) se presentan como intentos de parecer a la moda sin verdadera innovación ³². GAINS es esencialmente una solución sólida de los años 1990/2000 que intenta mantenerse relevante. Le damos crédito por el conocimiento del dominio y los resultados prácticos – los clientes sí reportan reducciones en inventario y mejoras en el servicio – pero restamos puntos por la falta de transparencia y afirmaciones exageradas. En una era en la que los proveedores líderes comparten contenido técnico o publican investigaciones, GAINS es relativamente opaco; lo poco que logramos captar (por ejemplo, al jactarse de algoritmos propietarios) no fue convincente. Para las empresas con necesidades muy especializadas (como la planificación de repuestos), GAINS podría seguir siendo una opción superior debido a sus características hechas a la medida. Pero para aquellos que buscan la optimización más avanzada, basada en la ciencia, es probable que GAINS decepcione a menos que se someta a una importante actualización tecnológica. En nuestro ranking, GAINS está por encima de los proveedores que son puro bombo sin sustancia, pero por debajo de aquellos que combinan la honestidad con la innovación. Se le otorga un modesto reconocimiento como solución capaz envuelta en tecnología anticuada y algunas buzzwords injustificadas.

6. SAP (IBP for Inventory / Former SmartOps) – Colección Compleja de Herramientas, Integración por Encima de la Innovación

Visión General: SAP, el gigante del software empresarial, está por supuesto presente en este mercado en virtud de su vasto portafolio de aplicaciones supply chain. A lo largo de los años, SAP adquirió múltiples tecnologías especializadas en optimización de inventario – SmartOps (adquirido en 2013), SAF AG (2009, forecast de demanda), e incluso una compañía de análisis KXEN (2013) para modelado predictivo ⁴². Estos tenían la intención de complementar los sistemas de planificación internos de SAP como APO (Advanced Planner & Optimizer) y posteriormente SAP IBP (Integrated Business Planning). Hoy en día, SAP ofrece capacidades de optimización de inventario principalmente a través de SAP IBP for Inventory (un módulo de IBP que probablemente incorpora los algoritmos multi-echelon de SmartOps) y posiblemente mediante complementos en S/4HANA. Sin embargo, la historia de SAP es una de fragmentación y complejidad. Como dijo una reseña, “bajo el estandarte de SAP se esconde una colección arbitraria de productos” debido a todas estas adquisiciones ⁴³. El resultado es que la optimización de inventario de SAP se siente como un añadido – no como un optimizador de vanguardia integrado de manera fluida, sino como un conjunto de funciones que requieren una integración significativa y servicios de expertos para obtener valor.

Demanda Probabilística y Tiempos de Entrega: Las soluciones heredadas de SAP (como APO) eran mayormente determinísticas (utilizando point forecasts, safety stock basado en modelos estadísticos simples). SmartOps, la herramienta que SAP adquirió, era conocida por su modelado probabilístico multi-echelon – calculaba distribuciones de inventario y niveles de stock recomendados para cumplir con niveles de servicio objetivo bajo incertidumbre. Así, en teoría, SAP IBP for Inventory cuenta con algún motor probabilístico en su interior (gracias a SmartOps). SmartOps tenía en cuenta tanto la variabilidad de la demanda como cierta variabilidad de la oferta. Pero SAP en sí no enfatiza el “forecast probabilístico” en marketing; no forma parte del mensaje de SAP al mercado. Por lo tanto, muchos clientes de SAP podrían ni siquiera utilizar el módulo avanzado de optimización de inventario en su totalidad. El forecast de tiempos de entrega no es algo que SAP publicite. A menos que un cliente use explícitamente la pieza de SmartOps que podría permitir tiempos de entrega variables, la planificación por defecto de SAP asume tiempos de entrega fijos (quizás con un margen de tiempo de seguridad). Dado nuestros criterios, SAP no logra demostrar un compromiso con el forecast probabilístico. La capacidad podría existir profundamente en el software, pero si no se expone o destaca claramente, lo consideramos una deficiencia. Además, la combinación de múltiples tecnologías adquiridas podría significar inconsistencia – por ejemplo, los forecasts de demanda podrían provenir de un motor (determinístico) mientras que la optimización de inventario proviene de otro (estocástico), y puede que no estén completamente alineados. De hecho, una crítica fue “el software empresarial no es miscible a través de fusiones y adquisiciones”, indicando que las piezas adquiridas de SAP no se mezclaron de manera fluida ⁴⁴.

Funciones Avanzadas y Afirmaciones: SAP típicamente no exagera el hype sobre AI en supply chain (al menos no tan descaradamente como otros), pero últimamente incluso SAP utiliza algo de lenguaje ML/AI en el marketing de IBP. Aun así, SAP generalmente es visto como rico en funciones pero no avanzado algorítmicamente. El componente SmartOps le dio a SAP un optimizador multi-echelon respetable. Sin embargo, es dubitable que SAP haya mantenido esa tecnología actualizada o superior a modelos más nuevos ⁴⁵. De hecho, la sensación es que SmartOps (y similares) utilizaban técnicas OR estándar y que los métodos ML posteriores al 2000 “no superan a los modelos anteriores al 2000” en este contexto ⁴⁵ – implicando que SAP no ofrece forecasts mejores que los de ARIMA o Croston, a pesar de poseer tecnología ML como KXEN. El marketing de SAP tiende a centrarse en la integración (plataforma end-to-end, “una única versión de la verdad” en el ERP, etc.) en lugar de afirmar que superará en forecast a los competidores. Esta honestidad es un arma de doble filo: no están mintiendo descaradamente sobre magia de AI, pero tampoco están liderando en innovación.

La fortaleza de SAP podría ser el manejo de restricciones complejas dentro del contexto más amplio de supply chain, debido a que tienen todos los datos y detalle transaccional:

Pueden considerar restricciones de capacidad y producción en IBP si conectas los módulos (la planificación de inventario puede estar vinculada con la planificación de suministro).
Podrían utilizar datos sobre desempeño de proveedores del ERP para ajustar manualmente los tiempos de seguridad o el safety stock para la variación de los tiempos de entrega (aunque no se realice un “forecast” automático de ello).
Las soluciones de SAP pueden gestionar caducidades en el sistema de ejecución (SAP EWM o ERP se encargará del vencimiento de lotes, y APO tenía planificación de vida útil para asegurar que la oferta satisficiera la demanda dentro del vencimiento). Sin embargo, la optimización del inventario con caducidades (como decidir cuánto sobreabastecer para contabilizar el deterioro) no es una función destacada – SAP en su mayoría emite alertas para lotes próximos a caducar.

SAP menciona cierto uso de AI/ML en el forecast de demanda (SAP Analytics Cloud tiene forecast, IBP tiene algunas funciones de ML para forecast), pero no se ha notado nada revolucionario. Además, el gran argumento de venta de SAP es a menudo que es una plataforma integrada en lugar de la brillantez de un solo algoritmo. La desventaja es que cada componente puede ser promedio, pero el conjunto es complejo.

Es notable que la optimización de inventario de SAP requiere un gran esfuerzo de implementación – “se necesitarán los mejores integradores – además de unos cuantos años – para lograr el éxito” ⁴⁶. Esto sugiere que incluso si SAP cuenta con funciones avanzadas, usarlas de manera efectiva es difícil. Muchos proyectos de SAP IBP luchan por automatizar completamente la optimización; a menudo optan por modos de planificación más simples debido a desafíos de datos o integración.

Automatización: El paradigma de SAP no se trata de automatización de caja negra; se trata de procesos de planificación. En un entorno SAP, la optimización de inventario sería un paso dentro de un ciclo mayor de S&OP o supply planning. SAP IBP puede automatizar ciertos cálculos (como ejecutar un optimizador cada noche), pero, típicamente, los planificadores humanos en SAP están fuertemente involucrados – configurando el sistema, alimentándolo con escenarios y revisando los resultados. SAP realmente no afirma “planificación autónoma”; en cambio, proporciona herramientas de forecast y optimización que deben ser orquestadas por usuarios y consultores capacitados. Por lo tanto, comparado con otros, SAP se siente menos automatizado – o al menos, cualquier automatización es hecha a medida por los implementadores. Penalizamos a SAP por esto, ya que su enfoque no permite fácilmente una experiencia sin intervención. Muchas empresas con SAP terminan con una planificación semi-manual a pesar de poseer módulos de optimización, simplemente porque hacer confiable la “caja negra” de SAP es un proyecto en sí mismo. La “caja negra” está ahí, pero no afinada trivialmente para cada negocio sin una consultoría intensiva.

Manejo de restricciones: Un área que SAP cubre bien es la amplitud de restricciones, gracias a su suite integral:

Multi-echelon: Sí (a través de SmartOps en IBP Inventory).
Tamaños de lote/MOQ: Sí, las herramientas de planificación de SAP pueden tener en cuenta estos en sus optimizadores.
Restricciones de capacidad: Si se utiliza el optimizador de supply de SAP (parte de IBP o APO CTM), se pueden incorporar restricciones de capacidad de producción/almacenamiento – pero eso es más propio de la planificación de supply chain que de la optimización de inventario per se.
Caducidad: El manejo a nivel de ejecución es excelente (SAP puede rastrear la caducidad de lotes, asignación FEFO). A nivel de planificación, APO tenía algunas funciones para asegurar que los stocks no sobrepasen la vida útil (por ejemplo, no enviar stock próximo a caducar a ubicaciones lejanas). No está claro si IBP mantiene esas funciones.
Canibalización/Sustitución: SAP IBP cuenta con un módulo para la introducción de nuevos productos que puede utilizar modelado de perfiles similares (por lo que no es muy avanzado, pero posee cierta capacidad para vincular forecast de productos sucesores/predecesores). Sin embargo, es discutible que esté a la par de las herramientas especializadas en retail en este aspecto.
Devoluciones: SAP sin duda puede incorporar el forecast de devoluciones en la planificación de la demanda si se modela (particularmente para retail, podrían calcular un forecast de la demanda neta menos las devoluciones). Nuevamente, es algo que requiere configuración.
Complejidad de costos de almacenamiento: El optimizador de SAP podría considerar los costos de tenencia y, por ende, limitar indirectamente el inventario si los costos de tenencia se disparan (representando límites de almacenamiento). Pero habría que configurarlo cuidadosamente; no viene listo para usar.

En esencia, la solución de inventario de SAP se puede configurar para manejar muchas cosas, pero requiere esfuerzo. Es como una caja de herramientas que, cuando se configura de manera experta, puede emular muchos comportamientos avanzados – pero SAP en sí no proporciona una solución avanzada de “push-button”.

Veredicto: SAP se clasifica en un rango inferior en nuestro estudio porque ejemplifica el problema de ser “todólogo, pero maestro de ninguno”. Tiene pedazos de capacidad (algo de optimización probabilística heredada de adquisiciones), pero no ofrece una solución clara, coherente y de vanguardia en la optimización de inventario específicamente. La complejidad y la “colección desordenada” de herramientas bajo el paraguas de SAP hacen difícil obtener valor sin una inversión significativa de tiempo y costo ⁴³. Penalizamos severamente a SAP por esta complejidad y por el hecho de que la integración opacó la innovación – las tecnologías adquiridas se estancaron en gran medida una vez integradas en SAP (incluso se pierden o subutilizan a menudo sus méritos). Las afirmaciones de SAP suelen ser moderadas (no mienten descaradamente sobre la IA; si acaso, su marketing podría ahora rociar buzzwords de IA porque todos lo hacen, pero no es exagerado). El problema principal es que la optimización de inventario de SAP no es un adorno de marketing – simplemente está enterrada y es engorrosa.

Para las empresas que ya están profundamente integradas en ecosistemas SAP, el uso de las herramientas integradas de SAP puede resultar atractivo (la integración de datos es más sencilla, un solo responsable, etc.). Pero, desde un punto de vista de rendimiento puro, pocos argumentarían que SAP IBP supera a los proveedores especializados. Vista con objetividad, vemos a SAP como confiable pero no de punta, integral pero excesivamente complejo. Se clasifica en la mitad inferior porque la facilidad de lograr un supply chain optimizado con SAP es baja – no por falta de funcionalidades, sino por la dificultad de unir esas funcionalidades y el dudoso beneficio en relación con el esfuerzo. En resumen: SAP puede cumplir con los requisitos de funcionalidades, pero dudamos de que pueda ofrecer un inventario óptimo en la práctica sin una inversión masiva. Eso lo mantiene muy por debajo de los principales especialistas en nuestro ranking.

7. o9 Solutions – Grandes Ambiciones, Gran Hype, Profundidad No Probada

Resumen: o9 Solutions es un nuevo competidor (fundado en 2009) que rápidamente ha ganado notoriedad como una plataforma de planificación de “próxima generación”. A menudo descrita como el “cerebro digital” o el “Enterprise Knowledge Graph (EKG)” para supply chain, o9 promociona una plataforma moderna nativa de la nube con una interfaz de usuario elegante, un modelo de datos basado en grafos y una serie de promesas de IA/analítica. Se posicionan como la solución al estilo “big tech” para supply chain – con mucha potencia de cómputo, memoria y un modelo de datos unificado para soportar desde el forecast de demanda hasta la planificación de supply planning y la gestión de ingresos. En términos de optimización de inventario, o9 afirma hacerlo como parte de su planificación integral. Sin embargo, la reputación de o9 en círculos técnicos es de un gran hype y menos claridad en los métodos reales. Deslumbran a los prospectos con una alta “masa tecnológica” (muchas funcionalidades, demos muy pulidas), pero bajo escrutinio, sus verdaderos diferenciadores son poco claros. Como dijo un análisis, “La masa tecnológica de o9 es extraordinaria… El diseño in-memory garantiza altos costos de hardware. Muchas de las afirmaciones de forecast sobre la base de datos de grafos (llamada EKG) son dudosas y carecen de soporte en la literatura científica. Una tonelada de hype de IA, pero elementos encontrados en Github insinúan técnicas pedestres.” ⁴⁷. Esto resume nuestros hallazgos: o9 está muy en el campamento de “bla-bla de IA” hasta que se demuestre lo contrario.

Demanda Probabilística y Tiempos de Entrega: No hay evidencia de que o9 produzca nativamente forecasts probabilísticos para la demanda o tiempos de entrega. Su mención de un Enterprise Knowledge Graph implica la vinculación de varios datos (lo cual podría ayudar a identificar las causas de la variabilidad en los tiempos de entrega, etc.), pero los estudios de caso y materiales publicados por o9 no mencionan distribuciones estadísticas o optimización estocástica de manera explícita. Se centran más en la planificación de escenarios y la replanificación en tiempo real. Inferimos que o9 probablemente utiliza técnicas típicas de forecasting (ML de series temporales o incluso bibliotecas de uso común) para generar forecasts de un solo número, posiblemente con algunos rangos. Sin que ellos lo declaren, asumimos que los tiempos de entrega se toman como datos de entrada (quizás con algunas reglas de buffer) pero no se forecast como variables aleatorias. Así, según nuestros criterios, o9 no pasa la prueba probabilística. De hecho, dado su énfasis en la integración de big data, podrían ser más deterministas que la mayoría – aspirando a incorporar muchas señales (asumiendo, por lo tanto, que se puede predecir todo si se tiene suficiente data), lo cual es conceptualmente lo opuesto a abrazar la incertidumbre. Hasta que o9 publique algo sobre modelos probabilísticos, consideramos su enfoque como determinista con una integración de datos sofisticada. Esto los hace poco serios en el modelado de la incertidumbre, confiando en cambio en la planificación reactiva.

Afirmaciones de Funcionalidades Avanzadas: El marketing de o9 abunda en afirmaciones que suenan avanzadas:

Knowledge Graph (EKG): Afirman que su base de datos de grafos puede modelar relaciones a lo largo de la supply chain, supuestamente mejorando el forecast (por ejemplo, capturando cómo una promoción de ventas podría afectar la demanda de artículos relacionados, etc.). Aunque un modelo de datos basado en grafos es flexible, no hay pruebas científicas de que esto genere forecasts más precisos o mejores decisiones de inventario. Principalmente, ayuda a integrar fuentes de datos. La afirmación de que esto es una innovación de “forecasting con IA” es dudosa ⁴⁸. Sin ver un algoritmo específico que aproveche el grafo para, por ejemplo, un forecast probabilístico, consideramos que es simplemente una arquitectura moderna, no un método analítico superior.
AI/ML: o9 suelta todas las palabras de moda – knowledge graphs, big data, AI/ML, e incluso presumiblemente términos como aprendizaje por refuerzo, aunque sin detalles específicos. Un análisis externo es contundente: “Muchas afirmaciones sobre forecasting… son dudosas… Una tonelada de hype de IA, pero elementos encontrados en Github insinúan técnicas pedestres.” ⁴⁸. De hecho, algunas de las herramientas compartidas públicamente por o9 (como tsfresh para la extracción de características de series temporales, o vikos, etc.) son mencionadas – esas son bibliotecas estándar de Python o métodos básicos de forecasting (ARIMA, etc.) ⁴⁹. Esto implica que el equipo de desarrollo de o9 podría estar utilizando modelos de forecasting bastante normales tras bastidores, a pesar de las afirmaciones externas. Exponemos a o9 aquí: etiquetar algo como una plataforma impulsada por IA no lo convierte en tal, y las primeras impresiones sugieren que su “IA” a menudo es simplemente regresión lineal o ARIMA bajo el capó ⁴⁹. Si es cierto, eso es mucho humo y espejos.
Planificación de escenarios en tiempo real: o9 se desempeña bien al posibilitar escenarios sobre la marcha (gracias al cálculo in-memory). Pero la planificación de escenarios no es optimización. Se puede simular rápidamente lo que sucede si el tiempo de entrega aumenta o si la demanda se dispara, lo cual es útil para que los planificadores visualicen los problemas, pero no ofrece automáticamente la mejor solución – el usuario aún debe interpretar y ajustar. Así que, aunque o9 pueda afirmar que te ayuda a manejar interrupciones, puede estar confiando en la toma de decisiones humanas más que, por ejemplo, en una optimización estocástica.

Otra observación: “Las trivialidades no califican como ‘IA’ porque son interactivas.” ⁵⁰ – probablemente refiriéndose a que o9 llama “IA” a dashboards interactivos o respuestas simples basadas en reglas. Penalizamos fuertemente eso. Si o9 comercializa algo como “¡nuestro sistema detecta automáticamente excepciones y sugiere órdenes – impulsado por IA!” pero en realidad es una regla if-then simple o una torre de control estadística, eso es etiquetar erróneamente funcionalidades básicas como IA.

Automatización: o9 se posiciona como facilitador del “Digital Operating Model” – lo cual sugiere un alto grado de automatización. Sin duda puede automatizar ciertas tareas de planificación (como generar forecasts automáticamente, detectar excepciones automáticamente). Sin embargo, dada la falta de detalles, nos preocupa que gran parte del valor de o9 aún provenga de decisiones con humanos en el ciclo, usando su bonita interfaz. Se habla de “planificación autónoma” en la industria en torno a herramientas como o9, pero no hay evidencia concreta de que alguna empresa opere o9 de manera completamente automatizada. La fuerte participación de analistas de grandes clientes con o9 indica que es un sistema de soporte a la decisión, no un optimizador completamente automatizado. Penalizamos la brecha entre aspiración y realidad. A menos que o9 pueda demostrar cómo su “graph AI” optimiza el inventario de forma autónoma (lo cual no han mostrado públicamente), tratamos sus afirmaciones de automatización como infladas.

Manejo de restricciones: Siendo una plataforma flexible, o9 en teoría puede manejar muchas restricciones:

Cuenta con el modelo de datos para incorporar fechas de caducidad, atributos de lote, etc. Así, podría hacer el seguimiento del inventario por lote e incluso incluir lógica para evitar la caducidad. Pero se desconoce si tiene un algoritmo listo para usar para inventario perecedero – probablemente no; el usuario tendría que programar una regla o asegurar manualmente la rotación.
Multi-echelon: o9 realiza planificación multinivel; puede modelar una red y ejecutar optimizaciones de inventario multi-echelon (probablemente dispongan de algo similar a SmartOps, o al menos cálculos de stock de seguridad para cada nivel).
Restricciones de capacidad: Dado que o9 abarca S&OP, puede incorporar restricciones de producción y de almacenamiento en sus ejecuciones de planificación.
Canibalización y sustitución: Aquí es donde su Knowledge Graph podría, en principio, modelar relaciones (por ejemplo, vincular productos como sustitutos). Pero, ¿realmente optimizan utilizando esa información? No lo han demostrado. Posiblemente podrían hacer un análisis de escenarios: “si el producto A se agota, observar que las ventas del producto B aumentan” en una simulación. Pero eso requiere modelar la elección del consumidor – no es trivial, y no hay evidencia de que o9 haya implementado ese modelo. Así que probablemente no se maneje, salvo por suposiciones manuales de los planificadores.
Casi estacionalidad: Si el ML de o9 es decente, podría detectar patrones estacionales inusuales si se le suministra suficiente data. Pero nuevamente, no hay una característica específica más allá del forecasting general basado en ML.
Optimización financiera: o9 sí habla de gestión de ingresos y IBP, por lo que podría ser capaz de optimizar para la ganancia, no solo el nivel de servicio, si se configura. Dicho esto, la confianza en su optimizador es incierta.

Un aspecto preocupante: el enfoque in-memory de o9 (como RELEX) podría hacer que resolver ciertas optimizaciones con muchas restricciones sea extremadamente intensivo en recursos. Promocionan la escalabilidad, pero si realmente se modela cada SKU-ubicación y restricción, el cómputo podría explotar, requiriendo hardware masivo. Así que, prácticamente, podrían simplificar el problema o recurrir a heurísticas.

Veredicto: o9 Solutions se clasifica en el grupo inferior debido a su fuerte dependencia de afirmaciones no probadas y buzzwords, a pesar de su atractivo pulido. Reconocemos que o9 tiene una interfaz moderna y un enfoque unificado de datos que resulta atractivo para los clientes. Probablemente mejora la colaboración y la visibilidad. Pero cuando se trata de la ciencia central de la optimización de inventario, no encontramos innovaciones concretas por parte de o9 que justifiquen el hype. Su marketing está plagado de señales de alerta – todos los términos de moda aparecen con poco respaldo técnico ⁴⁸. Esto nos lleva a cuestionar la sustancia detrás de su considerable valoración. Penalizamos fuertemente a o9 por esta brecha. Sin una demostración clara de, por ejemplo, cómo su IA predice la demanda mejor o cómo su grafo produce decisiones óptimas de inventario, debemos tratar sus promesas como “dudosas” en el mejor de los casos ⁴⁸.

En términos sencillos, o9 podría ser una buena plataforma de planificación (integrando varias funciones), pero como motor de optimización de inventario específicamente, parece no ofrecer nada que las herramientas más antiguas no tengan – excepto una interfaz más elegante. Ciertamente, no ha demostrado manejar la incertidumbre o restricciones complejas de una manera superior; si acaso, podría ignorar la incertidumbre en favor de un determinismo basado en big data, lo cual consideramos un enfoque defectuoso. Por lo tanto, o9, en una clasificación basada en la veracidad, se encuentra cerca del fondo entre los proveedores serios. Básicamente es un caso de “mucho hablar y poco hacer.” Las empresas que estén considerando o9 deberían tener cuidado con el argumento de marketing e insistir en ver los algoritmos y resultados reales. Hasta que las afirmaciones de IA de o9 se demuestren con evidencia técnica explícita, las categorizamos como falsas/no fundamentadas en este dominio.

8. Blue Yonder (anteriormente JDA) – Parche de sistemas heredados comercializados como “IA”

Visión general: Blue Yonder (BJDA) es uno de los proveedores de software de supply chain más antiguos y grandes. Anteriormente conocido como JDA (que había adquirido Manugistics e i2 Technologies en los años 2000), se renombraron a Blue Yonder y han sido adquiridos por Panasonic. Las capacidades de optimización de inventario de Blue Yonder provienen de una línea de productos – por ejemplo, el optimizador de supply chain de i2 y los módulos de inventario de JDA. Con el tiempo, han intentado modernizarse a través de su Luminate platform, infundiendo conceptos de AI/ML. Sin embargo, Blue Yonder sufre de lo que llamamos “M&A spaghetti”: es “el resultado de una larga serie de operaciones de M&A”, resultando en *“una colección desordenada de productos, la mayoría de ellos anticuados.” ⁵¹. Esencialmente, la oferta de Blue Yonder es una amalgama de software legado pegado junto. Ellos proyectan una imagen de ser impulsados por AI ahora (con términos como cognitive planning, Luminate AI), pero nuestro análisis profundo muestra que estas afirmaciones son en su mayoría vagas e insustanciales ²⁸.

Probabilistic Demand & Lead Times: Históricamente, Blue Yonder proporcionó herramientas para el demand forecasting y la planificación de inventario, pero principalmente utilizando métodos determinísticos o heurísticos. Por ejemplo, la planificación de demanda del JDA legado producía forecasts puntuales, y la optimización de inventario calculaba stocks de seguridad para un servicio objetivo. En materiales recientes, Blue Yonder menciona “probabilistic forecasting” y “dynamic safety stock” como conceptos en su enfoque ⁵². Han reconocido el valor de los métodos probabilísticos en blogs, lo que sugiere que conocen la jerga. Pero, ¿los han implementado? Hay poca evidencia de que las soluciones centrales de Blue Yonder generen distribuciones de probabilidad completas o optimicen decisiones de manera estocástica. Dado que citan cosas como tsfresh y ARIMA en open source ⁴⁹, parece que en su mayoría están haciendo forecasting clásico de series temporales, y no programación probabilística de vanguardia. No vimos indicios de capacidades de lead time forecasting – probablemente Blue Yonder asume tiempos de entrega fijos más quizá un buffer. Así que Blue Yonder no cumple nuestros criterios probabilísticos: no se menciona un modelado explícito de incertidumbre dual en demanda/tiempo de entrega. Probablemente se adhieran a modelos tradicionales de nivel de servicio, lo que significa que tampoco están “serios” en cuanto a la incertidumbre integral a pesar de esparcir la palabra probabilistic en algunas piezas de liderazgo de pensamiento.

Advanced Feature Claims: Blue Yonder ha sido liberal con las afirmaciones de AI/ML. Su marketing utiliza frases como “autonomous planning,” “cognitive supply chain,” etc. Sin embargo, un análisis señala: “BY prominently features AI, however, claims are vague with little or no substance.” ²⁸. Lo confirmamos:

Blue Yonder adquirió algunas startups de AI y promociona asociaciones con universidades, pero concretamente, lo único que vemos son algunos proyectos open source. Esos proyectos (tsfresh, PyDSE, VikOS) indican métodos de forecasting muy estándar (extracción de características, ARMA/ARIMA, regresión) ⁴⁹. Nada sugiere un algoritmo de AI novedoso y exclusivo de Blue Yonder. Esto significa que el “cutting-edge AI” de Blue Yonder es probablemente solo analítica tradicional rebautizada. Tratamos de forma categórica cualquier afirmación genérica de AI de ellos como no comprobada.
Por ejemplo, Blue Yonder podría decir “we use ML to augment our probabilistic models” ⁵³ – pero sin detalles, eso podría significar cualquier cosa, desde un simple modelo de machine learning para ajustar forecasts, hasta una red neuronal que en realidad no superó a modelos más simples. Sin evidencia, lo consideramos palabrería.
Blue Yonder sí afirma contar con soluciones end-to-end que incluyen pricing optimization, assortment, etc. Es cierto que tienen muchos módulos. Sin embargo, tener muchos módulos no significa que cada uno sea lo mejor de su clase. La planificación de inventario de Blue Yonder aún podría usar la antigua optimización de nivel de servicio de i2, lo cual no es precisamente algo de lo que jactarse en 2025.

Una afirmación especialmente problemática del pasado: la literatura de Blue Yonder sobre “cognitive inventory” básicamente rehecho la idea del inventario probabilístico con términos sofisticados ⁵⁴ ⁵², nuevamente sin soporte técnico. Marcamos esto como marketing de alerta roja. Suena perspicaz, pero no aporta “carne” algorítmica.

Automation: Históricamente, las soluciones de Blue Yonder requerían una supervisión humana significativa – por ejemplo, los planificadores usaban el software JDA para obtener recomendaciones y luego ajustaban. Con Luminate, Blue Yonder habla de “autonomous planning”, pero, según nuestro conocimiento, esto en gran medida sigue siendo una visión. Pueden haber introducido un “AI assistant” o una resolución automatizada de excepciones, pero nada detallado públicamente. Dado el tipo de clientes de Blue Yonder (muchos grandes minoristas y fabricantes), es probable que el software aún se utilice de forma tradicional: se generan forecasts y órdenes, y luego los planificadores los revisan o ejecutan mediante flujos de trabajo. No vimos evidencia clara de que Blue Yonder permita una optimización totalmente desatendida. Además, debido a que su arquitectura es una mezcla de partes, lograr una automatización sin fisuras entre ellas es un desafío. Penalizamos a Blue Yonder por la falta de claridad en este aspecto. A menos que puedan mostrar un ejemplo de un cliente donde el sistema funcione por sí mismo durante meses, consideramos que sus afirmaciones de automatización son mínimas.

Constraint Handling: Blue Yonder, gracias a décadas de experiencia, cubre muchas restricciones hasta cierto punto:

Multi-echelon: Sí, JDA tenía optimización de inventario multi-echelon (probablemente un enfoque similar al de ToolsGroup/SmartOps).
Batch sizes/MOQs: soportado en sus parámetros de planificación.
Promotions: JDA/BlueYonder contaba con módulos de forecasting de promotions, aunque a veces eran separados.
Cannibalization: Tienen una herramienta de modelado de demanda que puede incorporar cannibalización para retail (JDA tenía algo para el forecasting en category management). Pero es un módulo especializado, no necesariamente integrado en la optimización de inventario.
Expiration: Las industrias principales de Blue Yonder eran el retail (incluyendo grocery) y la manufactura. Contaban con algunas soluciones para la gestión de productos frescos en el software de category management. Pero su planificación central no enfatizaba los perecederos como lo hace RELEX. Así que, probablemente, tienen un conocimiento limitado de la vida útil.
Returns: No es un punto destacado. Posiblemente se manejen en su planificación de retail mediante el neteo de forecasts, pero sin una funcionalidad especial.
Storage constraints: Si se utiliza su sistema de warehouse management o planificación de producción, sí; pero la optimización de inventario probablemente asume un almacenamiento sin restricciones (al igual que otros, minimizar el costo implícitamente mantiene el stock manejable).
Quasi-seasonality: El forecasting de Blue Yonder puede manejar patrones estacionales, pero patrones inusuales requieren ya sea ajuste manual o modelos avanzados que dudamos tienen más allá de lo típico.
Financial optimization: Blue Yonder sí cuenta con módulos de optimización de beneficios (price optimization, etc.), pero su optimización de inventario gira en torno a cumplir niveles de servicio al menor costo, y no en maximizar directamente los beneficios.

En resumen, la cobertura de capacidades de Blue Yonder es amplia pero superficial en algunos aspectos. Intenta ser todo, lo que conduce a compromisos. Es importante, ya que Blue Yonder maneja tantos componentes de producto, que los clientes a menudo lo perciben como complejo de implementar y mantener.

Verdict: Blue Yonder se ubica cerca del fondo en nuestro estudio, principalmente debido a su dependencia de tecnología anticuada enmascarada por palabras de moda y las ineficiencias inherentes de una plataforma compuesta de parches. Es revelador que las contribuciones open source de Blue Yonder demuestren dependencia de métodos que tienen décadas de antigüedad (ARIMA, regresión) ⁴⁹ incluso cuando la empresa se promociona a sí misma como líder en AI. Esta disonancia erosiona la confianza. Penalizamos severamente a Blue Yonder por esta falta de transparencia y el uso excesivo de vagas afirmaciones de AI ²⁸. La marca podría tener peso (es un “Leader” en algunos informes de analistas debido a su amplitud y cuota de mercado), pero al centrarse estrictamente en la verdad y el mérito técnico, Blue Yonder no impresiona.

Dicho esto, Blue Yonder no está completamente desprovisto de valor. Tiene una vasta huella funcional y conocimiento de dominio incorporado – de modo que puede manejar muchos escenarios prácticos si se configura correctamente. Pero eso es lo mínimo esperado; lo que buscamos es una auténtica destreza en optimización. En ese aspecto, Blue Yonder se queda muy atrás frente a proveedores como Lokad o incluso la confiable franqueza de Slimstock. A menos que un cliente ya esté integrado en el ecosistema de Blue Yonder o necesite una solución integral más que análisis best-in-class, advertiríamos contra la optimización de inventario de Blue Yonder si la prioridad es una calidad de optimización fáctica y medible. En nuestro ranking, Blue Yonder solo es salvado de la última posición por el hecho de que sí tiene un producto funcional (aunque anticuado) y una gran base de usuarios – lo que implica que al menos resuelve lo básico – mientras que las afirmaciones de algunos jugadores más pequeños podrían ser incluso más vacías.

9. Infor (Rhythm / Predictix) – Competidor deslucido con AI dudosa

Visión general: Infor intentó competir en este ámbito a través de adquisiciones como Predictix (adquirida en 2016), que era especialista en retail forecasting. La fortaleza principal de Infor ha sido el ERP, pero intentaron construir una suite de planificación retail en la nube (Infor Rhythm, Demand Management, etc.) con la tecnología de Predictix. Sin embargo, las cosas no han ido sobre ruedas. Predictix tenía una historia compleja (problemas legales con socios como LogicBlox) ⁵⁵, y tras unirse a Infor, el impulso parece haberse estancado. El enfoque de Infor se desplazó hacia su ERP principal y grandes iniciativas, y “the forecast angle remained a second-class citizen, deprioritized over the last few years” ⁵⁶. En resumen, la presencia de Infor en optimización de inventario/planificación de demanda ha menguado. Aún tienen productos en el sector, pero no son líderes de mercado y la cantera de innovación parece escasa.

Probabilistic & Advanced Features: Predictix era conocida por afirmar algunos enfoques modernos de ML (fueron de los primeros en hablar sobre big data en retail forecasting). Pero los expertos señalan, “Predictix attempted to bring a few post-2000 ML techniques… however it’s dubious those methods outperform pre-2000 models.” ⁴⁵. Esto implica que, incluso, la tecnología insignia que Infor adquirió no era demostrablemente superior a los enfoques clásicos. Es probable que Infor haya heredado algunas capacidades de demand sensing o forecasting mediante machine learning de Predictix, pero con ese equipo disuelto, no está claro cuánto se utiliza. Infor ahora rara vez habla de AI en supply chain, y cuando lo hace, lo hace a un nivel alto. Vimos una mención de que “‘AI’ claims are also dubious.” ⁴⁵ respecto a su forecasting. Esto refleja lo que vemos en otros casos: Infor no ha proporcionado evidencia de que sus herramientas (rhythm, demand planning, etc.) sean especialmente precisas o avanzadas. Simplemente las han integrado como funciones en el stack de Infor. Además, no hay indicios de probabilistic forecasting o modelado de lead time – probablemente no exista ninguno. Así que, según nuestra medida, la solución de Infor está behind the curve y no aborda seriamente la incertidumbre con técnicas nuevas.

Automation & Constraints: Las ofertas de planificación de inventario/demanda de Infor no se discuten ampliamente, lo que sugiere una adopción limitada. Es probable que manejen restricciones básicas (multi-echelon, etc.), pero nada sofisticado que otros no tengan. Y dada su despriorización, se puede asumir que no se ha hecho mucho para automatizarlas completamente. Probablemente sea un sistema de planificación convencional en el que los usuarios generan forecasts y niveles de stock recomendados, con integración a los ERPs de Infor para su ejecución. Nada destaca, salvo quizá algunas funciones específicas para retail provenientes de Predictix (como forecasting de perfiles de talla/color para moda, o algo por el estilo – pero de nuevo, no claramente mejor que la competencia).

Verdict: Clasificamos a Infor near the bottom porque ni cuenta con un producto actual fuerte ni con afirmaciones creíbles de singularidad. Su incursión mediante Predictix parece haber perdido fuerza, y cualquier retórica de AI/ML derivada de esa adquisición ahora está pasada o no comprobada ⁴⁵. Esencialmente, la optimización de inventario de Infor no es un factor importante en el mercado actualmente. Las empresas rara vez lo incluyen en sus listas para planificación avanzada a menos que ya sean grandes usuarios de su ERP. Con nada notable que mostrar en términos de optimización probabilística o automatizada, Infor recibe una evaluación dura: en su mayoría irrelevante en discusiones de vanguardia, y las afirmaciones que hicieron en el pasado sobre AI fueron infundadas.

10. John Galt Solutions – Mid-market Forecasting with Grandiose Claims

Visión general: John Galt Solutions (nombrada por el famoso personaje de Atlas Shrugged) ha estado proporcionando herramientas de forecasting y planificación desde los años 90. Su buque insignia es Atlas Planning (nombre acertado), dirigido a empresas de mercado medio para planificación de demanda, inventario y S&OP. También ofrecen una herramienta más sencilla llamada ForecastX (un add-in de Excel para forecasting básico). El nicho de John Galt ha sido la facilidad de uso y el despliegue rápido. Sin embargo, han hecho algunas afirmaciones audaces sobre sus algoritmos propietarios (como algo llamado “Procast”), lo que levanta cejas. La empresa no tiene el peso de competidores más grandes, y su enfoque tecnológico parece bastante tradicional, a pesar de insinuaciones en el marketing sobre una IP única.

Probabilistic & Advanced Features: Las soluciones de John Galt no destacan el probabilistic forecasting. Se centran en generar forecasts y objetivos de inventario utilizando métodos comunes (regresión, series temporales, quizás algunas heurísticas). Atlas Planning da una “fuerte vibra de consultingware” ⁵⁷ – lo que significa que a menudo requiere mucha consultoría para ajustarlo a cada cliente, en lugar de un motor avanzado preconfigurado. La tecnología de forecasting parece anticuada ⁵⁸, lo que implica que no han introducido modelos predictivos novedosos más allá de lo ampliamente conocido. Hablan de “Procast” – su algoritmo de forecasting propietario – afirmando que es más preciso que el de sus competidores. Sin embargo, esta afirmación es altamente dudosa: si Procast fuera verdaderamente superior, aparecería en competiciones de forecasting (como las M Competitions), pero está ausente de las primeras posiciones ³⁹. Eso sugiere que Procast es probablemente un reempaquetado de métodos estándar o algún ajuste menor, y no un avance revolucionario. De hecho, expertos opinan que las herramientas open source (como las bibliotecas R de Hyndman) probablemente superen la tecnología de John Galt ⁵⁹. John Galt no publicita AI o ML intensivamente, lo cual es, en realidad, a su favor (no exageran con palabras de moda que no tienen). Pero sí hacen afirmaciones vagas de “más preciso” sin evidencia, lo cual no podemos aceptar. Tampoco mencionan nada sobre manejar complejidades como la cannibalization o la optimización bajo incertidumbre; su mensaje se centra más en la experiencia del usuario (dashboards agradables, etc.) y en la planificación colaborativa. Eso indica una falta de optimización avanzada.

Automatización: Atlas Planning está dirigido a planificadores y ejecutivos para simular y colaborar. No es conocido por la automatización; en cambio, es una caja de herramientas donde los usuarios pueden forecast y luego ejecutar escenarios. Probablemente esté lejos de una optimización de inventario totalmente automatizada – se espera que el usuario tome decisiones basadas en los resultados del software. Así que no vemos a John Galt impulsando una automatización desatendida. Esto limita su clasificación porque, en términos modernos, es más bien una herramienta semi-manual.

Restricciones: Los clientes típicos de John Galt a menudo tienen necesidades más simples, por lo que Atlas Planning puede manejar restricciones básicas (distribución multinivel, lead times, inventario de seguridad, etc.). Pero no es particularmente conocido por cosas como la optimización multi-echelon (aunque probablemente tenga alguna capacidad), y ciertamente no por cosas como productos perecederos o restricciones complejas de supply. Es una solución de nivel medio – con amplitud de funciones pero no profundidad en ningún área.

Veredicto: John Galt Solutions queda en último lugar en nuestra clasificación de proveedores clave. Aunque ofrece un software honesto y usable para forecasting y planning, no demuestra ninguna ventaja técnica ni un manejo serio de la incertidumbre. La gran afirmación sobre su salsa secreta (Procast) parece sin fundamento e incluso refutada por omisión ³⁹. Ante la ausencia de evidencia, etiquetamos tales afirmaciones propietarias como marketing fraudulento. La empresa no se involucra en tanto bombo de IA como otros (quizás debido a que se dirige a un segmento diferente), pero tampoco destaca. Parece contentarse con ofrecer “consultingware” – soluciones que son tan buenas como los consultores que las configuran. Eso está bien para algunos clientes, pero en una comparación en búsqueda de la verdad, significa ninguna innovación clara. El enfoque de John Galt para la optimización de inventario probablemente implica configurar modelos de forecasting y políticas de inventario manualmente, en lugar de cualquier cálculo automatizado y forecast probabilístico. Por lo tanto, obtiene una puntuación baja en casi todos nuestros criterios: no hay modelado probabilístico de lead times, no existe una IA/ML notable que funcione, no hay evidencia de optimización avanzada de restricciones y cuenta con una automatización limitada.

La conclusión sobre John Galt: Atiende a un segmento del mercado con herramientas más simples y guiadas por el usuario. Pero cualquier afirmación de que es más preciso o “más inteligente” que soluciones más grandes no está respaldada por pruebas y debe ser vista con escepticismo. Es muy probable que las empresas con serios desafíos de inventario (alta incertidumbre, redes complejas) encuentren que la tecnología de John Galt está subpotenciada.

Conclusión y conclusiones clave

Este estudio crítico del mercado revela un panorama de software de supply chain lleno de afirmaciones elevadas pero escaso en capacidades comprobadas y novedosas. Proveedores como Lokad y Slimstock surgen como excepciones ya sea impulsando métodos genuinamente avanzados (el motor probabilístico de Lokad ⁶⁰) o adhiriéndose a fundamentos honestos (el enfoque sin rodeos de Slimstock ¹²). Muchos otros actores – incluso algunos bien conocidos como ToolsGroup, Blue Yonder y o9 – están atrapados en palabras de moda sin respaldarlas:

Forecast probabilístico: Sorprendentemente pocos proveedores lo adoptan verdaderamente. Lokad destaca por modelar explícitamente tanto la incertidumbre de la demanda como la de los lead times ¹. La mayoría de los demás, en el mejor de los casos, gestionan la variabilidad de la demanda de forma rudimentaria e ignoran la incertidumbre de los lead times, lo cual consideramos un fallo crítico. Una solución que “ignora la incertidumbre” en los lead times es fundamentalmente limitada ³. Los usuarios deben presionar a los proveedores: ¿Forecastean los lead times de forma probabilística? Si no, espera que los objetivos de inventario sean subóptimos.
Palabras de moda engañosas: El término “demand sensing” es un infractor recurrente – usado por ToolsGroup, GAINS, etc., con poca base científica ¹⁹ ³². De manera similar, las afirmaciones genéricas de “AI/ML” son rampantes. Blue Yonder y o9 ejemplifican esto, mostrando una terminología a la moda pero ofreciendo algoritmos no mejores que una regresión ²⁸ ⁶¹. Las señales de alerta son consistentes: si un proveedor no puede describir en términos concretos lo que hace su IA (por ejemplo: “utiliza gradient boosting en el historial de envíos para predecir la demanda SKU-tienda”) y en su lugar ofrece platitudes, se debe asumir lo peor – que no hay “poca o ninguna sustancia” detrás de la afirmación ²⁸. En este estudio, penalizamos fuertemente todos esos casos. Cabe destacar que LLMs (modelos tipo ChatGPT) no han demostrado ningún rol en el cálculo de políticas óptimas de inventario (carecen de capacidad numérica de optimización), así que cualquier indicio de que un LLM está optimizando tu inventario es pura ficción. Afortunadamente, ninguno de los principales proveedores afirma eso – pero algunos podrían integrar chatbots para consultas de usuarios, lo cual no es lo mismo que la optimización central.
Optimización Estocástica: La prueba definitiva para un motor de “optimización” es si realmente resuelve un objetivo definido bajo incertidumbre (maximizando la ganancia esperada, minimizando el costo sujeto al servicio, etc.). La mayoría de los proveedores aquí, excepto Lokad (y quizás la pieza SmartOps dentro de SAP), no realizan una optimización estocástica verdadera. Se basan en heurísticas: establecer un objetivo de servicio, calcular el inventario de seguridad. Eso no es optimizar – eso es satisficing. ToolsGroup, por ejemplo, sigue trabajando mayoritariamente en niveles de servicio, y su discurso de una “álgebra de variables aleatorias” es más marketing que realidad. Resaltamos esta inconsistencia para ToolsGroup ²⁹. Los usuarios que buscan decisiones óptimas deben tener cuidado: muchas herramientas en realidad no optimizan un objetivo financiero; simplemente hacen cumplir los objetivos de servicio. Hay una gran diferencia. Si un proveedor no puede mostrar una función objetivo y cómo se resuelve (por ejemplo: “maximizamos la fill rate esperada menos el costo de mantenimiento, utilizando simulación Monte Carlo”), entonces probablemente no esté realizando una optimización verdadera.
Automatización: La promesa de una “self-driving supply chain” es seductora. En la práctica, pocos la han logrado. Nuestra evaluación encontró que la mayoría de los proveedores requieren una significativa intervención humana, y su automatización se basa en reglas o se limita a cálculos. Lokad aspira a la automatización permitiendo un scripting completo de la lógica de decisión (y elimina explícitamente tareas manuales repetitivas) ⁸. RELEX automatiza muchas tareas de retail, pero entre bastidores probablemente utiliza reglas sencillas para ello. ToolsGroup y GAINS automatizan los cálculos, pero aún necesitan planificadores para gestionar parámetros. La automatización completa – donde el sistema se adapta por sí solo a nuevas condiciones – es rara. Así que, cuando un proveedor dice “autónomo” o “automático,” exige una explicación: ¿Qué es exactamente lo que se automatiza? ¿Cómo se gestionan las excepciones? ¿Existe un bucle de retroalimentación? Si las respuestas son vagas, la afirmación de automatización merece escepticismo. Encontramos que los proveedores que menos explicaron (o9, Blue Yonder) probablemente automatizan menos, a pesar de grandes afirmaciones ⁶¹ ²⁸.
Restricciones Complejas: Es claro que una única solución no sirve para todos. Algunos proveedores atienden a complejidades específicas (RELEX para la caducidad de alimentos frescos ²², GAINS para piezas reparables). Otros cubren mayormente restricciones genéricas y dependen de soluciones alternativas para casos especiales. La responsabilidad recae en el comprador de exponer sus necesidades únicas (productos perecederos, grandes devoluciones, etc.) y preguntar al proveedor cómo lo gestionan. Si la respuesta es “tenemos clientes en tu industria” pero sin detalles, eso es una advertencia. En nuestro estudio, solo Lokad discute abiertamente el soporte para aspectos como la canibalización y restricciones a medida a través de su marco de modelado ⁴.

En conclusión, este estudio de mercado separa la señal del ruido. Los proveedores mejor clasificados ganaron su lugar al alinear las afirmaciones con la realidad y enfocarse en una ingeniería sólida:

Lokad – por su riguroso enfoque probabilístico y su disposición a detallar cómo funciona ⁶⁰.
Slimstock – por ofrecer resultados confiables sin esconderse detrás de palabras de moda ⁶² (aunque carece de análisis avanzados, es honesto al respecto).
RELEX – por la innovación práctica en retail (alimentos frescos, etc.) mientras mantenemos cautela respecto a su bombo de IA no comprobado ¹⁸.

Los proveedores de rango medio como ToolsGroup y GAINS tienen profundidad funcional, pero fueron rebajados debido a “prácticas de marketing deficientes” – terminología engañosa y falta de evolución técnica ³⁶ ³².

Finalmente, varias soluciones de gran nombre (o9, Blue Yonder, SAP, Infor, John Galt) terminaron en una posición más baja en nuestra clasificación de lo que su prominencia en el mercado sugeriría. La razón es simple: la reputación corporativa y el volumen de ventas no equivalen a la excelencia técnica. De hecho, estas grandes suites a menudo cargan con equipaje heredado o un enfoque difuso, lo cual obstaculiza la evaluación en busca de la verdad. No otorgamos mérito por folletos llamativos o posiciones en el Gartner Magic Quadrant, ya que éstos a menudo reflejan ingresos y amplitud, no el verdadero poder de optimización.

Consejo a los profesionales: Corta a través del adorno. Insiste en demostraciones o estudios de caso que muestren distribuciones reales de error, resultados en niveles de servicio u ahorros de costo bajo incertidumbre. Pide a los proveedores que ejecuten tus datos para un piloto y examina si sus resultados reflejan verdaderamente la incertidumbre (por ejemplo, un rango de escenarios) o solo un número. Verifica si sus recomendaciones cambian cuando las condiciones varían (indicando adaptabilidad), o si son esencialmente reglas estáticas. Muchos proveedores fallarán cuando se les desafíe en estos aspectos. Los que destaquen serán aquellos que han construido sus soluciones sobre bases analíticas firmes en lugar de arenas movedizas de marketing.

Al final, la optimización efectiva de inventario requiere unir una buena ciencia con una ejecución práctica. Como muestra este estudio, muy pocos proveedores destacan en ambos aspectos. Aquellos que lo hacen sobresalen claramente – y a los que no, los hemos expuesto abiertamente con citas y hechos. Instamos a los tomadores de decisiones a utilizar esta información para cortar a través del ruido del marketing y tomar decisiones fundamentadas en la verdad y la evidencia, no en el bombo.