Software di Ottimizzazione eCommerce, febbraio 2025

Di Léon Levinas-Ménard

Ultima modifica: 2 febbraio 2025

Introduzione

Il mercato del software di ottimizzazione eCommerce è pieno di affermazioni audaci su una magia guidata dall’AI, ma uno sguardo approfondito sotto il cofano rivela che solo pochi fornitori mantengono realmente la promessa di ottimizzare congiuntamente inventario, prezzi e assortimenti con tecnologia all’avanguardia. In questo studio, valutiamo le soluzioni principali per il eCommerce puro (rivenditori online senza negozi fisici) e classifichiamo i fornitori più rilevanti – tra cui Lokad, RELEX Solutions, Blue Yonder e ToolsGroup – in base ai loro meriti tecnici e agli svantaggi. Lokad emerge come leader grazie al suo approccio unificato e probabilistico e all’elevato grado di automazione, mentre RELEX e Blue Yonder offrono suite complete mitigate da la complessità dell’AI in black-box e dai residui ereditati, rispettivamente. ToolsGroup fornisce una comprovata ottimizzazione dell’inventario basata su matematica solida, ma affronta sfide di integrazione mentre si espande nel pricing e nell’assortimento. Nel complesso, applichiamo una prospettiva profondamente scettica: tagliamo la retorica del marketing, esaminiamo le affermazioni dei fornitori confrontandole con prove indipendenti e evidenziamo le caveat spesso non esplicitate (ad es. la incapacità di ottimizzare le decisioni in maniera olistica, o il ricorso a architetture costose). L’obiettivo è un’analisi tecnica narrativa che metta la verità al di sopra del clamore, affinché gli operatori dell’eCommerce possano capire chi in realtà fa progredire lo stato dell’arte – e chi, invece, resta indietro.

I Criteri del Gold Standard: Ottimizzazione Congiunta & Tecnologia Avanzata

Qualsiasi fornitore può vantarsi di AI o big data, ma ottimizzare veramente un’attività di eCommerce richiede il soddisfacimento di elevati criteri tecnici e funzionali. Il primo è l’ottimizzazione congiunta: la capacità di ottimizzare simultaneamente le decisioni relative a livelli di inventario, prezzi e assortimento di prodotti. Trattare queste decisioni in isolamento – come fanno molti sistemi più vecchi – è fondamentalmente errato, poiché sono strettamente interdipendenti (il pricing influisce sulla domanda che influisce sull’inventario, le modifiche all’assortimento influenzano entrambi, ecc.). Una soluzione di ottimizzazione eCommerce deve coordinare tutti e tre; per esempio, potrebbe decidere di ridurre le scorte di un prodotto e applicarne uno sconto più presto se le previsioni rivelano vendite lente, oppure aumentare i prezzi su alcuni articoli per evitare esaurimenti. Le soluzioni che ottimizzano l’inventario ma ignorano il pricing, o viceversa, lasciano soldi sul tavolo e sono subottimali per design.

Oltre all’ottimizzazione congiunta, le soluzioni veramente all’avanguardia dovrebbero sfruttare tecniche e architetture moderne:

Previsione probabilistica: Invece di previsioni della domanda puntuali, utilizzare distribuzioni di probabilità per catturare l’incertezza della domanda. Ciò è cruciale per l’eCommerce, con i suoi modelli di domanda volatili e la “lunga coda” degli SKU. Gli strumenti tradizionali (ad es. i vecchi moduli SAP o Oracle) che producono un singolo numero e uno stock di sicurezza spesso sottovalutano la reale variabilità ¹ ². I fornitori leader ora enfatizzano modelli probabilistici o “stocastici” che quantificano l’intervallo di risultati.
Ottimizzazione economica: Le decisioni dovrebbero essere guidate da obiettivi economici (profitto, costi, obiettivi di livello di servizio) e non solo da regole euristiche. Ad esempio, un sistema veramente ottimizzato considererà i margini di profitto e i costi di mantenimento dei prodotti quando decide i livelli di scorte e i prezzi. Darà priorità alle azioni che massimizzano il profitto atteso o minimizzano il costo totale, invece di raggiungere a vuoto un tasso di riempimento. Ciò richiede l’integrazione dei parametri di costo/ricavo negli algoritmi.
Scalabilità e efficienza in termini di costi: I dati eCommerce sono enormi (potenzialmente milioni di SKU, transazioni giornaliere, molteplici canali). Il software deve gestire dati su larga scala senza costi hardware esorbitanti o prestazioni lente. Architetture che mantengono tutto in memoria (RAM) in maniera ingenua possono diventare proibitivamente costose su larga scala. I design moderni utilizzano in modo intelligente il cloud computing, ad esempio con elaborazioni distribuite, data store basati su disco e algoritmi efficienti. Una soluzione che richiede un’enorme farm di server o piattaforme costose (come l’uso eccessivo del data cloud di Snowflake) potrebbe erodere il ROI. Al contrario, un’ingegneria intelligente può elaborare dataset di scala terabyte entro poche ore su istanze cloud standard ³ ⁴.
Effetti di cannibalizzazione e sostituzione: Nelle decisioni di assortimento e pricing, il sistema deve considerare l’influenza reciproca dei prodotti sulla domanda. Per esempio, se due prodotti sono sostituti vicini, l’eliminazione di uno di essi sposterà la domanda verso l’altro (un effetto di cannibalizzazione). Gestire questo richiede più di una semplice analisi OLAP o gruppi di prodotti definiti manualmente; richiede modelli che apprendano le elasticità incrociate o i tassi di attacco. Molti strumenti legacy assumono che la domanda di ciascun prodotto sia indipendente, portando a errori sia nelle previsioni che nella pianificazione dell’assortimento. Un fornitore all’avanguardia dovrebbe modellare esplicitamente tali relazioni (ad es. utilizzando il machine learning sui dati transazionali per inferire le affinità tra prodotti).
Impatto del marketplace e della concorrenza: Gli operatori puri di eCommerce sono spesso influenzati dalle dinamiche del marketplace – per esempio, la concorrenza su Amazon o eBay, i venditori terzi, ecc. Il software di ottimizzazione dovrebbe idealmente incorporare segnali quali il pricing dei concorrenti o gli esaurimenti di stock nel marketplace. Pochi lo fanno bene. È una frontiera complessa ma sempre più rilevante: ad es. se un concorrente esaurisce un articolo popolare, il tuo sistema dovrebbe rilevare quell’opportunità e regolare di conseguenza il prezzo o la spesa pubblicitaria. Allo stesso modo, se vendi sia direttamente sia sui marketplace, il sistema dovrebbe ottimizzare attraverso i canali (evitando, ad esempio, il sovraccarico di stock sul tuo sito quando il prodotto viene venduto tramite Amazon FBA).
Capacità multi-canale e omni-canale: Anche senza negozi fisici, un commerciante eCommerce può disporre di molteplici canali online (sito web proprio, marketplace, forse siti regionali). Il motore di ottimizzazione dovrebbe gestire la domanda e l’inventario multi-canale in maniera olistica – riconoscendo, per esempio, che l’inventario è condiviso o che le decisioni di pricing su un canale potrebbero influenzarne un altro. La pianificazione “end-to-end” non è solo un termine di moda; significa che il software coglie l’immagine completa (dai fornitori ai clienti, attraverso tutti i canali di vendita).
Alto grado di automazione (“robotizzazione”): La promessa ultima di questi sistemi è il processo decisionale autonomo. In teoria, dovrebbero essere in grado di funzionare senza sorveglianza, producendo ordini di rifornimento, aggiornamenti dei prezzi, ecc., senza che gli utenti debbano intervenire quotidianamente. In realtà, tutti i fornitori consentono ancora la configurazione da parte degli utenti, ma noi preferiamo quelli che minimizzano la necessità di interventi manuali. Attenzione alle soluzioni che si vantano dell’automazione e al contempo espongono decine di parametri (impostazioni, fattori di ponderazione, regole): è una contraddizione interna. La vera automazione deriva dal lasciare che gli algoritmi trovino le impostazioni ottimali, anziché chiedere agli utenti di ricalibrare costantemente. I migliori sistemi utilizzano tecniche come modelli autoapprendenti che si adattano man mano che arrivano nuovi dati, in modo che col tempo le decisioni rimangano ottimali senza intervento manuale ⁵. Meno impostazioni “driver” deve mantenere un utente, maggiore è la credibilità dell’automazione.
Architettura robusta ed economica: Abbiamo accennato all’efficienza in termini di costi, ma vale la pena notare esplicitamente: alcune soluzioni moderne hanno adottato data warehouse basati sul cloud (come Snowflake) per scalare. Questo può eliminare i problemi legati all’infrastruttura, ma introduce un modello di costo basato sull’uso. Se uno strumento di pianificazione richiede di elaborare enormi quantità di dati su una piattaforma come Snowflake, i costi possono schizzare alle stelle (simili al modello di prezzo basato sui MIPS degli IBM degli anni ‘90, dove un maggiore utilizzo della CPU significava tariffe esponenzialmente più elevate). Una soluzione ideale gestisce i big data con algoritmi intelligenti per mantenere l’uso del cloud (e quindi il costo) ragionevole ⁴. Allo stesso modo, soluzioni costruite tramite acquisizioni potrebbero trasformarsi in un mosaico di moduli su diversi stack tecnologici, portando a elevati costi di integrazione per il cliente (sia in termini di denaro che di latenza del sistema). Essere cloud-native e integrati fin dall’inizio è un vantaggio, ma solo se l’architettura elimina veramente i movimenti ridondanti dei dati senza introdurre nuovi colli di bottiglia.

Con questi criteri stabiliti, ci rivolgiamo ora ai fornitori. Classifichiamo Lokad, RELEX, Blue Yonder e ToolsGroup come gli attori più rilevanti per l’ottimizzazione eCommerce, e valutiamo ciascuno in base ai benchmark sopra indicati. L’analisi è di tipo narrativo – concentrandosi su come ciascun fornitore affronta il problema e dove il dubbio è giustificato – piuttosto che un semplice elenco di funzionalità. È importante sottolineare che ci basiamo su prove credibili (e citazioni dirette) ogni volta che è possibile, evitando la comune trappola di prendere le affermazioni dei fornitori a valore nominale.

1. Lokad – Ottimizzazione Quantitativa Unificata con Fondamento Probabilistico

Lokad si distingue come fornitore esplicitamente costruito attorno all’idea di ottimizzazione congiunta utilizzando tecnologia d’avanguardia. A differenza del tradizionale software per supply chain, Lokad non si presenta come un insieme di moduli (previsione, MRP, ecc.) da configurare, bensì come una piattaforma programmatica nella quale viene implementata una logica di ottimizzazione unificata per ogni cliente. Questo approccio, che denominano “Quantitative Supply Chain,” potrebbe richiedere più data science in fase iniziale, ma produce una soluzione sul misura per ottimizzare tutte le decisioni insieme – inventario, pricing, riapprovvigionamento, tutto in uno. La filosofia di Lokad è che le previsioni sono solo un mezzo per un fine; l’obiettivo vero è ottimizzare le decisioni (ad es. quanto acquistare, quale prezzo impostare) considerando tutti i vincoli e i compromessi economici.

Al centro c’è la previsione probabilistica. Lokad è stato uno dei pionieri nell’utilizzo di distribuzioni di probabilità complete per la domanda, e ha persino dimostrato il suo valore nell’arena neutrale delle competizioni di forecasting. Nella prestigiosa M5 Forecasting Competition (2020), un team di Lokad si è classificato 6° a livello mondiale su 909 squadre ⁶ – una valida conferma della loro tecnologia, dato che M5 si concentrava su dati retail granulari (di quelli che le aziende eCommerce affrontano). Notevolmente, M5 richiedeva previsioni probabilistiche (quantili), il che è in linea con il punto di forza di Lokad. Questo risultato indica non solo competenza accademica, ma anche rilevanza pratica: le loro previsioni erano tra le migliori, il che supporta qualsiasi ottimizzazione di inventario e pricing. Inoltre, il CEO dell’azienda ha sottolineato che, oltre un certo punto, i guadagni in accuratezza delle previsioni producono rendimenti decrescenti rispetto a una migliore modellazione delle decisioni ⁷. In altre parole, Lokad enfatizza l’ottimizzazione delle decisioni (quantità d’ordine, allocazioni, ecc.) utilizzando le previsioni probabilistiche, anziché inseguire un piccolo miglioramento dell’accuratezza delle previsioni che potrebbe non influenzare materialmente i risultati. Questa visione è rinfrescante e importante per l’eCommerce: riconosce che gestire elementi come esaurimenti, domanda intermittente ed effetti di sostituzione spesso conta più di un lieve miglioramento percentuale in una metrica di forecasting ⁷.

Dal punto di vista tecnologico, Lokad è all’avanguardia e fortemente orientato all’ingegneria. Hanno costruito il proprio stack tecnologico cloud-native (includendo un linguaggio specifico di dominio personalizzato chiamato “Envision” per scrivere script di ottimizzazione). Questo stack è progettato per elaborare grandi quantità di dati in modo efficiente ed economico. Ad esempio, il sistema di Lokad elabora regolarmente da gigabyte a terabyte di dati dei clienti (ordini, clic, ecc.) nel corso di poche ore durante la notte, per generare le decisioni del giorno successivo ⁸ ³. Per fare ciò, evitano di caricare tutto in RAM; invece utilizzano file mappati in memoria e storage colonnare su disco, permettendo che dataset più grandi della memoria di una macchina vengano gestiti in modo trasparente tramite il ricorso a SSD veloci ³ ⁹. Notano esplicitamente che Envision (il loro motore) supporta dataset più grandi della memoria anche dell’intero cluster grazie a “un intelligente ricorso agli NVMe drives”, e che operazioni embarrassingly parallele sono automaticamente distribuite tra core/machine ³. L’effetto netto: Lokad può scalare a assortimenti di SKU estremamente grandi senza richiedere al cliente di investire in quantità assurde di RAM o apparecchiature specializzate. Infatti, enfatizzano la necessità di poca hardware per funzionare – evitando situazioni in cui “cliccare il pulsante di esecuzione costa centinaia di dollari” in tariffe cloud ⁴. Questo è un punto sottile ma cruciale: li differenzia da alcuni pesanti sistemi enterprise che potrebbero tecnicamente gestire big data ma a un costo elevato. L’approccio di Lokad si avvicina a una pipeline big-data ottimizzata, simile ad Apache Spark o Google BigQuery, ma appositamente progettata per i calcoli in ambito supply chain. Questo focus sull’efficienza mantiene la soluzione economica man mano che scala – un grande vantaggio per gli eTailer con milioni di record.

La gestione di pricing e assortimento da parte di Lokad non avviene tramite moduli separati, ma attraverso la stessa logica di ottimizzazione. Poiché la piattaforma è essenzialmente guidata dal codice, è possibile modellare le interazioni. Per esempio, si può scrivere uno script che recita: “per ogni prodotto, considera la domanda probabilistica a diversi livelli di prezzo, valuta la disponibilità di stock e i tempi di riapprovvigionamento, quindi scegli il prezzo che massimizza il margine atteso meno il costo di mantenimento, a condizione di non incorrere troppo spesso in esaurimenti” – questa è una descrizione semplificata, ma illustra come pricing e inventario possano essere decisi insieme. Se un prodotto è in eccesso, il codice potrebbe decidere uno sconto per accelerare le vendite; se è scarso, potrebbe aumentare il prezzo per allocare l’inventario ai clienti che pagano di più. Pochi altri fornitori consentono questo livello di interazione. La soluzione di Lokad fondamentalmente genera le proprie politiche decisionali su misura per i dati del commerciante.

Cannibalization and substitution effects are handled naturally if you feed the right data. For example, one can incorporate an input of “if item A is unavailable, how much of its demand goes to item B” – such relationships can be learned from historical data (by analyzing past stockouts or assortment changes) and then fed into the optimization. Because Envision is a full programming language, these complex demand dynamics can be encoded. Lokad’s literature indicates they actively do this: the system “uncovers correlations across products, channels, and time periods” and computes decisions accordingly, rather than assuming each SKU is independent ¹⁰. It does not rely on simplistic time-series extrapolation; it computes full probability distributions for demand that account for promotions, stockouts, seasonality shifts, etc. ¹¹. By capturing these factors (including when demand was lost due to being out-of-stock), Lokad avoids the classic garbage-in problem of forecasting on biased sales data.

Another area where Lokad shines is l’intelligenza competitiva e l’integrazione di dati esterni. La piattaforma può assimilare qualsiasi dato rilevante – ad esempio, i prezzi dei concorrenti, il traffico web, persino i calendari delle campagne di marketing – come segnali di input aggiuntivi. Essi menzionano esplicitamente la capacità di incorporare “segnali esterni come la definizione dei prezzi dei concorrenti” e calendari di marketing, e di sperimentare facilmente con nuovi algoritmi o input grazie al design programmatico ¹². In pratica, se un’azienda di eCommerce possiede, per esempio, dati raccolti sui prezzi dei concorrenti o sa che il livello di stock di un partner del marketplace è un indicatore, può collegarlo al modello di Lokad per perfezionare le decisioni. Questo è molto più flessibile della maggior parte delle soluzioni pronte all’uso che potrebbero gestire solo dati interni. Ciò si rifà ad un approccio “scatola di vetro”: invece di nascondere la logica, Lokad ti consente di personalizzarla. Detto ciò, l’approccio di Lokad richiede che un Supply Chain Scientist configuri il sistema – non si tratta di un’interfaccia utente point-and-click per un principiante. Questo potrebbe essere visto da alcuni come uno svantaggio; tuttavia, il vantaggio risiede in una soluzione che si adatta esattamente all’azienda e può davvero automatizzare le decisioni, date le regole uniche dell’azienda.

Automazione e autonomia: Lokad è probabilmente il pianificatore della supply chain “totalmente robotizzato” più vicino in questo gruppo. La filosofia è che, una volta che gli script (la logica) sono stati impostati e convalidati, il sistema può funzionare quotidianamente (o intragiornaliariamente) e produrre decisioni raccomandate senza intervento umano. Molti utenti di Lokad si fidano effettivamente del fatto che esso produca ordini di acquisto e suggerimenti di prezzo che i pianificatori rivedono brevemente oppure eseguono automaticamente. Poiché il sistema è auto-adattivo (riaddestra le previsioni ogni giorno con i dati più recenti e si re-ottimizza di conseguenza), non richiede una messa a punto manuale dei parametri. Infatti, Lokad critica in modo piuttosto esplicito l’abitudine del settore alla messa a punto infinita – evidenziando che il loro sistema “non si basa su metodi semplicistici di serie storiche” e funziona senza una costante messa a punto manuale da parte degli utenti ¹⁰. Il lavoro massiccio di adeguamento alla stagionalità, agli eventi, alla domanda erratica è svolto dagli algoritmi, e non dai pianificatori che modificano le previsioni. Un aspetto chiave è l’azione: Lokad produce decisioni (o raccomandazioni azionabili) piuttosto che semplici diagnostiche. Ad esempio, invece di segnalare semplicemente che un certo articolo potrebbe esaurirsi (come fanno alcuni dashboard della “control tower”), raccomanderà direttamente una quantità d’ordine o una variazione di prezzo per affrontare la situazione. Mira a “raccomandare azioni correttive piuttosto che limitarsi ad emettere un allarme”, il che è cruciale se desideri un’operazione senza supervisione ¹³. In un ambiente eCommerce in rapida evoluzione, un sistema che si limiti a indicarti che c’è un problema non è sufficiente – vuoi che ti dica cosa fare a riguardo, o addirittura che lo faccia. Lokad è progettato per fare quest’ultimo.

Considerata questa lode, dove si dovrebbe essere scettici riguardo Lokad? La principale precauzione è che l’approccio di Lokad è altamente personalizzato e tecnico. Non si tratta di un SaaS plug-and-play, dove lo attivi e vedi immediatamente una bella interfaccia utente con tutte le risposte. Esso richiede un certo livello di maturità dei dati e fiducia nei metodi quantitativi da parte dell’azienda utilizzatrice. Vi è anche una dipendenza implicita dal team di Lokad (i “Supply Chain Scientist”) specialmente durante l’installazione iniziale – in pratica, agiscono come il tuo team esteso per implementare la soluzione. Questo è un modello diverso da, ad esempio, installare un software ben definito. Se un cliente non è preparato ad impegnarsi in quel processo collaborativo e pesante dal punto di vista ingegneristico, potrebbe avere difficoltà. Tuttavia, questo modello è anche ciò che permette una profonda ottimizzazione. È un classico compromesso: flessibilità e potenza contro facilità d’uso. Lokad chiaramente ottimizza per potenza e flessibilità.

Da una prospettiva di marketplace, la proposta di valore di Lokad sembra particolarmente allineata alle esigenze dell’eCommerce. Le aziende di eCommerce affrontano molte sfide – esaurimenti di stock, surplus di magazzino, picchi di domanda volatili dovuti a promozioni o all’effetto degli influencer, ecc. – e spesso ricorrono all’assemblaggio di strumenti (dashboard BI, script Python ad hoc, ecc.) per colmare le lacune lasciate dal loro ERP o WMS. Lokad si posiziona essenzialmente come lo strato specializzato che raccoglie tutti quei segnali e produce un piano quasi ottimale. Si contrappongono esplicitamente agli strumenti semplicistici forniti dai marketplace o dagli ERP, notando che questi “affrontano solo una frazione” di ciò a cui le aziende di eCommerce devono far fronte ¹⁴ ¹⁵. Ad esempio, un marketplace di Amazon potrebbe fornire una previsione della domanda per la prossima settimana – ma non integrerebbe i costi della supply chain o il tuo inventario multi-magazzino. La tecnologia di Lokad è progettata per gestire ogni segnale rilevante fino al livello SKU, senza intoppi e senza che gli utenti debbano maneggiare manualmente fogli di calcolo ¹⁶. Questa è una proposta di valore forte se mantenuta come pubblicizzata.

Per riassumere Lokad: Si posiziona al vertice della nostra lista per la sua capacità di ottimizzazione olistica e la tecnologia avanzata. Soddisfa in modo diretto il criterio di ottimizzazione congiunta – l’inventario, i prezzi e altro possono essere ottimizzati insieme tramite la sua piattaforma programmatica. Sfrutta la previsione probabilistica e i driver economici (effettuavano previsioni sui quantili prima che fosse di moda, come evidenziato dal loro successo nella competizione M5 ⁶) e non si tira indietro davanti a effetti complessi come la sostituzione o le correlazioni multicanale. La sua architettura è scalabile e attenta ai costi, evitando la trappola del calcolo in memoria a forza bruta ³ ⁴. L’automazione è molto elevata, con una minima messa a punto manuale necessaria e un focus sulla produzione di decisioni, non solo di informazioni ¹³. Lo scetticismo che si potrebbe applicare a Lokad non riguarda tanto se la tecnologia funzioni – le evidenze suggeriscono che funziona – ma piuttosto se un’organizzazione sia pronta ad abbracciare una soluzione così pesante in termini di data science. Esiste anche la questione della comprovata esperienza su larga scala; Lokad è più piccolo di alcuni concorrenti, sebbene abbia clienti notevoli (per esempio, distributori industriali del aftermarket, e-tailers di moda, ecc., secondo i loro case study). Data quanto sopra, Lokad merita una posizione di vertice come fornitore di ottimizzazione per l’eCommerce veramente all’avanguardia nel nostro studio.

2. RELEX Solutions – Ottimizzazione al dettaglio con IA (con alcune riserve)

RELEX Solutions è un fornitore con sede in Finlandia che si è rapidamente affermato nel settore della pianificazione al dettaglio, spesso menzionato nello stesso respiro dei giganti tradizionali per la previsione e il rifornimento. RELEX offre una piattaforma unificata che copre la previsione della domanda, il rifornimento dell’inventario, l’allocazione, l’assortimento, la programmazione della forza lavoro e, recentemente, l’ottimizzazione dei prezzi e delle promozioni. Il loro punto di forza principale è stato il settore della spesa e del retail (inclusi i negozi fisici), ma si rivolgono attivamente anche ai giocatori dell’eCommerce, enfatizzando la loro capacità di pianificare attraverso canali online e offline. Per gli utenti esclusivamente eCommerce, il valore di RELEX risiede nella pianificazione end-to-end – garantire l’inventario giusto nel posto giusto, con il prezzo e le promozioni adeguate, utilizzando algoritmi avanzati per reagire ai cambiamenti nella domanda.

RELEX promuove fortemente l’uso di IA e machine learning. In effetti, il suo CEO Mikko Kärkkäinen è un sostenitore esplicito dell’“IA pragmatica” nel retail. Secondo Kärkkäinen, “i sistemi di gestione dell’inventario guidati dall’IA elaborano centinaia di fattori che influenzano la domanda” per aumentare la precisione delle previsioni ¹⁷. Egli sottolinea persino che dati come quelli meteorologici non rappresentano un singolo fattore, ma “centinaia di fattori differenti” (temperatura, umidità, ecc.) che i loro modelli di machine learning considerano ¹⁸. Questo esemplifica l’approccio di RELEX: gettare una rete ampia per raccogliere segnali predittivi (meteorologia, promozioni, festività, tendenze dei social media, ecc.) e utilizzare il ML per correlare questi segnali alle vendite. Il vantaggio è che il sistema può rilevare schemi complessi (ad esempio, come un’improvvisa ondata di calore influenzi la domanda per certe bevande in combinazione con il fatto che sia un weekend festivo). La visione scettica, tuttavia, è che enfatizzare “centinaia di fattori” potrebbe essere più una mossa di marketing che un miglioramento sostanziale. Nella previsione, oltre un certo punto, l’aggiunta di ulteriori input produce rendimenti decrescenti o può addirittura ridurre la precisione se il modello sovradatta il rumore. Inoltre, rende il modello una scatola nera – è praticamente impossibile per un essere umano comprendere un modello che utilizza veramente centinaia di variabili. RELEX tenta di contrastare la preoccupazione della black-box promuovendo un approccio a “scatola di vetro” (trasparenza nell’IA). Hanno parlato di fornire visibilità nelle previsioni e non solo un risultato, permettendo ai pianificatori di vedere i driver chiave. Ma realisticamente, una rete neurale o un modello di gradient boosting con centinaia di caratteristiche non sarà completamente interpretabile. I pianificatori dovranno fidarsi del sistema. Questo è un compromesso generale con l’IA/ML: RELEX è dalla parte di “lancia molti dati al problema e lascia che siano gli algoritmi a risolverlo.”

Questo produce risultati? I clienti di RELEX spesso riferiscono una precisione migliorata delle previsioni e meno esaurimenti di scorte, specialmente in situazioni promozionali e stagionali in cui i metodi tradizionali faticavano. Ad esempio, RELEX integra le previsioni meteorologiche e ha affermato una riduzione fino al 75% dell’errore di previsione per alcuni prodotti sensibili alle condizioni meteorologiche in periodi insoliti ¹⁹. Prendiamo tali affermazioni specifiche con le dovute cautele – potrebbero essere state selezionate. Tuttavia, l’approccio di RELEX probabilmente aggiunge valore nelle previsioni a breve termine (“demand sensing”) adeguando le previsioni in base alle ultime informazioni. In sostanza, i loro modelli ML stanno continuamente perfezionando la previsione di base con nuovi segnali di dati. Questo è simile a ciò che alcuni definiscono demand sensing (utilizzare dati quasi in tempo reale per aggiornare previsioni a breve termine). RELEX, nei suoi materiali, integra il demand sensing nella sua più ampia previsione ML, piuttosto che trattarlo come un modulo separato. Promuovono il “ri-previsione continua e automatizzata” man mano che le situazioni cambiano.

Sul fronte dell’ottimizzazione congiunta, quanto bene copre RELEX la questione dei prezzi e dell’assortimento oltre all’inventario? Storicamente, RELEX era più forte nel rifornimento e nell’allocazione (garantendo che i negozi o i Centri di Distribuzione non finiscano le scorte). La pianificazione dell’assortimento (decidere quali prodotti destinare a quali negozi o quali SKU portare) faceva parte anche del loro portfolio, così come l’ottimizzazione del planogramma (pianificazione degli spazi). L’ottimizzazione dei prezzi è stata una lacuna fino a tempi recenti – ma nel 2022 RELEX ha introdotto una capacità di ottimizzazione dei prezzi guidata dall’IA ²⁰ ²¹. La posizionano come perfettamente unificata con la loro pianificazione delle promozioni. Ad esempio, il loro strumento di pianificazione delle promozioni e quello di ottimizzazione dei prezzi condividono gli stessi dati e interfaccia, così un rivenditore può pianificare una promozione e il sistema può raccomandare la profondità di sconto ottimale, i tempi, ecc., e poi le implicazioni sull’inventario vengono considerate automaticamente. Questo sta certamente andando verso l’ottimizzazione congiunta. Tuttavia, non è chiaro se RELEX ottimizzi davvero insieme il prezzo e l’inventario o se lo faccia ancora in maniera sequenziale (prima si decide sul prezzo, poi si adatta il flusso di inventario). In un’ottimizzazione congiunta ideale, si dovrebbero considerare i vincoli dell’inventario quando si fissano i prezzi (ad esempio, non promuovere aggressivamente un articolo se la fornitura è limitata). La piattaforma integrata di RELEX probabilmente consente tale pensiero trasversale – per esempio, il loro sistema noterebbe “non abbiamo abbastanza scorte nel Centro di Distribuzione per supportare questa promozione in tutti i negozi” e potrebbe segnalarlo o adattarlo. Hanno menzionato l’allineamento dei prezzi e delle promozioni con la supply chain per garantire che i piani siano eseguibili ²². Quindi, RELEX è consapevole della necessità di rompere i silos.

Una prospettiva interna: l’attrattiva di RELEX è che riunisce tutto (domanda, offerta, operazioni) in un’unica piattaforma per l’utente. Ad esempio, i pianificatori di merchandise possono vedere previsioni condivise e vincoli trasversali ai dipartimenti ²². Ciò significa che un pianificatore può comprendere l’impatto che una decisione di prezzo avrà sulla supply chain e viceversa. Quella visibilità rappresenta un grande miglioramento rispetto agli strumenti isolati. Ma la visibilità non equivale a un’ottimizzazione completamente algoritmica. Sospettiamo che, sebbene RELEX offra un’esperienza utente e un modello di dati molto coerenti, parte del processo decisionale possa ancora essere sequenziale. L’ottimizzazione dei prezzi potrebbe produrre un prezzo ideale, e il modulo dell’inventario pianificherebbe di conseguenza. L’integrazione stretta garantisce che non vi siano conflitti, ma non sta necessariamente risolvendo un unico problema di ottimizzazione che massimizza il profitto considerando contemporaneamente i costi dell’inventario. Raggiungere quest’ultimo è complesso e non molti fornitori (forse ad eccezione di Lokad, come discusso) lo tentano esplicitamente.

Dal punto di vista dell’architettura tecnologica, RELEX è piuttosto avanzato. Hanno sviluppato il proprio motore di database in-memory nei primi tempi (un DB colonnare ottimizzato per serie temporali e dati gerarchici) che ha permesso loro di calcolare rapidamente le previsioni per migliaia di negozi per SKU. Molti case study citano come RELEX abbia sostituito fogli di calcolo e sistemi legacy, riuscendo immediatamente a gestire una granularità dei dati molto maggiore (come passare dalla pianificazione settimanale a quella giornaliera, o una pianificazione specifica per negozio invece di una soluzione unica per tutti). Per l’eCommerce, ciò significa che RELEX probabilmente può gestire previsioni a livello SKU per un negozio globale online senza problemi. Hanno implementazioni cloud e possono scalare. Non abbiamo riscontrato lamentele specifiche sui costi della tecnologia di RELEX; se possibile, si vantano di un calcolo efficiente (i loro fondatori accademici hanno ottimizzato molto gli algoritmi). Una cosa che possiedono è il concetto di “Live database” in-memory, che, se configurato male, potrebbe richiedere molta RAM – ma questo è solo ipotetico. In generale, la scalabilità di RELEX non è stata un problema di rilievo sul mercato; servono enormi catene di supermercati con decine di migliaia di SKU e molti negozi, volume di dati analogo o superiore rispetto a quello di molti e-tailers.

Automazione e il ruolo dei pianificatori: RELEX spesso parla di “pianificazione autonoma” ma anche di “decisioni aumentate”. Non posizionano il loro strumento come una scatola nera che sostituisce il pianificatore. Infatti, enfatizzano l’usabilità – ad esempio, la loro UI, dashboard configurabili e la gestione delle eccezioni. Il sistema genererà automaticamente ordini di acquisto o raccomandazioni di trasferimento, ma in genere un pianificatore li rivede e approva (soprattutto nelle fasi iniziali di adozione). RELEX ha un concetto di “eccezioni di previsione” in cui, se la previsione AI devia troppo a causa di un’anomalia, viene segnalata. Hanno anche una capacità di simulazione in cui i pianificatori possono vedere perché il sistema suggerisce qualcosa (almeno in termini generali, come “perché il tempo era caldo, prevediamo un aumento del 50%”). Mikko Kärkkäinen ha dichiarato: “le soluzioni best-in-class sfruttano un’AI pragmatica e la potenza computazionale per ottimizzare i compiti… in modo autonomo senza intervento umano” ²³, e descrive anche “la pianificazione retail autonoma che si auto-apprende e si auto-regola rompe i silos” ⁵. Quindi, almeno nella visione, RELEX mira a un sistema in gran parte self-driving. Restiamo leggermente scettici riguardo a una piena autonomia: i grandi rivenditori che usano RELEX hanno ancora team di pianificazione. Ma questi team probabilmente ora gestiscono per eccezione, il che è una forma di autonomia parziale.

Una delle contraddizioni da tenere d’occhio con RELEX (e fornitori simili) è la promessa sia di estrema flessibilità che di estrema automazione. Essi affermano che il sistema è molto flessibile (ad esempio, si può configurare il funzionamento delle regole di pricing, oppure regolare i modelli di previsione), eppure sostengono anche che esso si auto-regola. Esiste una tensione: se un utente può intervenire manualmente in molte impostazioni, il sistema in pratica potrebbe fare affidamento su quelle impostazioni manuali. Se si dovesse veramente affidare all’AI, sarebbe necessario intervenire sempre meno. Il riferimento di RELEX al “self-tuning” implica quest’ultimo – ovvero, con il tempo, il sistema richiederà meno regolazioni manuali dei parametri ⁵. Abbiamo visto notare che l’approccio di RELEX rende i pianificatori più supervisori. Ad esempio, un articolo ha osservato che il sistema di RELEX ha liberato i pianificatori dai compiti manuali per concentrarsi su mosse strategiche ²⁴. Tuttavia, una fonte aggregata da SelectHub ha riferito che alcuni utenti trovavano parti di RELEX “goffe” e riscontravano problemi, come la previsione di alcuni vincoli (limiti di trasporto) che richiedevano soluzioni alternative ²⁵. Questo indica che non è tutto magia; gli utenti incontrano comunque situazioni in cui devono intervenire o in cui lo strumento non funziona in modo fluido.

Problemi noti o preoccupazioni: Non esistono casi di “fallimento” documentati pubblicamente per RELEX come invece avviene per altri (nessun titolo di causa legale). L’azienda gode generalmente di un passaparola positivo. Tuttavia, chiacchiericcio interno anonimizzato a volte riporta che l’implementazione di RELEX in ambienti molto grandi e complessi può far emergere dei problemi. Ad esempio, l’integrazione dei dati può essere particolarmente sfidante (garbage in, garbage out – se i dati del cliente sono un pasticcio, RELEX potrebbe produrre piani scadenti, e la colpa ricade sia sullo strumento che sui dati). Inoltre, la crescita aggressiva di RELEX (hanno acquisito molti clienti rapidamente) significa che alcuni clienti potrebbero non ricevere lo stesso supporto dedicato offerto, ad esempio, da Lokad. Questo non è una critica al software in sé, ma ai risultati nel mondo reale: quanti progetti RELEX raggiungono realmente gli obiettivi promessi? I fornitori amano citare i migliori miglioramenti (“Riduzione delle scorte del X% per il cliente Y!”), ma raramente menzionano i casi in cui i numeri non si sono concretizzati. Sospettiamo che RELEX, come tutti i fornitori, abbia avuto alcuni progetti che hanno deluso, possibilmente a causa di una cattiva gestione del cambiamento o perché il rivenditore non ha riposto sufficiente fiducia nel sistema da agire di conseguenza. In un summit per partner, anche Blue Yonder ha ammesso che una gestione del cambiamento inefficace e problemi con i dati sono alla base della maggior parte dei fallimenti di progetto ²⁶ – la stessa situazione probabilmente si verifica nelle implementazioni di RELEX.

Un altro aspetto rilevato: RELEX tende a incorporare molti dati esterni, inclusi elementi come Google Trends, dati di localizzazione mobile per le previsioni sull’affluenza, ecc. Per un operatore eCommerce, alcuni di questi (come l’affluenza) sono irrilevanti, mentre altri (come il meteo e le tendenze) sono importanti. Ci si deve chiedere: ho davvero bisogno di tutti questi flussi di dati? Per alcuni e-business, modelli semplici basati sulla cronologia delle vendite potrebbero essere quasi altrettanto validi. RELEX promuoverà senz’altro l’idea che più dati significano previsioni migliori. I risultati della competizione M5 (alla quale RELEX non ha partecipato pubblicamente, per quanto ne sappiamo) hanno dimostrato che modelli sofisticati hanno superato quelli più semplici, ma spesso con margini ridotti. I metodi migliori erano spesso insiemi di molti modelli, non diversamente da ciò che RELEX potrebbe utilizzare internamente. Ma, in modo interessante, un approccio di machine learning puro non ha schiacciato in maniera categorica i metodi tradizionali in quei concorsi – una combinazione di modelli statistici accuratamente regolati tendeva a prevalere. Quindi, se confrontiamo le affermazioni di RELEX con benchmark come l’M5, vediamo che la previsione probabilistica è effettivamente preziosa (come sostengono), ma osserviamo anche che non esiste una ricetta segreta unica tra gli approcci migliori – si tratta di modellazione accurata. In assenza di pubblicazioni sulla precisione di RELEX su tali dataset standard, restiamo cauti. Il consiglio dello scettico per chiunque stia considerando RELEX è: chiedere prove specifiche di miglioramento e definire un punto di riferimento chiaro. Ad esempio, se RELEX afferma “abbiamo migliorato l’accuratezza delle previsioni del 30%”, bisogna precisare “30% rispetto a quale metrica e a quale baseline?” Molte volte i fornitori misurano l’incremento rispetto a uno scenario che esalta il loro strumento (ad esempio, comparandolo a previsioni naïve o a un anno negativo). L’indicazione di questo studio: richiedere chiarezza sui benchmark per ogni affermazione sulle prestazioni.

In sintesi, RELEX Solutions si posiziona come un fornitore di prim’ordine perché affronta in modo integrato le aree chiave (domanda, inventario, pricing) e utilizza in maniera estesa moderne tecniche di AI/ML. I suoi punti di forza includono previsioni molto granulari che tengono conto di una miriade di fattori, forti capacità di promozione e pianificazione stagionale, e una piattaforma unificata che offre a tutti gli stakeholder una singola fonte di verità. Risponde ai requisiti riguardanti la scalabilità (dimostrata nel retail di grandi dimensioni), la gestione della cannibalizzazione (attraverso modelli di previsione avanzati che considerano gli effetti incrociati tra prodotti ²⁷), e il marketplace/omni-channel (il sistema può pianificare contemporaneamente per online e offline e probabilmente integrare i dati dei concorrenti se forniti). RELEX spinge anche verso l’automazione, con affermazioni di modelli auto-regolanti e decisioni autonome, sebbene in pratica rimanga una certa supervisione da parte dell’utente. Le principali avvertenze sono la complessità e l’opacità che accompagnano il suo approccio fortemente incentrato sull’AI – gli utenti devono affidarsi, per certi versi, a una scatola nera – e la necessità di distinguere l’hype dalla realtà nel marketing. Valutiamo RELEX molto positivamente, ma con un asterisco: è uno strumento potente, ma che richiede un’implementazione attenta e una cultura basata sui dati per essere pienamente sfruttato. Incoraggiamo inoltre i potenziali utenti a prestare attenzione al “AI washing” nel settore; il messaggio di RELEX è tra i più credibili (poiché hanno una tecnologia reale sotto il cofano), ma anche le dichiarazioni di Mikko sui “centinaia di fattori” ¹⁷ andrebbero considerate come entusiasmo per l’AI piuttosto che una garanzia di risultati drasticamente migliori rispetto a un concorrente. In un contesto eCommerce, RELEX può certamente svolgere il suo compito, basta assicurarsi di misurare rigorosamente i risultati e verificare se tutte quelle funzionalità avanzate vengono effettivamente utilizzate o se stanno semplicemente inattive nel software.

3. Blue Yonder – Colosso legacy in trasformazione (Dichiarazioni vs. Realtà)

Blue Yonder (precedentemente conosciuta come JDA Software) è un gigante del software per la supply chain, con decenni di storia nei sistemi di pianificazione per il retail e la produzione. Dispone di una suite completa che copre previsioni, rifornimento, gestione del magazzino, trasporti, risorse umane e pricing (dopo aver acquisito lo specialista del pricing Revionics nel 2020). Per gli operatori eCommerce, Blue Yonder offre soluzioni originariamente create per grandi rivenditori e aziende di beni di consumo confezionati – pensatela come il colosso enterprise in questo settore. Tuttavia, con questo retaggio arrivano sia punti di forza (funzionalità robuste, scalabilità, esperienza di settore) sia notevoli debolezze (tecnologie obsolete in alcune parti, problemi di integrazione dovuti a molteplici acquisizioni e una storia che include alcuni fallimenti di alto profilo).

In termini di ottimizzazione congiunta, la storia di Blue Yonder è alquanto mista. Hanno effettivamente componenti per ogni aspetto: per esempio, il loro Luminate Demand Edge per le previsioni, Luminate Allocation/Replenishment per l’inventario e Revionics per il pricing. Su carta, si potrebbero utilizzare tutti e tre per ottenere una strategia coordinata – ad esempio, le previsioni alimenterebbero sia il piano di inventario che i modelli di ottimizzazione dei prezzi, e l’ottimizzazione dei prezzi potrebbe tenere conto dell’elasticità della domanda (che equivale sostanzialmente a prevedere la domanda a diversi livelli di prezzo). Blue Yonder promuove senz’altro l’idea di un sistema end-to-end, “dalla pianificazione all’esecuzione” unificato sotto la loro piattaforma Luminate. In pratica, però, molti di questi moduli si sono evoluti separatamente e sono stati uniti solo recentemente. Il motore di ottimizzazione dei prezzi Revionics, per esempio, ha le sue radici autonome ed è stato integrato dopo l’acquisizione. La sfida per Blue Yonder è far sì che il tutto appaia come una soluzione coerente. L’azienda ha riconosciuto che, storicamente, disponeva di una suite frammentata; di conseguenza, nel 2023 ha annunciato una grande trasformazione architettonica: passare a un “modello dati unico e piattaforma applicativa” sul cloud Snowflake ²⁸. Questo è un cambiamento importante – sostanzialmente reingegnerizzare i loro prodotti affinché leggano/scrivano da un unico grande repository dati cloud (Snowflake) in modo che i silos di dati scompaiano. Il CEO ha dichiarato la visione di un “sistema operativo per la supply chain a livello mondiale” in cui tutte le applicazioni BY condividono i dati in modo fluido ²⁸.

Consideriamo questa visione sia promettente che problematica. Promettente perché, se realizzata, risolverebbe davvero molti problemi di integrazione (ad esempio, non ci sarebbero più interfacce batch tra la pianificazione della domanda e il pricing – consulterebbero letteralmente gli stessi dati in Snowflake). Problematico perché è estremamente ambiziosa e rischiosa. Persino la società di consulenza partner di Blue Yonder ha osservato, “Pur essendo visionaria, riteniamo che eliminare completamente le integrazioni possa essere eccessivamente ottimistico per la maggior parte dei clienti.” ²⁹. I clienti hanno dati in molti luoghi e non tutto risiederà ordinatamente in Snowflake, quindi sarà comunque necessaria un’integrazione personalizzata per i sistemi non Blue Yonder ²⁹. In breve, la strategia di Blue Yonder è un lavoro in corso – una risposta al fatto di essere percepiti come “legacy”. Hanno dichiarato esplicitamente che non imporranno “cliff events” (l’eliminazione improvvisa della vecchia tecnologia) ma trasformeranno gradualmente i moduli legacy in microservizi, permettendo ai clienti di migrare a proprio ritmo ³⁰ ³¹. Ciò significa che attualmente un cliente Blue Yonder potrebbe ancora utilizzare, per esempio, la vecchia pianificazione della domanda JDA on-premise, con un’integrazione a Revionics sul cloud. La piattaforma completamente unificata potrebbe essere disponibile tra qualche anno. Nel frattempo, l’ottimizzazione congiunta è più manuale con Blue Yonder: potresti utilizzare i loro strumenti in tandem, ma spesso spetta all’utente coordinare (ad esempio, assicurarsi che le azioni del team di pricing vengano integrate nel piano di inventario).

Blue Yonder soddisfa su carta molti requisiti tecnologici: ora integra il machine learning nelle previsioni (sfruttando la tecnologia della società Blue Yonder GmbH, acquisita nel 2018 e specializzata in AI per il retail). Afferma di utilizzare “explainable AI, machine learning, e persino generative AI” in varie applicazioni ³². Hanno certamente algoritmi avanzati per aspetti come l’ottimizzazione del rifornimento, l’allocazione, ecc., sviluppati in decenni. Ma si deve mantenere uno scetticismo, perché Blue Yonder possiede anche un notevole debito tecnico. Molti dei loro algoritmi core sono stati sviluppati negli anni ‘90 o all’inizio degli anni 2000 da i2 Technologies o JDA. Sono stati migliorati, sì, ma fino al recente rifacimento in cloud, gran parte di essi girava su architetture obsolete (alcune soluzioni richiedevano database Oracle, ecc.). Quindi, quando Blue Yonder promuove “la pianificazione cognitiva guidata da ML”, ci si deve chiedere: si tratta veramente di una tecnologia nuova o solo di un nuovo marchio? Ad esempio, la loro pianificazione della domanda potrebbe ora utilizzare l’ML per stimare incrementi previsionali per le festività, il che è positivo, ma l’architettura sottostante sfrutta davvero la potenza di calcolo cloud odierna o è limitata dall’essere stata adattata a un sistema legacy?

Un problema storico concreto: Blue Yonder (JDA) ha acquisito i2 Technologies nel 2010. i2 era nota per soluzioni fortemente orientate all’ottimizzazione, ma anche per implementazioni fallite in alcuni casi. Celebre, dopo l’acquisizione di i2 da parte di JDA, Dillard’s (un grande grande magazzino) vinse una causa legale per 246 milioni di dollari sostenendo che il software di i2 non aveva mantenuto le promesse ³³ ³⁴. Fu un enorme macchia – il software e il progetto fallirono così miseramente che il cliente ottenne un risarcimento superiore a 30 volte quanto aveva pagato per il software. Quella vicenda, sebbene risalga a 15 anni fa, evidenzia che anche fornitori di altissimo livello possono commettere gravi errori se la tecnologia fa promesse eccessive o se l’implementazione non è adeguata. Blue Yonder ha dovuto assorbire quel costo e ha tratto delle lezioni (si spera). Questo sottolinea perché manteniamo uno scetticismo: i grandi fornitori possono ostentare “prodotti di livello mondiale” ma esistono prove che, in alcuni casi, non funzionano come pubblicizzato. Ogni fornitore ha i suoi fallimenti; Blue Yonder, almeno, ha avuto un caso trascinato in tribunale.

A credito di Blue Yonder, l’azienda è diventata più trasparente nell’affrontare i problemi. Al summit per partner del 2023, hanno discusso apertamente dei “progetti rossi” (implementazioni problematiche) e hanno constatato che le cause principali non erano tanto gli algoritmi, ma “la gestione del cambiamento inefficace e i problemi con la migrazione/integrazione dei dati” ²⁶. Hanno sottolineato che ottenere dati corretti e supportare il cliente nell’adattare i propri processi era fondamentale. Questa capacità di introspezione è positiva – significa che Blue Yonder non è cieco sulle ragioni per cui i progetti falliscono. Ciò si allinea anche con il nostro tema di analisi complessiva: spesso il problema non è tanto che la matematica sia sbagliata, ma che l’integrazione nel mondo reale risulti difficile. Il fatto che Blue Yonder individui le sfide dell’integrazione dei dati è significativo: riflette la complessità della loro suite. Se i loro moduli fossero davvero integrati in maniera perfetta, la migrazione dei dati non sarebbe un tale problema. Il fatto che lo sia implica che i clienti potrebbero aver dovuto eseguire una riconciliazione massiccia dei dati per utilizzare l’intera suite. Lo strato dati unificato di Snowflake mira a risolvere questo problema, ma, come detto, siamo ancora nella fase iniziale.

Esaminiamo le capacità attuali di Blue Yonder per uno scenario eCommerce:

Demand Forecasting: Blue Yonder Luminate Demand (specialmente con Demand Edge) utilizza il machine learning per incorporare molti fattori (meteo, eventi, prezzi). Hanno anche adottato previsioni probabilistiche; almeno supportano l’uso di intervalli di confidenza o quantili nella pianificazione. Un esempio dal loro blog: non usano l’AI semplicemente per sovrapporre fattori a una base di partenza, ma per ricostruire la previsione da zero ogni giorno utilizzando i dati più recenti, tenendo automaticamente conto di elementi come gli spostamenti del calendario, ed auto-correggendosi man mano che arrivano nuovi dati ³⁵ ³⁶. Sostengono che ciò elimini la necessità per i pianificatori di mantenere aggiustamenti manuali o profili per la stagionalità – il modello li apprende e si adatta ³⁶. Questo è molto in linea con le pratiche previsionali all’avanguardia. L’approccio di Blue Yonder qui è solido in teoria: apprendimento continuo, riconoscimento dell’incertezza (parlano del rischio di sovra/sotto-previsione e dei trade-off in termini di costi ³⁷), e l’uso del ML per individuare relazioni complesse (come il modo in cui diverse condizioni meteo o promozioni influenzano la domanda, senza che un umano codifichi esplicitamente tali relazioni).
Inventory & Replenishment: Questo è da tempo un punto di forza di JDA/Blue Yonder. Offrono l’ottimizzazione degli stock multi-livello (MEIO), il che significa che possono ottimizzare i livelli di scorte attraverso centri di distribuzione (DCs) e centri di fulfilment per l’eCommerce, tenendo conto dei tempi di consegna, della variabilità della domanda, ecc., per raggiungere i livelli di servizio target. Gli strumenti di Blue Yonder possono generare quantità d’ordine raccomandate, scorte di sicurezza, e così via. Storicamente, questi algoritmi erano più basati su regole o euristiche oppure utilizzavano la programmazione lineare per problemi specifici. Probabilmente ora vengono integrati con previsioni basate su ML, ma l’ottimizzazione di base è probabilmente un mix di ricerca operativa e simulazione. BY può sicuramente gestire la pianificazione su larga scala degli SKU; molti retailer Fortune 500 utilizzavano JDA per il rifornimento dei negozi, che è analogo in scala a un grande magazzino e-comm che serve i clienti.
Assortment: Blue Yonder dispone di strumenti di gestione della categoria che aiutano a decidere l’assortimento (quale mix di prodotti in quali negozi). Per un player esclusivamente eCommerce, la pianificazione dell’assortimento potrebbe significare decidere quali nuovi prodotti inserire o eliminare. Gli strumenti di BY possono utilizzare attributi e dati di performance per valutare le variazioni dell’assortimento. Tuttavia, questo è solitamente un processo strategico periodico, non continuo.
Price Optimization: Con l’acquisizione di Revionics, Blue Yonder ha acquisito un robusto motore di ottimizzazione dei prezzi, ampiamente utilizzato nel retail (soprattutto nelle catene di alimentari e di beni di largo consumo) per impostare prezzi base, sconti promozionali e riduzioni. Revionics utilizza l’AI per modellare l’elasticità dei prezzi e persino gli impatti derivanti dai prezzi dei concorrenti, per poi raccomandare variazioni che raggiungano obiettivi quali l’aumento del margine o dei ricavi, tenendo conto delle regole sui prezzi (ad esempio, terminare i prezzi con .99, ecc.). Come parte di Blue Yonder, Revionics è ora conosciuto come Luminate Pricing. In teoria, quel motore, combinato con le previsioni di domanda di Blue Yonder, chiude il cerchio – si può simulare come un cambiamento di prezzo influirà sulla domanda e sulle scorte, e scegliere un prezzo ottimale. Blue Yonder commercializza questo come “autonomous pricing powered by AI”, in grado di operare con la frequenza necessaria (anche intraday per l’e-commerce, se desiderato).

A grande domanda: Quanto bene funzionano effettivamente questi elementi insieme oggi? Blue Yonder sostiene che funzionino. Ad esempio, potrebbero affermare che la loro soluzione di pricing è in grado di prendere le previsioni provenienti dalla loro soluzione per la domanda e generare prezzi che la soluzione per le scorte utilizza per pianificare gli ordini. Ma se queste integrazioni non sono in tempo reale o richiedono lavoro IT personalizzato, il circuito potrebbe non essere così stretto come ci si aspetterebbe. Realisticamente, un utente eCommerce di Blue Yonder nel 2023 potrebbe usare lo strumento di pricing separatamente da quello per la supply chain, magari con aggiornamenti batch settimanali dell’elasticità delle previsioni. Si tratta di una pianificazione congiunta, ma non del sacro Graal dell’ottimizzazione congiunta istantanea.

Per quanto riguarda le affermazioni su AI/ML, Blue Yonder a volte cade nel cliché dei termini d’ordine nel marketing. Utilizzano espressioni come “cognitive”, “guidato dal machine learning”, ecc. Bisogna esaminare se vi sia sostanza. Ci sono alcune evidenze a favore: per esempio, Blue Yonder (la controllata tedesca originaria) aveva sviluppato algoritmi di cui sono stati pubblicati studi (il loro team vinse una competizione precoce sulla previsione retail nel 2014 utilizzando reti neurali). Inoltre, il portafoglio di brevetti di Blue Yonder è vasto (oltre 400 brevetti) a indicare molta attività di R&S ³⁸. Tuttavia, la quantità di brevetti non equivale alla qualità del prodotto – indica solo che hanno sperimentato molte tecniche. La prospettiva scettica è quella di chiedere a Blue Yonder risultati specifici: ad esempio, hanno partecipato a M5 o a qualche benchmark neutro? Non pubblicamente. Esistono case study con numeri concreti pre e post implementazione? Alcuni ce li hanno, ma spesso i case study dei vendor sono idealistici e mancano di chiarezza di riferimento. Blue Yonder afferma cose come “il retailer X ha registrato un aumento del profitto del Y% usando il nostro pricing” – ma senza contesto, si tratta di marketing.

Bisogna anche considerare il costo e la complessità di Blue Yonder. Questi sono sistemi aziendali di grande dimensione. L’implementazione può richiedere molti mesi o addirittura anni, e comporta non solo l’installazione software ma anche la riprogettazione dei processi aziendali. Blue Yonder solitamente richiede l’intervento dei propri servizi professionali o di una società partner per l’implementazione. Il costo totale di proprietà può essere molto elevato (licenze + servizi + IT). Per un operatore puramente eCommerce, soprattutto uno di medie dimensioni, Blue Yonder potrebbe risultare eccessivo o troppo lento da implementare rispetto a soluzioni SaaS più agili. Anche le grandi aziende a volte esitano: un caso rilevante è Lidl (il grande retailer globale) che ha annullato nel 2018 un progetto SAP da €500M dopo che non aveva soddisfatto le necessità ³⁹. Quello era SAP, non Blue Yonder, ma dimostra che progetti enormi possono fallire, assorbendo budget imponenti. I progetti di Blue Yonder sono altrettanto complessi; infatti, il loro partner JBF Consulting ha notato che il concorrente Manhattan Associates ha adottato un approccio diverso (richiedendo una reimplementazione per la loro nuova piattaforma), mentre BY sta cercando una migrazione più graduale ⁴⁰. Il fatto che Manhattan abbia scelto la via della “reimplementazione per passare a nuova tecnologia” suggerisce che tali transizioni non siano banali. Blue Yonder cerca di evitare aggiornamenti da incubo evolvendosi lentamente – ma ciò significa anche che i clienti potrebbero trovarsi ad utilizzare una tecnologia non del tutto moderna, in attesa delle novità.

Dal punto di vista dell’automazione, oggi Blue Yonder è probabilmente meno automatizzato rispetto a quanto mirino a ottenere Lunad o RELEX. Molti clienti BY usano gli strumenti per generare raccomandazioni che i pianificatori poi approvano o modificano. Blue Yonder promuove il concetto di una “supply chain autonoma” (soprattutto da quando è stata acquisita da Panasonic nel 2021, parlano di collegare i dati IoT a decisioni automatizzate) ⁴¹. Tuttavia, è sicuro dire che una gran parte della loro base clienti opera ancora in modalità ibrida: affidandosi al sistema per alcune decisioni e intervenendo manualmente per altre. Per esempio, uno scenario comune è che il sistema suggerisca ordini, ma un pianificatore riveda le eccezioni (proprio come accade con RELEX). Oppure, il sistema di pricing suggerisce variazioni di prezzo, ma un responsabile del merchandising le esamina, magari respingendone alcune che non si allineano con la strategia del marchio. Il software può fare molto, ma le aziende hanno processi consolidati che non cambiano dall’oggi al domani.

Intelligenza competitiva e marketplace: La soluzione di pricing di Blue Yonder (Revionics) integra anche dati sui prezzi dei concorrenti – dispone di una funzione per la risposta competitiva e può acquisire i prezzi dei rivali per regolare i propri ⁴². Quindi per l’eCommerce, se si dispone di un feed dei prezzi dei concorrenti, Revionics può includerli nella sua ottimizzazione (ad esempio, evitare di fissare un prezzo superiore a quello di un concorrente di oltre X% per preservare l’immagine del prezzo, o eguagliare il prezzo più basso quando necessario). Questo rappresenta un vantaggio nell’ottimizzazione congiunta dei prezzi. Nei marketplace, Blue Yonder non dispone specificamente di un modulo di gestione del marketplace come fanno alcuni vendor specifici per l’e-commerce (ad esempio, strumenti in stile channel advisor per Amazon). Quindi, si potrebbe utilizzare Blue Yonder per la pianificazione di base, mentre rimane necessaria una soluzione separata per gestire le tattiche specifiche dei marketplace (pubblicità, buy-box, ecc.). Questo è al di fuori dell’ambito di Blue Yonder e non costituisce una critica, ma solo un’osservazione che l’eCommerce presenta aspetti che questi vendor tradizionali non coprono (anche Lokad o RELEX non affrontano, ad esempio, il bidding per gli annunci, a giusta ragione).

Data la scala e l’eredità di Blue Yonder, si dovrebbe anche scrutinare le contraddizioni interne nel loro messaggio. Ad esempio, Blue Yonder potrebbe ostentare “personalizzazione e pricing in tempo reale” sulla loro piattaforma di commercio, mentre le loro soluzioni di pianificazione in passato funzionavano su cicli batch (pianificazioni notturne, ripianificazioni settimanali, ecc.). Si stanno muovendo verso un utilizzo più in tempo reale dei dati (la loro collaborazione con Snowflake è in parte finalizzata a consentire una condivisione dei dati quasi in tempo reale). Ma se un vendor afferma “pricing dinamico e ottimizzazione dell’inventario in tempo reale”, bisogna chiedersi: il sistema ricalcola in continuazione, oppure risponde rapidamente quando attivato? E avete davvero bisogno del tempo reale per le decisioni sull’assortimento? Probabilmente no – quelle decisioni sono più di natura strategica. Quindi, un orecchio critico coglierà quando il linguaggio di marketing risulta incoerente. Il marketing panoramico di Blue Yonder a volte cade nell’errore di promettere tutto (dalla strategia a lungo termine all’esecuzione istantanea).

Preoccupazione per il costo di Snowflake: È importante evidenziare un punto sottile ma rilevante: il fatto che Blue Yonder si basi su Snowflake potrebbe modificare il modello di costo per i clienti. Invece delle licenze tradizionali, i clienti potrebbero ritrovarsi a pagare per l’uso del cloud (crediti Snowflake) in base al volume dei dati e alla frequenza delle query. Se le applicazioni di Blue Yonder eseguono operazioni intensive su Snowflake, il conto Snowflake del cliente potrebbe aumentare notevolmente. Questo è analogo al vecchio modello di fatturazione dei mainframe IBM basato sui MIPS – paghi di più quanto più li usi, il che può disincentivare l’utilizzo completo del sistema. Blue Yonder e Snowflake presumibilmente concordano un certo modello di prezzo, ma l’utente deve stare attento allo “shock della bolletta” se gli scenari di pianificazione vengono eseguiti molto frequentemente su grandi volumi di dati. È una considerazione molto reale, poiché la pianificazione della supply chain può essere intensiva dal punto di vista computazionale (soprattutto se si eseguono simulazioni di scenario o calcoli probabilistici). Un processo inefficiente su Snowflake potrebbe consumare molti crediti. Blue Yonder probabilmente ha tenuto in conto questo aspetto (devono far funzionare la cosa da un punto di vista commerciale), ma è qualcosa da considerare. Un modello di costo non allineato al valore aziendale (come addebitare in base ai dati processati anziché in base ai risultati) richiama le insidie di epoche passate.

In conclusione, Blue Yonder si posiziona appena al di sotto delle soluzioni pure-play più recenti in termini di realizzazione della visione “next-gen”. Indubbiamente dispone di una funzionalità ricca e di molte implementazioni di successo, ma da una prospettiva tecnica e scettica, vediamo un’azienda in transizione. Stanno cercando di modernizzarsi e, nel farlo, parlano molto bene di AI, integrazione e automazione. Tuttavia, fino a quando quella trasformazione non sarà pienamente realizzata, i clienti dovrebbero essere cauti riguardo alle discrepanze tra i moduli e il reale sforzo necessario per raggiungere i risultati promessi. Il set di strumenti di Blue Yonder può certamente supportare le operazioni eCommerce (molti grandi retailer con attività omni-channel utilizzano BY anche per l’e-commerce), e la sua ampiezza è impareggiabile (nessun altro vendor offre una portata così vasta, includendo anche aspetti come la logistica). Tuttavia, se un’azienda eCommerce ha bisogno solo di ottimizzazione per la domanda e per la supply chain, Blue Yonder potrebbe risultare troppo pesante a meno che non si necessiti specificamente di quella robustezza enterprise o la si utilizzi già in altri ambiti. Il nostro studio scettico ritiene che le affermazioni di Blue Yonder di essere all’avanguardia siano in qualche modo dubbi finché non dimostrati – la tecnologia ha pedigree, ma spetta a loro dimostrare che un software con decenni di storia sia davvero diventato “AI-first” e unificato. Al momento, consigliamo di considerare Blue Yonder come un’opzione potente ma ingombrante, da scegliere se si ha bisogno di una soluzione molto estesa e se si dispongono delle risorse per implementarla, e forse non la prima scelta se l’agilità e un rapido ROI sono prioritari.

4. ToolsGroup – Pioniere nell’Ottimizzazione dell’Inventario in Espansione verso il Retail Completo

ToolsGroup è un veterano nello spazio della pianificazione della supply chain, noto in particolare per la sua esperienza nella previsione della domanda e nell’ottimizzazione delle scorte. La sua soluzione di punta, storicamente chiamata SO99+ (Service Optimizer 99+), è stata ampiamente utilizzata per la pianificazione delle scorte guidata dai livelli di servizio e per l’ottimizzazione multi-livello. In termini più semplici, ToolsGroup eccelleva nell’aiutare le aziende a determinare “qual è l’inventario minimo necessario in ogni sede per raggiungere un livello di servizio X?” in condizioni di incertezza – un problema critico sia per la distribuzione che per l’eCommerce. ToolsGroup è stato tra i primi ad implementare commercialmente la previsione probabilistica, difendendo a lungo l’abbandono delle previsioni deterministiche a favore dell’uso della distribuzione completa della domanda ⁴³ ². Questo approccio è perfettamente in linea con ciò che oggi consideriamo all’avanguardia (e che altri vendor hanno successivamente adottato).

In un contesto eCommerce, il punto di forza di ToolsGroup significa che può gestire un elevato numero di SKU con una domanda irregolare, producendo comunque obiettivi di scorta ottimali. Molti e-tailer hanno articoli “a coda lunga” che vendono raramente – i modelli probabilistici di ToolsGroup sono naturalmente adatti per pianificare questi casi (catturando la natura sporadica della domanda anziché fare una media imprecisa). Gestiscono inoltre lancio di nuovi prodotti, stagionalità e promozioni tramite i loro modelli previsionali che incorporano il machine learning. Per esempio, potrebbero utilizzare analogie (trovare la storia di un articolo simile) o modelli basati su attributi per prevedere un nuovo SKU.

Sebbene inizialmente ToolsGroup si sia concentrato su domanda e scorte, negli ultimi anni ha riconosciuto che prezzi, promozioni e assortimento sono elementi complementari che non offriva. Per affrontare questo aspetto, ToolsGroup ha acquisito una società chiamata JustEnough nel 2018/2019 (JustEnough fece poi parte di Mi9 Retail e successivamente fu venduta a ToolsGroup). Il software di JustEnough copriva la pianificazione finanziaria del merchandising, la pianificazione dell’assortimento, l’allocazione e l’ottimizzazione dei markdown – in sostanza, le funzioni di merchandising retail, inclusi gli sconti. Con questa acquisizione, ToolsGroup ha ampliato la propria impronta, passando da una pura supply chain a quella che si può definire pianificazione retail. Ora commercializzano una suite integrata in grado di fare tutto, dalla pianificazione strategica all’esecuzione, combinando le capacità di SO99+ e di JustEnough.

Tuttavia, l’integrazione di questi prodotti è un punto chiave di scetticismo. Unire due piattaforme software differenti non è affatto banale. ToolsGroup ha lavorato per integrare i modelli di dati (essi menzionano di avere “lo stesso modello di dati per la pianificazione tattica e operativa” per garantire una versione unica della verità ⁴⁴). Hanno persino lanciato qualcosa denominato “Real-Time Retail” che connette il sistema di pianificazione di JustEnough con un Inventory Hub per ottenere flussi di dati quasi in tempo reale ⁴⁵ ⁴⁶. L’idea è che, man mano che le vendite avvengono (o che l’inventario si muove), quegli eventi passino istantaneamente al sistema di pianificazione, il quale può ricalcolare l’allocazione o il rifornimento al volo. Ciò suggerisce che ToolsGroup stia cercando di abilitare una pianificazione più dinamica e continua, anziché cicli periodici fissi – un obiettivo simile a quello di altri vendor moderni.

Ma analizziamo questo: definire la loro soluzione “Real-Time Retail, the only solution that responds to shopping behavior in the moment” ⁴⁵ da parte di ToolsGroup è un’affermazione forte. Implica sostanzialmente che siano in grado di aggiustare il piano non appena qualcosa cambia. Forse il sistema può attivare automaticamente un trasferimento di stock o accelerare un ordine se le vendite aumentano improvvisamente oggi. Se ciò fosse vero, sarebbe potente – confondendo la pianificazione con l’esecuzione. Tuttavia, l’approccio scettico è che il “real-time” sia probabilmente limitato a determinate funzioni (come la riallocazione dell’inventario, che è più facile fare rapidamente) e non ad altre (come una completa ri-ottimizzazione di un assortment, cosa che non si farebbe in tempo reale). Vale anche la pena notare che ora tutti i vendor usano il termine “real-time” nel marketing (spesso significando un aggiornamento ogni pochi minuti o ogni ora, il che va bene). La stessa CEO di ToolsGroup ha osservato che i rivenditori devono pivotare rapidamente per evitare l’erosione dei margini quando la domanda cambia ⁴⁷, e ciò è vero. A quanto pare, il sistema ricalcola automaticamente e raccomanda ordini o trasferimenti non appena arrivano nuove informazioni ⁴⁸.

Assumendo che ToolsGroup abbia integrato efficacemente JustEnough, un utente del loro sistema potrebbe, per esempio, pianificare un assortment per negozio o canale utilizzando il modulo JustEnough, far alimentare tale pianificazione nei target di inventario di SO99+ e, inoltre, pianificare il markdown pricing per i prodotti in fine ciclo di vita grazie alla loro ottimizzazione. Questo copre gli aspetti dell’ottimizzazione congiunta – specialmente se le previsioni di domanda e i parametri di inventario tengono conto del programma di markdown pianificato. Potrebbe trattarsi comunque di un processo sequenziale (prima decidere i markdown, poi osservare l’esito sull’inventario), a meno che non abbiano costruito un modello di ottimizzazione combinato (cosa poco probabile su questa ampiezza). Comunque, si tratta di una soluzione unificata in termini di flusso di dati.

Dove ToolsGroup dimostra chiaramente di soddisfare i criteri all’avanguardia è nella previsione probabilistica e nell’ottimizzazione del livello di servizio. Da anni sostengono che previsioni con un singolo numero non sono sufficienti e che bisogna pianificare basandosi su probabilità. Ad esempio, non produrranno solo “domanda attesa = 100” ma una curva che indica, per esempio, una probabilità del 10% che la domanda superi 120, ecc. La loro ottimizzazione utilizza queste informazioni per decidere i livelli di stock in modo tale che, per esempio, nel 95% dei casi la domanda possa essere soddisfatta ⁴⁹ ⁵⁰. Questo approccio gestisce intrinsecamente l’incertezza e perfino, in una certa misura, la cannibalizzazione (soprattutto se si utilizza il loro modello per articoli correlati). Un aspetto interessante: ToolsGroup ha spesso sostenuto che l’uso della previsione probabilistica può prolungare la vita dei sistemi ERP legacy per la pianificazione (come SAP APO) fornendo informazioni migliori ¹ ⁵¹. Questo sottolinea come il differenziatore di ToolsGroup risieda principalmente nella matematica della previsione e dell’inventario piuttosto che in un’interfaccia di pianificazione tutto-in-uno. Ora, che dire di automazione e facilità d’uso? Tradizionalmente, ToolsGroup era più un “motore back-end” con un’interfaccia utente alquanto goffa, secondo alcuni utenti. Successivamente hanno migliorato l’interfaccia (nuova UI web, ecc.). Ma, ancora più importante, enfatizzano l’automazione nella pianificazione. Nei loro materiali si afferma, ad esempio, “l’automazione integrata riduce il carico di lavoro della pianificazione fino al 90%” ⁵². Spesso citano clienti che hanno ottenuto una “riduzione del carico di lavoro dei pianificatori del 40-90%” e una “riduzione dell’inventario del 20-30%” dopo aver utilizzato ToolsGroup ⁵³ ⁵⁴. Questi sono numeri significativi. L’affermazione sulla riduzione dell’inventario è plausibile se un’azienda era molto inefficiente in precedenza o se teneva tamponi eccessivi per mancanza di fiducia nelle previsioni. La riduzione del carico di lavoro dei pianificatori implica che il sistema faccia molto di più automaticamente. Questo è in linea con le nostre aspettative: un sistema probabilistico dovrebbe ridurre le attività di emergenza (poiché, pianificando per l’incertezza, si verificano meno sorprese e quindi i pianificatori non devono intervenire manualmente o riassegnare lo stock all’ultimo minuto). Tuttavia, uno scettico potrebbe osservare che una riduzione del carico di lavoro del 90% rappresenta probabilmente l’estremo superiore (forse un caso in cui un’azienda è passata da 10 pianificatori a 1 dopo l’implementazione – possibile, ma non tipico). E una riduzione dell’inventario del 20-30% potrebbe essere il risultato di un eccesso iniziale di scorte “per ogni evenienza”. Nel campo della supply chain, una volta ottimizzato, si osservano spesso riduzioni intorno al 10-15% se la situazione era moderatamente buona in precedenza. Quindi, sospettiamo che le percentuali pubblicizzate da ToolsGroup ⁵³ rappresentino degli scenari ottimali. È istruttivo che vengano presentati come range, il che implica che i risultati variano notevolmente da cliente a cliente. Una caratteristica a favore di ToolsGroup è la sua stabilità e il focus specifico. Hanno operato nell’ottimizzazione della supply chain per 30 anni (fondata nel 1993). Non sono grandi come Blue Yonder o alla moda come RELEX, ma vantano una base di clienti fedele e una profonda competenza nel settore. Per un’azienda eCommerce principalmente interessata alla redditività dell’inventario – cioè, a evitare sia esaurimenti che eccessi di stock – la soluzione di ToolsGroup è molto matura. La loro ottimizzazione multi-echelon potrebbe beneficiare in particolare i rivenditori online con più centri di distribuzione o quelli che mantengono scorte anche in magazzini 3PL, ecc. Spingerà l’inventario esattamente dove è più necessario, mantenendo al contempo i buffer centrali snelli.

Tuttavia, il punto debole di ToolsGroup era l’ottimizzazione dei prezzi. L’acquisizione di JustEnough ha introdotto l’ottimizzazione dei markdown (per decidere i calendari di sconto per i prodotti in liquidazione). Questo è utile per gli eCommerce con prodotti stagionali o di moda. Ma manca ancora una vera ottimizzazione del dynamic pricing come quella di Revionics/Blue Yonder o di altri vendor specializzati in pricing. L’ottimizzazione dei markdown riguarda il pricing di fine vita o promozionale. L’ottimizzazione quotidiana dei prezzi (per margine o posizionamento competitivo) non è una delle competenze riconosciute di ToolsGroup. Potrebbero disporre di capacità di base o ricorrere a partner. Ciò significa che, se l’ottimizzazione congiunta di prezzo e inventario è una priorità, ToolsGroup potrebbe non essere robusto quanto Blue Yonder o RELEX, che dispongono di engine di pricing dedicati. ToolsGroup potrebbe comunque ottimizzare l’inventario assumendo un prezzo dato, ma non ti indicherebbe il prezzo migliore da fissare per massimizzare il profitto (a eccezione, ovviamente, degli scenari di liquidazione di fine vita). Questa è una distinzione importante: la loro “ottimizzazione” è principalmente orientata all’offerta (livelli di stock, rifornimento) piuttosto che a influenzare la domanda (pricing, promozione) – nonostante l’aggiunta di alcuni strumenti per influenzare la domanda tramite acquisizione. In termini di technology stack, ToolsGroup ora offre un’opzione cloud SaaS e posiziona addirittura alcune delle sue offerte con nomi accattivanti come “Inventory Hub” e “Fulfill.io”. Ciò dimostra che stanno cercando di modernizzarsi e, forse, di attrarre un mercato più ampio, compreso quello degli eCommerce di medie dimensioni. Il motore sottostante utilizza ancora metodi statistici avanzati, e probabilmente C++ o linguaggi simili per i calcoli. Non abbiamo sentito parlare di ToolsGroup che incontri problemi di performance; vantano referenze di clienti con milioni di combinazioni SKU-location. Se c’è un punto debole, potrebbe essere il fatto che ToolsGroup venga visto come uno “strumento per ottimizzatori” – potente, ma che richiede una configurazione da parte di esperti. Hanno cercato di semplificare il tutto con soluzioni ML preconfezionate. Ad esempio, incorporano il demand sensing (utilizzando tendenze a breve termine per regolare le previsioni) e affermano di impiegare il machine learning per identificare quali fattori influenzano maggiormente la domanda ⁵⁵. Hanno inoltre smentito un mito nel loro blog secondo cui le previsioni probabilistiche non possono essere aggiustate dagli umani, chiarendo che si può incorporare il giudizio, pur tenendo la matematica conto dei bias storici ⁵⁶. Ciò riflette un approccio equilibrato: non eliminano del tutto l’intervento umano, ma lo guidano con informazioni migliori. Effetti di cannibalizzazione: il modello probabilistico di ToolsGroup può, se opportunamente configurato, catturare la cannibalizzazione (ad esempio, se si inserisce una relazione di sostituzione, può modellare scenari in cui, se un articolo è esaurito, parte della domanda si sposta verso un altro). Tuttavia, ciò probabilmente richiede uno sforzo per impostare le relazioni o per utilizzare il loro ML al fine di raggruppare gli articoli. Non è chiaro quanto ciò sia automatico. Ma ToolsGroup ha enfatizzato la gestione di “long tail, intermittent demand, and more channels” in un blog del 2017, sostanzialmente affermando che queste condizioni rompono gli strumenti tradizionali e richiedono metodi probabilistici ⁵⁷. In particolare, menzionano “more channels to market, with aggregated demand coming from multiple streams” come scenario in cui le previsioni a numero unico falliscono, lasciando intendere che la loro soluzione gestisca meglio il multi-canale ⁵⁷. Quindi, un e-tailer che vende sul proprio sito e su Amazon, per esempio, potrebbe utilizzare ToolsGroup per pianificare una domanda combinata. Lo strumento produrrebbe una previsione totale e, forse, permetterebbe di allocare l’inventario per canale in modo ottimale (sebbene l’allocazione per canale sia spesso più semplice quando tutto viene spedito dagli stessi centri di distribuzione, mentre in presenza di stock pool separati, diventa rilevante). Un aspetto da tenere d’occhio con ToolsGroup (come con qualsiasi vendor di suite acquisite) è la coerenza dell’esperienza utente. I moduli di previsione, inventario e assortment sono ora raggruppati in un’unica interfaccia, oppure sembra di dover saltare da un sistema all’altro? Hanno lavorato per unificare l’interfaccia, ma sarebbe necessario il feedback degli utenti. Probabilmente non è così unificato come la piattaforma unica sviluppata internamente da RELEX. In termini di curriculum, ToolsGroup vanta numerosi casi di successo, spesso evidenziando la riduzione dell’inventario e il miglioramento del livello di servizio. Non hanno avuto un grande insuccesso noto pubblicamente, come è successo per SAP o JDA. Essendo più piccoli, ogni progetto potrebbe ricevere maggiore attenzione. Detto questo, poiché vendevano spesso a aziende manifatturiere/distributive, alcuni operatori del settore retail/eCommerce non li conoscono altrettanto bene. L’ingresso nel retail tramite JustEnough significa che alcuni vecchi clienti di JustEnough ora utilizzano ToolsGroup. JustEnough, di per sé, aveva recensioni miste (era discreto nella pianificazione ma forse limitato in termini di scalabilità – poco chiaro). Di conseguenza, ToolsGroup ha dovuto rafforzare quei moduli. Da scettici, consigliamo di verificare quanto siano realmente integrate le analisi. Ad esempio, il sistema riesce a riconoscere automaticamente che una promozione pianificata nel modulo JustEnough debba adeguare la previsione di domanda in SO99+? Probabilmente sì, dato che avrebbero integrato gli aumenti promozionali. Inoltre, sottolineano che “demand sensing insights help fine-tune the statistical forecast” ⁵⁸, il che implica che tengono in considerazione elementi come promozioni o tendenze recenti per regolare le previsioni di base. Per riassumere la valutazione di ToolsGroup: è molto forte nella sua nicchia originale (previsione e inventario) – indubbiamente leader nell’ottimizzazione probabilistica dell’inventario – e si sta espandendo per coprire pricing e assortment, benché queste nuove capacità potrebbero non competere ancora con vendor specializzati. ToolsGroup soddisfa molti dei nostri criteri all’avanguardia:

Previsioni probabilistiche? Sì, le hanno sostenute ⁴⁹ ⁴³.
Ottimizzazione economica? Implicitamente sì per l’inventario (ottimizzano il compromesso tra servizio e costi), sebbene non in maniera altrettanto esplicita sul profitto come fa Lokad. È più una questione di “raggiungere l’obiettivo di servizio con il minimo inventario”, che rappresenta una forma di ottimizzazione dei costi.
Scalabilità? Generalmente sì, senza particolari campanelli d’allarme. E il loro approccio è efficiente (non basato su metodi a forza bruta).
Cannibalizzazione? Possibilmente, attraverso una modellazione avanzata, ma non è il loro punto di forza principale.
Marketplace/competitive? Non intrinsecamente – lo gestiresti esternamente o tramite input. ToolsGroup non scannerà i prezzi dei concorrenti per te o simili.
Automazione? Sì, alta. Dopo la configurazione, molte attività di pianificazione possono essere automatizzate, con il sistema che emette proposte d’ordine che i pianificatori si limitano ad approvare. Sottolineano una notevole riduzione del carico di lavoro e un minor pregiudizio umano.
Scetticismo sulle affermazioni del vendor: Il marketing di ToolsGroup è in realtà piuttosto moderato rispetto ad altri, salvo quei dati di miglioramento che abbiamo preso con cautela. Si concentrano su ciò che la tecnologia effettivamente fa (i loro blog che illustrano la pianificazione probabilistica sono sostanziali, non solo vuoti slogan). Tuttavia, si sono uniti al trend dell’AI, definendo tutto “AI-powered”. Notiamo, però, che mantengono un piede nella ricerca operativa tradizionale (OR) e un altro nel ML, un mix equilibrato.

Un dato esterno: le recensioni delle società di analisi (come Gartner) spesso collocano ToolsGroup in una posizione di leadership per la Supply Chain Planning, ma potrebbero commentare che la capacità di ToolsGroup è più profonda che ampia, e che l’interfaccia utente era storicamente meno moderna. Questo aspetto è stato parzialmente affrontato ora (nuova UI, integrazione).

Per un pure-player dell’eCommerce, la decisione di optare per ToolsGroup probabilmente dipenderà dal fatto che l’ottimizzazione dell’inventario sia il problema principale e dalla necessità di una soluzione comprovata e in qualche modo autonoma per questo scopo. Se sì, ToolsGroup potrebbe essere una scelta eccellente, offrendo risultati rapidi nella riduzione delle scorte e nel miglioramento del servizio. Tuttavia, se l’azienda eCommerce mira anche a ottimizzare in modo aggressivo i prezzi o a implementare strategie di markdown omnicanale all’avanguardia, ToolsGroup potrebbe non essere così ricco di funzionalità quanto Blue Yonder, RELEX o uno strumento di pricing dedicato. Potrebbe rendersi necessario abbinarlo a un’altra soluzione di pricing, il che comporta sfide di integrazione. (Curiosamente, ToolsGroup potrebbe non opporsi a ciò – in passato talvolta convivevano con altri, concentrandosi sull’inventario mentre un altro sistema gestiva i prezzi.)

In conclusione, ToolsGroup si classifica come un vendor tecnicamente solido, da specialista a suite. Apprezziamo il suo rigore ingegneristico nella previsione e il suo approccio diretto nell’affrontare l’incertezza (hanno a lungo smentito il mito del “la previsione è sempre sbagliata” pianificando sulle probabilità). Rimaniamo cauti riguardo all’espansione recente: se i loro moduli retail appena integrati opereranno allo stesso livello del loro core. L’interna contraddizione che osserviamo è l’affermazione di essere ora completamente integrati – se dovessero emergere delle crepe (come la necessità di esportare/importare manualmente i dati tra i moduli), ciò minerebbe il discorso. Ma, secondo le informazioni disponibili, ToolsGroup sembra offrire un’esperienza più unificata dopo JustEnough. Si allineano persino con la tendenza all’uso dei dati in tempo reale nella pianificazione, il che è encomiabile.

Per un pure-player dell’eCommerce, la scelta di adottare ToolsGroup dipenderà probabilmente dal fatto che l’ottimizzazione dell’inventario rappresenti il problema principale e dalla necessità di una soluzione comprovata e in qualche modo autonoma per affrontarlo. Se ciò è vero, ToolsGroup potrebbe rivelarsi una scelta eccellente, offrendo risultati rapidi in termini di riduzione delle scorte e miglioramento del servizio. Tuttavia, se l’azienda eCommerce intende anche ottimizzare fortemente i prezzi o implementare strategie di markdown omnicanale all’avanguardia, ToolsGroup potrebbe non essere così ricco di funzionalità quanto Blue Yonder, RELEX o uno strumento di pricing dedicato. Potrebbe rendersi necessario abbinarlo a un’altra soluzione di pricing, il che comporterebbe poi delle sfide di integrazione. (Curiosamente, ToolsGroup potrebbe non opporsi a ciò – in passato talvolta convivevano con altri, concentrandosi sull’inventario mentre un altro sistema gestiva i prezzi.)

In conclusione, ToolsGroup si classifica come un vendor tecnicamente solido, da specialista a suite. Apprezziamo il suo rigore ingegneristico nella previsione e il suo approccio diretto nell’affrontare l’incertezza (hanno da tempo smentito il mito del “la previsione è sempre sbagliata” pianificando sulle probabilità). Rimaniamo cauti riguardo all’espansione recente: se i loro moduli retail appena integrati opereranno allo stesso livello del loro core. L’interna contraddizione che osserviamo è l’affermazione di essere ora completamente integrati – se dovessero emergere delle crepe (come la necessità di esportare/importare manualmente i dati tra i moduli), ciò minerebbe il discorso. Ma, secondo le informazioni disponibili, ToolsGroup sembra offrire un’esperienza più unificata dopo JustEnough. Si allineano persino con la tendenza all’uso dei dati in tempo reale nella pianificazione, il che è encomiabile.

Infine, proprio come abbiamo fatto con altri: scrutinio delle affermazioni dei fornitori per ToolsGroup. Quando dicono, ad esempio, “90+% disponibilità del prodotto, 20-30% meno inventario, 40-90% riduzione del carico di lavoro” ⁵³ ⁵⁴ – un sano scetticismo consiste nel considerare questi risultati come raggiungibili ma non garantiti. Probabilmente quei numeri provengono da diversi clienti, ciascuno dei quali ha raggiunto uno di quei traguardi elevati, e non da un singolo cliente che li ottiene tutti contemporaneamente. Nessuno dovrebbe aspettarsi che il proprio inventario cali del 30% mentre il servizio supera il 90% e i pianificatori vengono ridotti del 90% tutto in una volta. La realtà solitamente comporta compromessi e miglioramenti incrementali. La metodologia di ToolsGroup può assolutamente portare a miglioramenti significativi, ma consigliamo di fissare obiettivi realistici e di misurare i progressi lungo il percorso. La buona notizia è che l’attenzione di ToolsGroup sui risultati misurabili (percentuale di servizio, inventario $$) si adatta a un approccio alla ricerca della verità – è molto chiaro se funziona o meno osservando quegli indicatori.

Superare l’Hype: Lezioni e Raccomandazioni

Tra questi fornitori, sono emersi alcuni temi comuni di hype vs realtà che un decision maker nell’eCommerce dovrebbe tenere a mente:

Attenzione alle Parole d’Ordine: Termini come “AI-driven, cognitive, demand sensing, real-time, autonomous” vengono usati in maniera abbondante. Assicurati che siano supportati da capacità concrete. Per esempio, “demand sensing” suona spesso fantastico – usare le vendite di ieri o il chiacchiericcio sui social media per aggiustare la previsione di oggi – ma in pratica potrebbe solo modificare leggermente i numeri e sostanzialmente ridursi a una previsione a breve termine. Gli esperti del settore hanno etichettato il demand sensing come possibile “mootware” – qualcosa che esiste ma non offre un reale valore aggiunto oltre a quanto fa già una buona previsione ⁵⁹. Non farti ingannare dai concetti di “vaporware” senza prove. Chiedi al fornitore: cosa fa esattamente la tua IA che il mio processo attuale non può fare, e puoi dimostrarlo? Se dicono “consideriamo 300 fattori”, sfidali sul fatto che quei fattori spostino davvero l’ago della bilancia o che servano solo a creare una bella slide.
Baseline e Benchmark: Stabilisci sempre una baseline chiara (ad es. i turnover di stock dell’anno scorso, il tasso di adempimento, il margine lordo) e verifica se il fornitore accetta di misurare il miglioramento rispetto ad essa. Molti affermano miglioramenti percentuali che suonano enormi ma risultano privi di significato senza contesto. Inoltre, cerca eventuali partecipazioni a benchmark esterni (come competizioni di previsione o casi studio pubblici con dati concreti). La competizione M5 è stato uno di quei benchmark che ha separato il grano dalla pula nel forecasting – in particolare, nessuno dei grandi fornitori tradizionali ha pubblicizzato risultati lì, mentre un operatore più piccolo (Lokad) lo ha fatto ed è eccelso ⁶⁰. Questo ti dice chi è sicuro della propria tecnologia.
Complessità d’Integrazione: Se un fornitore è cresciuto tramite acquisizioni (Blue Yonder, ToolsGroup), diffida delle promesse che “ora è tutto un’unica piattaforma”. Spesso ci vogliono anni per integrare veramente i sistemi. Nel frattempo, potresti utilizzare effettivamente sistemi separati con alcune interfacce. Possono esserci costi nascosti nell’implementazione necessari per collegare insieme le soluzioni. Inoltre, due componenti acquisite potrebbero non condividere la stessa concezione di determinati dati (ad esempio, uno utilizza bucket settimanali, l’altro giornalieri, o definizioni diverse della gerarchia dei prodotti). Questo può portare a compromessi o disallineamenti. È saggio parlare con clienti di riferimento riguardo alla loro esperienza nell’integrare i moduli.
Struttura dei Costi: Valuta non solo i costi di licenza/abbonamento del software, ma anche i costi operativi (se applicabili) e l’infrastruttura richiesta. Come già detto, una soluzione basata su qualcosa come Snowflake potrebbe trasferirti i costi di esecuzione in cloud. Oppure, una soluzione molto esigente in termini di memoria potrebbe costringerti a utilizzare istanze cloud di fascia alta. Un fornitore potrebbe quotare una tariffa di abbonamento più elevata ma includere tutto il calcolo; un altro potrebbe essere più economico, ma toccerebbe a te corrispondere una grossa fattura AWS/Azure per il calcolo necessario. Assicurati di confrontare il costo totale di possesso. Abbiamo accennato a come il modello di Snowflake possa richiamare le insidie dei mainframe IBM – tieni d’occhio le tariffe basate sull’uso e richiedi trasparenza ai fornitori che adottano quel modello.
Ogni Fornitore ha i Suoi Fallimenti: È importante ricordare che nessun fornitore evidenzierà i propri progetti falliti, ma tutti ne hanno. L’implementazione è importante quanto lo strumento. Abbiamo visto come anche fornitori di punta come SAP o i2 (ora sotto Blue Yonder) abbiano avuto fallimenti multimilionari ³⁹ ³³. Spesso le ragioni sono dati scadenti, aspettative disallineate o il fatto che l’azienda non adotti gli output del sistema. Quando effettui la valutazione, chiedi ai fornitori come gestiscono i progetti che non raggiungono gli obiettivi. Hanno esempi (anonimizzati) di lezioni apprese? Blue Yonder ha mostrato un po’ di umiltà nel riconoscere le cause comuni dei fallimenti ²⁶. Un fornitore che afferma “abbiamo un tasso di successo del 100%” non è realistico. Insisti per avere discussioni su cosa potrebbe andare storto e su come viene mitigato.
Contraddizioni tra Tempo Reale e Profondità Analitica: Come già detto, alcune analisi (come la pianificazione dell’assortimento a livello di rete) non possono essere veramente in tempo reale – richiedono una notevole elaborazione dei dati e una riflessione strategica. Se un fornitore afferma sia “reattività in tempo reale” che “ottimizzazione olistica”, devi capire quali parti della sua soluzione corrispondono a quale promessa. Per esempio, ToolsGroup può aggiornare le posizioni d’inventario in tempo reale, ma la sua ottimizzazione centrale potrebbe operare quotidianamente. RELEX può acquisire i dati quasi in tempo reale, ma la pianificazione di alcune attività (come l’ottimizzazione dei prezzi basata sull’IA) potrebbe ancora essere un processo batch durante la notte. Comprendi la cadenza di ciascuna parte della soluzione in relazione alle esigenze della tua azienda. Il tempo reale è cruciale per l’esecuzione (come aggiornare l’inventario disponibile o attuare il pricing dinamico al volo), ma per decisioni strategiche la profondità e il rigore contano più della velocità.
Intervento Umano vs Autonomia: Tutti i fornitori affermano un certo grado di autonomia, ma anche che consentono l’input umano. È una questione di gradazioni. La domanda chiave è: il sistema si avvia automaticamente, segnalando solo le eccezioni, oppure richiede per default che ogni decisione venga esaminata dall’utente? Per guadagni di efficienza reali, è preferibile la prima opzione. Un campanello d’allarme è se il fornitore enfatizza il numero di leve e opzioni di configurazione a disposizione dell’utente – ciò può indicare che lo strumento richiede molte regolazioni manuali per ottenere buoni risultati (contraddicendo la promessa di automazione). Idealmente, lo strumento dovrebbe autoregolarsi (come Blue Yonder che elimina la necessità di impostare manualmente i profili stagionali grazie al ML ³⁶). Fidati, ma verifica: durante demo o prove, osserva quanto intervento manuale sia richiesto per far apparire buoni i risultati.
Dettagli su IA/ML: Approfondisci le affermazioni del fornitore riguardo all’IA. Chiedi: stanno utilizzando l’apprendimento automatico per le previsioni? Quali algoritmi (se possono dirlo)? Usano librerie open-source (se tutto è proprietario, a volte ciò è indice del fatto che non sono aggiornati con le ultime tecniche; tutte le soluzioni AI leader incorporano open-source come TensorFlow/PyTorch o almeno algoritmi noti). Se un fornitore sbandiera un “motore IA proprietario” senza saperlo spiegare in termini semplici, sii scettico. Al contrario, se possono articolare ad esempio “usiamo il gradient boosting per le previsioni baseline e un modello di reinforcement learning per il pricing,” ciò dimostra un concreto investimento nella tecnologia. Verifica inoltre se il loro team ha pubblicato o partecipato a forum accademici o industriali riguardo ai propri metodi – un segno di serietà.

Infine, sottolineiamo una mentalità orientata alla ricerca della verità: insisti sui dati e sui risultati delle prove anziché su promesse luccicanti. Se possibile, realizza un pilot o una prova di concetto in cui a ciascun fornitore viene fornito un sottoinsieme dei tuoi dati da prevedere o ottimizzare, e valuta i risultati in modo quantitativo. Per esempio, fornisci due anni di storico e lascia che prevedano il terzo anno (per il quale possiedi i dati reali) – osserva chi si avvicina di più o chi individua i complessi modelli di domanda. Oppure, invitali a ottimizzare uno scenario e poi simula gli esiti in termini di costi/servizio utilizzando la tua domanda reale per validare. Pochi fornitori si offriranno volontariamente per una competizione, ma quelli affidabili spesso lo fanno perché hanno fiducia nella loro scienza. Lokad, per esempio, si impegna spesso tramite progetti pilota. Blue Yonder e RELEX a volte realizzano fasi di “discovery” che somigliano a progetti pilota. Assicurati solo di avere criteri di successo chiari per questi.

Alla fine, il mercato del software per l’ottimizzazione eCommerce non è a corto di “miracoli dell’IA” autoproclamati, ma applicando un profondo scetticismo e richiedendo prove ingegneristiche, si può filtrare il rumore. Questo studio ha rilevato che Lokad guida in innovazione tecnica e focalizzazione, RELEX eccelle per funzionalità retail unificate (con qualche hype da tenere d’occhio), Blue Yonder per ampiezza ed esperienza (in mezzo a una sfida di ristrutturazione tecnologica), e ToolsGroup per i suoi punti di forza nell’ottimizzazione specializzata (con l’integrazione in crescita). Ognuno può offrire benefici significativi – eppure nessuno è una panacea plug-and-play. La verità è che un’ottimizzazione di successo nasce dal giusto strumento e dalla giusta strategia di implementazione. Con le intuizioni e le precauzioni esposte sopra, un’azienda eCommerce può affrontare questi fornitori con occhi ben aperti e fare una scelta basata su fatti e su ragionamenti solidi, non solo sul fascino del marketing.