Recensione di Asper.ai, Fornitore di Software per Supply Chain

Di Léon Levinas-Ménard

Ultimo aggiornamento: aprile, 2025

In un mondo della supply chain sempre più guidato dai dati, Asper.ai emerge come una soluzione SaaS basata su cloud progettata per migliorare la previsione della domanda e il processo decisionale operativo nei settori dei beni di consumo e del retail. Fondata nel 2022 e integrata all’interno della suite di Fractal Analytics, la piattaforma “Dynamic Demand.ai” di Asper.ai sfrutta dati interni ed esterni diversificati—dal volume delle vendite storiche e livelli di inventario agli indicatori macroeconomici e calendari festivi—per fornire previsioni e raccomandazioni basate su AI. Con implementazioni rapide di proof-of-value tipicamente in otto settimane e con un focus sulla spiegabilità, la piattaforma automatizza i processi decisionali a basso rischio, segnalando contestualmente le situazioni più critiche per un intervento umano. Progettata per integrarsi perfettamente con i sistemi legacy di Sales & Operation Planning e distribuita su infrastruttura AWS (utilizzando servizi come Redshift, EMR e ElastiCache), Asper.ai si presenta sia come un abilitante pratico che dinamico per i dirigenti della supply chain che cercano di aumentare l’accuratezza delle previsioni, la gestione dei ricavi e l’efficienza operativa.

Panoramica Aziendale

1.1 Storia e Contesto

Asper.ai è stata fondata nel 2022, come confermato dai profili startup su YNOS ¹. La piattaforma viene offerta sotto l’egida di Fractal Analytics, supportata da un investimento di 20 milioni di dollari riportato in pubblicazioni di settore ². Piuttosto che cercare di posizionarsi come un unicorno indipendente, Asper.ai viene presentata come uno strumento progettato per migliorare il processo decisionale nei mercati dei beni di consumo e del retail, ottimizzando la previsione della domanda, l’inventario e i processi di pricing.

Panoramica del Prodotto

2.1 Cosa Offre la Soluzione

La funzionalità principale della piattaforma Dynamic Demand.ai di Asper.ai si concentra su: • Migliorare la previsione della domanda consolidando segnali interni quali vendite, inventario e calendari promozionali con dati esterni come festività e indicatori economici ³. • Ottimizzare i ricavi e l’inventario attraverso raccomandazioni basate su AI che adeguano i prezzi, le strategie promozionali e i livelli di stock per ridurre i costi del capitale circolante. • Automatizzare decisioni di routine a basso rischio in modo che i responsabili della domanda possano dedicare maggiore attenzione a eccezioni complesse e ad alto impatto.

2.2 Come Funziona

Asper.ai acquisisce molteplici fonti di dati strutturati e non strutturati per catturare interazioni non lineari latenti tra i vari fattori della domanda. Il suo motore di previsione basato su AI enfatizza la spiegabilità offrendo approfondimenti su come i singoli fattori influenzino i risultati delle previsioni. Con cicli rapidi di aggiornamento delle previsioni—che forniscono previsioni quasi definitive per un orizzonte mobile di quattro mesi in pochi giorni e aggiornamenti successivi in poche ore—la soluzione è progettata per implementazioni accelerate di proof-of-value (spesso entro otto settimane) e per una semplice integrazione con i sistemi S&OP esistenti. La piattaforma funziona come un prodotto SaaS basato su cloud su AWS, con dettagli sul deployment disponibili tramite l’AWS Marketplace ⁴.

Aspetti Tecnici e AI

3.1 Stack Tecnologico e Infrastruttura

Asper.ai sfrutta i servizi cloud di AWS (inclusi Redshift, EMR e ElastiCache) per garantire scalabilità e un rapido deployment. Indicatori provenienti dagli annunci di lavoro e dai profili tecnologici suggeriscono un ambiente di sviluppo moderno supportato da strumenti collaborativi e monitor di performance digitali ⁵. Questa infrastruttura supporta la necessità della piattaforma di gestire grandi volumi di dati su più canali, mantenendo al contempo un’integrazione robusta con i sistemi aziendali legacy.

3.2 Capacità di Machine Learning e AI

La piattaforma impiega modelli di machine learning che adeguano le previsioni basandosi sia su metriche interne (come il volume di vendite e i calendari promozionali) sia su variabili esterne (come gli indicatori macroeconomici). Sebbene Asper.ai promuova il concetto di “explainable AI” per una chiara attribuzione dei fattori guida delle previsioni, la documentazione tecnica rimane scarsa riguardo alle specifiche architetture dei modelli o alle metodologie di training. Il sistema distingue inoltre tra scenari di domanda ad alto rischio e a basso rischio, automatizzando le decisioni per questi ultimi e garantendo che i casi critici ricevano un esame umano ³⁶. Mentre le metriche di performance citate negli studi di caso dei clienti includono miglioramenti dal 5 al 15% nell’accuratezza delle previsioni e fino al 40% in aumenti della produttività dei planner, le divulgazioni dettagliate sulla validazione dei modelli e sui margini di errore sono limitate ⁷.

Analisi Critica e Scettica

Un’analisi più approfondita rivela che, mentre Asper.ai adotta un deployment moderno basato su cloud e integra efficacemente diverse fonti di dati, alcune affermazioni tecniche mancano di dettagli granulari. La dipendenza della piattaforma da componenti standard del settore di AWS ne supporta la scalabilità, eppure l’assenza di divulgazioni approfondite riguardo alle architetture dei modelli o ai dataset di training lascia spazio a scetticismo su se la sua “AI progettata ad hoc” rappresenti una svolta o semplicemente un’applicazione ben integrata di tecniche di previsione esistenti. I miglioramenti nell’accuratezza delle previsioni e nella produttività dei planner, citati in vari studi di caso ⁸⁹, sono promettenti ma possono dipendere fortemente dalla qualità dei dati dei clienti e dai contesti di mercato specifici. Pertanto, sebbene Asper.ai offra benefici operativi tangibili, le sue affermazioni circa un’AI all’avanguardia rimangono, in una certa misura, di natura promozionale senza un’adeguata sostanza tecnica.

Asper.ai vs Lokad

Al confronto con Lokad—un pioniere fondato nel 2008 nell’ambito dell’ottimizzazione della supply chain—emergono differenze nette. L’approccio di Lokad si fonda su una metodologia quantitativa e programmabile utilizzando il suo Envision DSL proprietario e tecniche avanzate, inclusi deep learning e differentiable programming. Operando su Microsoft Azure con uno stack tecnologico incentrato su F#, C# e TypeScript, Lokad si rivolge a un’ampia gamma di settori (dall’aerospaziale alla moda) e punta all’automazione end-to-end delle decisioni nella supply chain.

Al contrario, Asper.ai, fondata pochi anni fa e allineata con Fractal Analytics, si concentra specificamente sui settori dei beni di consumo e del retail. Sfruttando l’infrastruttura AWS, enfatizza implementazioni rapide, la spiegabilità dei risultati dell’AI e l’automazione dei processi decisionali di routine, invece di una piattaforma di ottimizzazione della supply chain altamente personalizzabile e guidata dal codice. In sostanza, mentre Lokad promuove un approccio estremamente tecnico, quasi “fai-da-te” all’ottimizzazione della supply chain, Asper.ai offre una soluzione più integrata e pronta all’uso, con un’enfasi sulla trasparenza e facilità di implementazione. Ciò rende ciascuno attraente per segmenti di mercato differenti: Lokad per le imprese disposte a investire in un sistema altamente personalizzato e programmabile, e Asper.ai per organizzazioni che cercano di implementare rapidamente previsioni migliorate e supporto decisionale senza ingenti spese ingegneristiche iniziali.

Conclusione

Asper.ai presenta una soluzione moderna e promettente per automatizzare e affinare la previsione della domanda e i processi decisionali correlati nei settori dei beni di consumo e del retail. Integrando diverse fonti di dati in un motore di previsione basato su AI, con un focus sulla spiegabilità e una rapida implementazione, la piattaforma offre vantaggi pratici in termini di maggiore accuratezza delle previsioni e miglioramento dell’efficienza operativa. Tuttavia, la relativa mancanza di dettagli tecnici approfonditi implica che, sebbene i risultati siano incoraggianti, i potenziali adottanti debbano valutare se i metodi della piattaforma rappresentino davvero una svolta nell’AI o semplicemente un’applicazione ben integrata di tecniche esistenti. Confrontando Asper.ai con operatori affermati come Lokad, diventa evidente che, nonostante le differenze nell’approccio e nell’infrastruttura—AWS e implementazione rapida contro un’ottimizzazione profondamente programmabile su Azure—ciascuno possiede punti di forza unici, su misura per il proprio mercato di riferimento.