Software di Ottimizzazione Retail, febbraio 2025

Di Léon Levinas-Ménard

Last modified: February 2nd, 2025

Introduzione: I rivenditori oggi affrontano complessi problemi di ottimizzazione che spaziano dai livelli d’inventario, alle strategie di prezzo, fino all’assortimento dei prodotti. Una vasta gamma di fornitori di software promette soluzioni “potenziate dall’IA” per affrontare queste sfide, ma separare la vera innovazione tecnologica dai sistemi legacy e dalla retorica del marketing richiede un’attenta analisi. Questo studio valuta i principali fornitori di software per l’ottimizzazione retail secondo criteri rigorosi. Ci concentriamo sulle capacità di ottimizzazione congiunta (inventario, prezzi e assortimento insieme), sulla previsione probabilistica (vere previsioni AI/ML contro metodi semplicistici), sulla modellazione delle decisioni economiche (decisioni basate su profitto e costi opportunità anziché regole statiche), sulla scalabilità e rapporto costi-efficacia (capacità di gestire ampie reti retail senza requisiti hardware esorbitanti), sulla gestione di fattori complessi nel retail (ad es. cannibalizzazione dei prodotti, effetti di sostituzione, deperibilità/scadenza), sull’automazione (livello di decisioni autonome rispetto all’intervento manuale richiesto), sull’integrazione tecnologica (uno stack tecnologico coerente rispetto a piattaforme “Frankenstein” composte da acquisizioni) e su un occhio critico verso le mode (“demand sensing”, “plug-and-play”, ecc.). Ogni fornitore viene analizzato con rigore ingegneristico, utilizzando prove credibili e minimizzando la dipendenza dal marketing dei fornitori. Di seguito, classifichiamo i fornitori dal più avanzato al meno, evidenziandone punti di forza, debolezze e la verità dietro le loro affermazioni.

Criteri di Valutazione per le Piattaforme di Ottimizzazione Retail

Prima di immergerci nei profili dei fornitori, riassumiamo i criteri chiave di valutazione applicati:

Ottimizzazione Congiunta (Inventario + Prezzi + Assortimento): La soluzione ottimizza queste dimensioni in modo olistico, riconoscendone l’interdipendenza? Oppure queste funzioni sono compartimentate? Le piattaforme veramente avanzate trattano prezzi, inventario e assortimento come leve integrate di un unico problema di ottimizzazione, anziché come moduli separati ¹. Ad esempio, variare un prezzo dovrebbe influire simultaneamente sulle previsioni d’inventario e sulle decisioni sull’assortimento in un modello unificato.
Previsione Probabilistica & IA: Il fornitore impiega moderne tecniche di intelligenza artificiale/machine learning per produrre previsioni probabilistiche (distribuzioni della domanda anziché singoli punti di previsione)? La previsione probabilistica è fondamentale per decisioni robuste in condizioni di incertezza ². Cerchiamo evidenze di modelli di machine learning, reti neurali o altre forme di IA che migliorano l’accuratezza delle previsioni apprendendo modelli complessi (stagionalità, tendenze, promozioni, ecc.) e quantificando l’incertezza. I fornitori che si affidano a metodi semplicistici (come la regolazione manuale o formule di base) o che considerano le previsioni come punti deterministici vengono penalizzati.
Decisione Economica: Le decisioni della piattaforma sono guidate da obiettivi economici (massimizzazione del profitto, compromessi tra costi di inventario e costi di stockout, ROI dello spazio espositivo, ecc.)? L’ottimizzazione nel retail richiede più che raggiungere tassi di riempimento arbitrari – significa massimizzare il profitto atteso in condizioni di incertezza. Favoriamo soluzioni che integrino margini, costi di mantenimento, costi di ribasso e costi opportunità all’interno dei loro algoritmi. Le euristiche basate su regole o i target di livello di servizio possono risultare insufficienti se ignorano l’obiettivo finale della redditività ³.
Scalabilità & Rapporto Costo-Efficacia: Il software è in grado di gestire dati retail a livello aziendale (migliaia di negozi, milioni di SKU, alti volumi di transazioni) in modo efficiente? Le soluzioni che dipendono da calcoli monolitici in memoria (ad es. caricamento di interi dataset in RAM) potrebbero avere difficoltà a scalare o richiedere hardware troppo costoso ⁴. Preferiamo architetture cloud-native, microservizi e calcolo distribuito che scalino in modo economico, penalizzando quelle note per alti costi hardware o prestazioni lente su big data.
Gestione di Fattori Complessi nel Retail: La domanda reale nel retail è caotica – la cannibalizzazione dei prodotti (la promozione di un prodotto che sottrae vendite a un altro ⁵ ⁶), gli effetti di sostituzione (quando un articolo è esaurito, la domanda per un prodotto simile aumenta), gli effetti halo (prodotti complementari che si potenziano a vicenda ⁷), picchi stagionali, variazioni regionali e prodotti deperibili con date di scadenza. Valutiamo se gli algoritmi di ciascun fornitore affrontino esplicitamente queste complessità – ad es. utilizzando il machine learning per identificare relazioni incrociate tra prodotti ⁸ ⁹, o monitorando l’inventario per lotto di scadenza. Le soluzioni che presumono che la domanda di ogni prodotto sia indipendente o che ignorino la deperibilità sono meno adatte al retail moderno.
Automazione & Operatività Senza Supervisione: La promessa del “retailing autonomo” è che il sistema possa prendere automaticamente la maggior parte delle decisioni operative (ordini, variazioni di prezzo, ribassi, modifiche all’assortimento), permettendo agli esseri umani di concentrarsi su eccezioni strategiche. Valutiamo se il software consenta una pianificazione senza intervento – ad es. ordini di rifornimento automatici basati su previsioni, aggiustamenti di prezzo automatizzati entro limiti prestabiliti – oppure se si affidi ancora ai pianificatori per rivedere e sovrascrivere costantemente le decisioni. I fornitori che vantano l’IA dovrebbero idealmente ridurre il carico di lavoro manuale (“fatica della pianificazione”, come si dice ¹⁰), non aumentarlo.
Integrazione Tecnologica vs. Piattaforme Frankenstein: Molti grandi fornitori sono cresciuti tramite acquisizioni, inglobando strumenti separati per previsioni, prezzi e pianificazione sotto un unico marchio. Esaminiamo se la soluzione del fornitore rappresenti una piattaforma coerente o un mosaico di moduli con interfacce utente e modelli di dati differenti. L’integrazione “Frankenstein” spesso porta a elevata complessità e lunghi tempi di implementazione ¹¹. Le soluzioni veramente moderne tendono a essere costruite su uno stack tecnologico unificato o almeno integrate in modo fluido tramite microservizi. Penalizziamo i fornitori per cui i componenti non si fondono perfettamente (nonostante le affermazioni di una piattaforma “unificata”).
Scetticismo nei Confronti dei Buzzword & del Hype: Il settore retail tech è pieno di parole d’ordine come “demand sensing”, “integrazione plug-and-play guidata dall’IA”, “cognitive supply chain”, ecc. La nostra analisi esclude affermazioni vaghe e cerca concreti riscontri. I fornitori che si affidano esclusivamente a gergo senza spiegazioni chiare o validazione da peer review vengono valutati in maniera critica. Ad esempio, il “demand sensing” è spesso citato come soluzione universale, ma alcuni esperti lo considerano un espediente di marketing che non aggiunge valore innovativo ¹². Evidenziamo tali casi e favoriamo i fornitori che offrono prove concrete e credibili delle loro capacità.

Con questi criteri in mente, esaminiamo i principali fornitori di ottimizzazione retail e classifichiamoli. Ogni sezione dedicata a un fornitore evidenzia come esso si comporti rispetto a ciascun aspetto, con uno sguardo particolarmente critico verso le affermazioni esagerate.

1. Lokad – Ottimizzazione Unificata e Probabilistica con IA Scettica

Lokad è un nuovo arrivato (fondato nel 2008) che ha costruito la sua piattaforma ex novo attorno a previsioni probabilistiche e ottimizzazione delle decisioni per il retail e supply chain. A differenza di molti concorrenti, Lokad si è prefissato esplicitamente di unificare la pianificazione dei prezzi, dell’inventario e della domanda in un unico sistema, anziché trattarli come compartimenti stagni ¹³ ¹⁴. Questo approccio si basa sulla consapevolezza che le decisioni sui prezzi influenzano direttamente la domanda e le esigenze d’inventario, e viceversa. Il fondatore di Lokad ha osservato che, storicamente, le previsioni e la determinazione dei prezzi venivano gestite con strumenti differenti, ma in realtà “domanda e prezzi sono profondamente interconnessi”, portando Lokad a unire queste funzioni in un unico quadro analitico ¹⁵ ¹⁶. Hanno persino sviluppato un proprio linguaggio di programmazione specifico per il dominio (“Envision”) per modellare le decisioni nella supply chain, abilitando un’ottimizzazione altamente personalizzata che integra logiche di pricing, inventario e assortimento ¹⁷ ¹⁶.

Ottimizzazione Congiunta: La filosofia di Lokad è che non si può ottimizzare l’inventario senza considerare la strategia di prezzi, e viceversa. Hanno integrato la pianificazione dei prezzi e della domanda in un’unica piattaforma – per esempio, il loro sistema può ottimizzare le quantità di riordino suggerendo simultaneamente aggiustamenti dei prezzi, assicurando che la determinazione dei prezzi non faccia disallineare la domanda rispetto all’inventario ¹. Un caso studio interno discute di una strategia di “prezzo basato sullo stock” in cui i prezzi vengono regolati dinamicamente in base ai livelli d’inventario, coordinando efficacemente la politica dei prezzi con la disponibilità dell’inventario. Condividendo gli stessi dati (storico delle vendite, informazioni sui prodotti, ecc.) sia per i modelli di pricing che per quelli di previsione, Lokad evita i silos di dati tipici dell’IT retail tradizionale ¹⁸ ¹⁶. Questo approccio congiunto è all’avanguardia, sebbene richieda che i rivenditori adottino il pricing algoritmico – un aspetto significativo di cambiamento gestionale. La volontà di Lokad di affrontare insieme pricing e inventario gli conferisce una capacità veramente innovativa che pochi fornitori legacy hanno raggiunto.

Previsione Probabilistica & IA: Lokad è un forte sostenitore delle previsioni probabilistiche. La sua piattaforma produce intere distribuzioni di probabilità della domanda (per ogni articolo e periodo) anziché previsioni a punto singolo. Lokad sostiene – e noi siamo d’accordo – che “per le supply chain, le previsioni probabilistiche sono essenziali per produrre decisioni robuste contro condizioni future incerte”, permettendo di ottimizzare le decisioni basandosi su valori attesi e sul rischio ³. Catturando l’intervallo dei possibili esiti della domanda e le rispettive probabilità, le previsioni di Lokad supportano naturalmente le decisioni economiche: “la prospettiva probabilistica si presta in modo naturale alla prioritizzazione economica delle decisioni, basata sui rendimenti attesi ma incerti.” ³ In pratica, ciò significa che Lokad può valutare, ad esempio, la redditività attesa di mantenere un’unità in più in magazzino rispetto al rischio di spreco, utilizzando l’intera distribuzione della domanda. Tecnicamente, Lokad impiega modelli di machine learning all’avanguardia (inclusa la regressione quantile e il deep learning) per generare queste previsioni, e ha pubblicato evidenze sull’uso di tecniche come la programmazione differenziabile per le serie temporali. Poiché il loro obiettivo è l’accuratezza dell’IA e la quantificazione dell’incertezza, evitano metriche semplicistiche; in particolare, criticano misure come il MAPE (Mean Absolute Percentage Error) quando applicate alle previsioni probabilistiche, ritenendole concettualmente invalide ¹⁹. Questo dimostra una profonda comprensione delle previsioni che li distingue dai fornitori che appiccicano “IA” a statistiche legacy. La tecnologia di previsione di Lokad è chiaramente allo stato dell’arte, sebbene talvolta richieda una configurazione specializzata tramite il loro linguaggio di scripting.

Logica di Decisione Economica: L’intero framework di Lokad è costruito attorno all’ottimizzazione economica. Spesso inquadra i problemi della supply chain come una “massimizzazione del profitto atteso” in condizioni di incertezza, anziché puntare a tassi di riempimento arbitrari o a minimizzare gli stockout. Ad esempio, i loro algoritmi considerano esplicitamente i costi opportunità degli stockout, i costi di mantenimento e i costi di ribasso quando raccomandano acquisti di inventario o modifiche dei prezzi. Poiché generano previsioni probabilistiche, possono calcolare la redditività attesa di ogni decisione (ad es. quanto profitto si ottiene mantenendo un’unità in più rispetto al rischio che rimanga invenduta). Questo rappresenta un passo avanti rispetto a molti strumenti che si affidano a target di livello di servizio impostati dall’utente; Lokad cerca di calcolare in modo dinamico il livello di servizio ottimale per articolo, partendo dai principi economici. In sostanza, le loro decisioni sono direttamente correlate agli esiti finanziari (ad es. massimizzare il contributo al margine atteso), in linea col criterio dell’ottimizzazione guidata dalla redditività. Questo approccio affonda le radici nella loro convinzione che l’ottimizzazione della supply chain non riguarda solo la riduzione dei costi, ma l’allocazione delle risorse per massimizzare i rendimenti. Una conseguenza è la possibilità di operare, ad esempio, una ottimizzazione dei prezzi combinata con la previsione della domanda – evitando l’errore degli strumenti di pricing che ignorano i vincoli d’inventario. Lo stesso Lokad avverte che “ottimizzare i prezzi in isolamento – indipendentemente dalle previsioni della domanda – è controproducente” ²⁰ ²¹. Integrando il pricing nel ciclo di previsione/ottimizzazione, si garantisce che i calcoli del profitto riflettano una vera risposta della domanda. In generale, l’orientamento economico di Lokad è di prim’ordine; tuttavia, richiede fiducia nell’algoritmo. I rivenditori devono essere disposti a lasciare che un algoritmo gestisca i compromessi di redditività che in passato venivano trattati manualmente, il che può rappresentare un ostacolo culturale.

Scalabilità & Architettura: Lokad offre la sua soluzione come un servizio basato su cloud (spesso su infrastruttura Microsoft Azure). Invece di richiedere ai clienti di gestire server pesanti in memoria on-premise, Lokad esegue i calcoli sul proprio cluster cloud, scalando in base alle necessità. Questo modello di calcolo on-demand evita l’approccio del “cubetto in-memory hardwired” adottato da alcuni strumenti legacy, il quale “offre report in tempo reale impressionanti ma garantisce alti costi hardware” ²². Al contrario, Lokad è in grado di elaborare grandi dataset distribuendo il carico di lavoro nel cloud, e i clienti pagano solo per il tempo di calcolo effettivamente utilizzato. Questo approccio è sia economico che scalabile – si possono attivare ulteriori nodi di calcolo per affrontare problemi complessi per poche ore, invece di dimensionare un server permanente per i picchi di carico. L’architettura di Lokad è incentrata sul codice (mediante script Envision), il che significa che calcoli complessi vengono compilati ed eseguiti in modo efficiente sul server, senza affidarsi a un’interfaccia desktop ingombrante. Questo design si è dimostrato capace di gestire dataset retail di dimensioni ragionevoli (vengono citati clienti con decine di milioni di combinazioni SKU-location). Tuttavia, va osservato che Lokad è un fornitore più piccolo, e la sua scalabilità, pur essendo generalmente solida, potrebbe non essere ancora stata messa alla prova su dataset retail assolutamente massicci (ad es. a scala Walmart) al livello di SAP o Oracle. Detto ciò, il loro approccio cloud è fondamentalmente più scalabile rispetto ai sistemi legacy on-premise vincolati alla memoria. Anche l’efficienza in termini di costi è elevata: gli utenti non sono costretti a licenziare hardware imponenti o a pagare per capacità inutilizzate, poiché il pricing SaaS di Lokad è basato sull’utilizzo. In sintesi, l’architettura cloud moderna di Lokad gli conferisce un vantaggio in termini di scalabilità e costi, a condizione che i clienti siano aperti a un sistema meno tradizionale e orientato al codice.

Gestione di Fattori Retail Complessi: Poiché la piattaforma di Lokad è sostanzialmente un ambiente di programmazione flessibile per l’ottimizzazione, essa può essere configurata per gestire esplicitamente fenomeni retail complessi. Ad esempio, gli utenti possono modellare le interrelazioni tra prodotti (sostituti o complementari) nei loro script Envision in modo che le previsioni e gli ordini tengano conto della cannibalizzazione o degli effetti halo. Se il prodotto A e il prodotto B sono sostituti, il sistema di Lokad può acquisire dati transazionali e apprendere che, quando A è esaurito, le vendite di B aumentano, regolando di conseguenza le previsioni. Questa non è necessariamente una funzionalità preconfezionata attivabile con un checkbox – richiede lavoro di data science per impostare il modello corretto – ma la capacità esiste. Allo stesso modo, possono essere modellati gli effetti promozionali: Lokad può utilizzare calendari promozionali come input e perfino ottimizzare il pricing promozionale. Per quanto riguarda i prodotti deperibili e le date di scadenza, Lokad può integrare la shelf life residua nella logica di ottimizzazione (ad esempio, aumentando la priorità di vendita degli articoli man mano che si avvicinano alla scadenza attraverso sconti o evitando il sovraccarico di prodotti a breve durata). Il punto di forza è la flessibilità: a differenza dei sistemi legacy rigidi, l’approccio di Lokad può codificare virtualmente qualsiasi vincolo o fattore, a condizione che si disponga dei dati e dell’esperienza necessari. Lo svantaggio è che potrebbe non avere un “modulo di cannibalizzazione” preconfezionato – l’utente (o il team di Lokad) deve implementare la logica. Tuttavia, molti fornitori semplicemente ignorano queste sfumature. Lo stesso team di Lokad ha pubblicato articoli su argomenti come l’integrazione della cannibalizzazione nelle previsioni tramite machine learning (ad esempio, identificando sostituti tramite correlazioni di vendita), indicando che sono consapevoli e capaci di affrontare la questione allo stesso modo dei principali specialisti retail ⁸ ⁹. In pratica, per un retailer con dinamiche di categoria complesse, Lokad probabilmente realizzerà un progetto di modellizzazione personalizzato. Questo approccio su misura può garantire una gestione molto accurata di fattori quali la cannibalizzazione, ma richiede un impegno maggiore in termini di consulenza rispetto a una soluzione plug-and-play.

Automazione: La visione di Lokad è fortemente orientata verso il processo decisionale automatico. La loro piattaforma è spesso descritta come “Supply Chain Optimization as a Service,” implicando che l’utente la configuri e che essa produca automaticamente decisioni (come ordini di rifornimento o variazioni di prezzo) in modo continuativo ²³. L’obiettivo è che i pianificatori passino dal calcolo manuale dei numeri al controllo delle decisioni guidate dall’IA. Il sistema di Lokad può generare raccomandazioni giornaliere o settimanali per gli ordini, che possono essere integrate direttamente nell’ERP del retailer per l’esecuzione, con minimi interventi umani. Poiché le previsioni sono probabilistiche e l’ottimizzazione è guidata dal profitto, l’idea è che il sistema prenda la decisione ottimale e non necessiti del giudizio istintivo di un pianificatore su, per esempio, ogni quantità d’ordine. Ovviamente, nella realtà le aziende inizialmente esaminano le raccomandazioni, ma molti clienti di Lokad hanno ottenuto un elevato grado di automazione (gestendo manualmente solo eccezioni come nuovi prodotti o eventi di rilievo). L’enfasi su una modalità “pilota automatico” è un fattore distintivo – mentre alcuni strumenti più vecchi offrono supporto decisionale che si affida all’interpretazione dei pianificatori, Lokad mira a essere un software decisionale. Un esempio di successo nell’automazione: un retailer alimentare che utilizzava Lokad è riuscito a eseguire un rifornimento automatico dei negozi che si adattava in modo dinamico alle variazioni della domanda, ottenendo una significativa riduzione degli sprechi e delle rotture di stock contemporaneamente ²⁴. Questo è in linea con i risultati di settore secondo cui il rifornimento automatico guidato dalle previsioni può ridurre gli sprechi di una percentuale a doppia cifra ²⁴. Lo scripting di Lokad permette agli utenti di codificare regole aziendali (ad esempio, di non far scendere mai l’inventario al di sotto di una scorta minima espositiva) affinché l’automazione rispetti i vincoli del mondo reale. Complessivamente, Lokad ottiene punteggi elevatissimi per il suo spostamento verso un’ottimizzazione veramente automatica. L’unica riserva è che la configurazione iniziale (la scrittura e il testing del modello) richiede un grande impegno; fino a quando il modello non è corretto, non conviene automatizzare le decisioni. Ma una volta perfezionato, il sistema può funzionare con un intervento umano minimo, ben oltre il livello di automazione dei sistemi MRP o di pianificazione legacy.

Integrazione Tecnologica: Lokad è interamente sviluppato in-house su una tech stack coerente. Non è cresciuto acquisendo il software di altre aziende; al contrario, ha sviluppato il proprio motore di previsione, il risolutore di ottimizzazione e il linguaggio di scripting. Ciò genera una piattaforma molto integrata – tutte le funzionalità (previsione, pricing, ottimizzazione dell’inventario) operano sullo stesso modello di dati e linguaggio. Non esistono “moduli” da integrare tramite interfacce; tutto viene realizzato all’interno dell’ambiente Envision. Questo contrasta nettamente con alcuni concorrenti che devono assemblare insieme uno strumento di pricing acquisito e uno strumento di pianificazione separato. L’approccio unificato di Lokad riduce la complessità e previene incoerenze. Ad esempio, l’output della previsione della domanda fluisce direttamente nella logica di ottimizzazione del pricing all’interno dello stesso script – senza necessità di trasferimenti batch di file o di complicate chiamate API tra sistemi differenti. Inoltre, la piattaforma di Lokad è relativamente snella (non richiede un database relazionale completo o un cubo OLAP; il loro storage e capacità di calcolo sono ottimizzati per il loro scopo specifico). Si può dire che la tech stack di Lokad è “a prova di futuro” in quanto viene continuamente migliorata nel suo insieme, invece di avere componenti legacy che necessitano di sostituzione. Il compromesso di questa tecnologia altamente originale è che essa è unica – i clienti devono imparare il modo di lavorare di Lokad, che è diverso dagli tipici strumenti di pianificazione con interfaccia grafica. Ma dal punto di vista ingegneristico, la coesione della tech stack è eccellente. Non esiste un Frankenstein di componenti acquisiti; anche la loro interfaccia utente e le analisi sono state create appositamente attorno al loro motore centrale. Questa semplicità comporta anche meno punti di fallimento nell’integrazione – un grande vantaggio quando si punta a una piena automazione.

Scetticismo Verso l’Hype: È notevole come Lokad sia esplicitamente scettico nei confronti dei buzzword del settore e come questo approccio permei il posizionamento del loro prodotto. L’azienda ha pubblicato critiche a concetti come il “demand sensing,” definendolo “un altro buzzword nella supply chain che non rispetta le aspettative”, essenzialmente mootware (software che esiste ma che non riesce a fornire valore) ¹². Questa prospettiva scettica è in realtà un punto di forza: suggerisce che Lokad si impegna a fondare il proprio prodotto su solide basi scientifiche anziché su un marketing guidato dalle tendenze. Ad esempio, Lokad non si è lanciata nella moda del “blockchain supply chain” né ha esagerato con la retorica del “digital twin” (come criticato anche dal loro fondatore). Invece, si concentra su capacità tecniche tangibili come la previsione probabilistica e l’ottimizzazione per quantili. Per quanto riguarda le affermazioni dei fornitori, quelle di Lokad sono generalmente concrete. Evitano di sostenere implementazioni “plug-and-play” incredibilmente facili o soluzioni di AI magiche pronte all’uso. Infatti, spesso avvertono che implementare un’ottimizzazione avanzata è complesso e richiede una personalizzazione per ogni azienda (da qui la loro enfasi su un linguaggio di programmazione per codificare le specifiche di ciascun cliente). Questa onestà è rinfrescante in un settore pieno di promesse altisonanti. Lo svantaggio è che un messaggio poco appariscente potrebbe far sembrare Lokad meno scintillante rispetto a concorrenti che proclamano a gran voce una “autonomous supply chain with cognitive AI.” Ma da una prospettiva di ricerca della verità, le affermazioni di Lokad tendono a essere sostenute da evidenze – ad esempio, se parlano di una riduzione degli stock del 5% in un cliente, ciò avviene solitamente in un caso di studio dettagliato e non in una dichiarazione generica. Discutono apertamente anche le limitazioni delle tecniche (si possono trovare post sul blog di Lokad che analizzano dove i metodi classici falliscono). Questa trasparenza costruisce credibilità. Complessivamente, Lokad emerge come una soluzione per i tecnologi – basata su solidi principi ingegneristici e analitici, che combina previsioni e ottimizzazione, e che si distacca dal sensazionalismo. L’approccio rappresenta probabilmente il gold standard in termini di sofisticazione tecnica (probabilistico, guidato dal profitto, architettato in cloud). L’unica riserva è che Lokad è più piccola e meno comprovata su larga scala rispetto ad alcuni incumbents, e il suo modello richiede un’implementazione personalizzata e di alto livello per ogni cliente piuttosto che una soluzione preconfezionata. Ma in termini di capacità pura e design lungimirante, Lokad si posiziona tra i migliori fornitori nell’ottimizzazione retail.

Sommario: Lokad guida nell’ottimizzazione congiunta (pricing integrato con l’inventario), utilizza vere previsioni AI probabilistiche ³, ottimizza per il profitto e il costo opportunità, si scala tramite un’architettura cloud-native a costi contenuti, gestisce le complessità retail attraverso una modellizzazione flessibile, permette un’elevata automazione, dispone di una tech stack in-house coerente e mantiene un atteggiamento sorprendentemente scettico nei confronti dell’hype. Rappresenta un approccio a prova di futuro, sebbene possa richiedere un maggior impegno analitico iniziale.

Fonti: Integrazione di pricing e dati di pianificazione di Lokad ²⁵; enfasi sulle previsioni probabilistiche per decisioni robuste e focalizzate sul profitto ³; critica dei buzzword come il demand sensing ¹².

2. RELEX Solutions – Pianificazione Unificata Focalizzata sul Retail con AI Avanzata (e un Po’ di Sforzo)

RELEX Solutions (fondata nel 2005) è un fornitore in rapida crescita specializzato nella pianificazione retail e ottimizzazione, coprendo previsioni, rifornimento, allocazione, assortimento e ora ottimizzazione dei prezzi. RELEX si è guadagnata una reputazione nei settori della grande distribuzione e del retail specializzato, offrendo miglioramenti misurabili in termini di disponibilità e riduzione degli sprechi. La loro piattaforma è costruita specificamente per le sfide del retail (prodotti a breve scadenza, elevati conteggi di SKU, pianificazione a livello di negozio) ed è nota per l’utilizzo di machine learning avanzato e di un motore di elaborazione dati in-memory per una reattività in tempo reale. RELEX offre una soluzione unificata che spazia dalla previsione della domanda, al rifornimento automatico, alla pianificazione di spazio e assortimento, e recentemente anche al pricing – rendendolo uno dei pochi fornitori, oltre a Lokad, che può vantare l’affrontare in maniera integrata tutti e tre i pilastri (inventario, pricing, assortimento). L’azienda vanta una forte cultura ingegneristica (fondata da tre dottori di ricerca in informatica) e ha investito notevolmente in R&S di AI per il retail. Valutiamo RELEX molto positivamente per le sue capacità specifiche per il retail e per i risultati comprovati, pur rilevando alcuni potenziali svantaggi in termini di pesantezza del sistema e del fatto che anche essa deve supportare il proprio marketing con evidenze.

Ottimizzazione Congiunta: La piattaforma di RELEX è relativamente olistica per le operazioni retail. Ha iniziato con le previsioni e il rifornimento, ma si è espansa nell’ottimizzazione dell’assortimento e nella pianificazione dei planogrammi, e offre anche moduli di ottimizzazione dei prezzi ²⁶. Ciò significa che un retailer può utilizzare RELEX per decidere quali prodotti distribuire in ogni negozio (assortimento), quanto stoccare (inventario) e a che prezzo vendere (pricing), il tutto all’interno di un unico sistema. L’integrazione di questi elementi è ancora in evoluzione – RELEX eccelleva storicamente nell’ottimizzazione dell’inventario (rifornimento dei negozi/centri di distribuzione) e nella pianificazione dello spazio, e solo più recentemente ha aggiunto le capacità di ottimizzazione del pricing. Tuttavia, pubblicizzano che la loro ottimizzazione dei prezzi è allineata con il loro motore di previsione, permettendo che le decisioni di pricing vengano prese con una piena conoscenza degli impatti della domanda ²⁷. Ad esempio, RELEX può simulare come una variazione di prezzo su un prodotto chiave influenzi non solo le sue vendite, ma anche quelle di prodotti complementari o sostituti, grazie agli stessi modelli di previsione sottostanti. Inoltre, la funzionalità di pianificazione promozionale di RELEX integra le promozioni di pricing nel processo di pianificazione della domanda: le promozioni vengono inserite nel sistema, che poi regola le previsioni e suggerisce gli approvvigionamenti, e può persino raccomandare meccanismi promozionali. Questo livello di considerazione congiunta è notevole. Un aspetto distintivo è la capacità di RELEX di coordinare lo spazio (capacità degli scaffali) con le previsioni – ad esempio, se si prevede che le modifiche dell’assortimento o le variazioni di prezzo spingano a un volume maggiore, il sistema segnalerà se lo spazio sugli scaffali è insufficiente. Detto questo, RELEX potrebbe non ottimizzare ancora simultaneamente prezzo e inventario in un unico algoritmo (probabilmente prevede iterativamente la domanda per un dato prezzo, quindi ottimizza il rifornimento di conseguenza, anziché ottimizzare insieme prezzo e stock per il profitto). Tuttavia, all’interno di una stessa piattaforma, i cicli di feedback risultano più stretti rispetto a un retailer che utilizza strumenti separati. RELEX commercializza esplicitamente la “pianificazione retail unificata”, e i case study mostrano clienti che la utilizzano end-to-end (dalle decisioni di assortimento a lungo termine agli ordini giornalieri dei negozi). Valutiamo RELEX con punteggi elevati per l’ampiezza dell’offerta, senza evidenti lacune funzionali nel campo retail. L’unica riserva è che integrare tutti questi elementi può essere complesso – si tratta di una suite unica, ma implementare ogni modulo (merchandising, supply chain, pricing) rappresenta un progetto di notevoli dimensioni.

Previsioni Probabilistiche & AI: RELEX è noto per il suo uso intensivo di AI/ML per migliorare l’accuratezza e la granularità delle previsioni. Hanno sviluppato modelli di machine learning che incorporano una varietà di fattori trainanti della domanda: “stagionalità, tendenze, schemi settimanali, promozioni, variazioni nell’esposizione, festività, meteo, azioni della concorrenza,” ecc. ²⁸ ²⁹. Questo approccio multifattoriale va oltre i metodi tradizionali di serie storiche. Gli algoritmi ML di RELEX rilevano automaticamente quali fattori siano determinanti per ciascun prodotto (selezione delle funzionalità) e sono in grado di individuare variazioni nei modelli di domanda (rilevamento dei punti di cambiamento per improvvisi mutamenti di tendenza) ³⁰ ³¹. Una tecnica impressionante che utilizzano è il data pooling per dati sparsi – per gli articoli a lento movimento, il modello raggruppa prodotti simili per estrapolare informazioni e migliorare le previsioni ³¹. Tutti questi sono metodi moderni di AI che ci si aspetterebbe in un contesto accademico, ora implementati in uno strumento commerciale. Il risultato, come affermano, sono previsioni che “superano i metodi tradizionali in termini di velocità, accuratezza e granularità” ³². Infatti, RELEX spesso enfatizza metriche come un notevole miglioramento percentuale nell’accuratezza delle previsioni o nel livello di servizio dopo l’implementazione. Gestiscono l’incertezza in una certa misura – ad esempio, il loro sistema può produrre diversi scenari o intervalli di confidenza per le promozioni (incorporando effetti di cannibalizzazione e halo nelle previsioni promozionali utilizzando ML per interpretare i dati storici ⁹). Durante le promozioni, aggiustano esplicitamente le previsioni dei prodotti correlati, diminuendole o aumentandole in base alle relazioni di cannibalizzazione/halo apprese ⁹, riducendo così l’eccesso di scorte per gli articoli cannibalizzati ed evitando carenze per quelli con effetto halo. Ciò dimostra una sofisticata comprensione probabilistica degli effetti incrociati tra prodotti. Non è chiaro se RELEX produca distribuzioni di probabilità complete per tutti gli articoli (internamente potrebbero simulare scenari, ma i pianificatori vedono principalmente previsioni puntuali aggiustate). Tuttavia, il loro approccio alla variabilità è avanzato – ad esempio, menzionano la considerazione della “volatilità tipica dei dati retail” utilizzando algoritmi adatti a tale scopo ³⁰. Un altro esempio di AI è la previsione per nuovi prodotti o articoli a lento movimento sfruttando profili di prodotti simili, che rappresenta un approccio guidato dall’AI al classico problema della previsione “articoli simili”. L’impegno di RELEX nell’ML è ulteriormente testimoniato dai progetti di ricerca dell’UE e dagli whitepaper da loro pubblicati (hanno partecipato a un progetto Horizon 2020 dell’UE sull’AI per il retail). In generale, la tecnologia di previsione di RELEX è all’avanguardia tra i fornitori retail, probabilmente leader nell’adozione dell’AI per la pianificazione retail. Potrebbero non utilizzare il termine “previsione probabilistica” tanto quanto Lokad, ma in pratica incorporano l’incertezza tramite simulazioni (per le promozioni) e analisi di sensitività. Utilizzano persino l’AI per compiti non legati alle previsioni, come il riconoscimento delle immagini nell’audit degli scaffali (attraverso un’acquisizione). L’unico aspetto negativo: tali complessi modelli di AI possono risultare una “scatola nera” per gli utenti, e la fiducia deve essere guadagnata. Tuttavia, i loro risultati (ad es. una riduzione del 30% degli sprechi per una catena di alimentari grazie a previsioni più accurate per i prodotti freschi ²⁴) parlano dell’efficacia della loro AI.

Decisione Economica: Il focus dell’ottimizzazione di RELEX è storicamente stato sui livelli di servizio e sulla freschezza piuttosto che sull’ottimizzazione esplicita del profitto – comprensibile dato il loro mercato di riferimento nel settore alimentare (dove evitare scaffali vuoti e sprechi è fondamentale). Tuttavia, hanno iniziato ad integrare analisi maggiormente orientate all’economia. Ad esempio, la razionalizzazione dell’assortimento utilizza l’AI per valutare la redditività end-to-end di ciascun prodotto per negozio: identifica gli articoli a bassa performance che non giustificano lo spazio sugli scaffali analizzando vendite, margini e costi sostenuti ³³. Evidenziano che questa AI “rileva la redditività end-to-end per ciascun articolo per negozio, mettendo in luce i cattivi performer” ³³ – collegando efficacemente le decisioni di assortimento agli esiti finanziari (eliminando ciò che non genera profitto). Questo dimostra che RELEX comprende come l’ottimizzazione debba essere connessa al profitto, non solo ai volumi. Nell’ottimizzazione dell’inventario, RELEX consente di impostare differenti obiettivi di livello di servizio per prodotto, potenzialmente informati dai margini (articoli critici rispetto a quelli meno redditizi). Non è guidato esclusivamente dal costo opportunità come Lokad, ma può approssimare una priorità economica concentrando una maggiore disponibilità dove ha senso dal punto di vista finanziario. Sul fronte dei prezzi, poiché RELEX ora dispone di un modulo per l’ottimizzazione dei prezzi, la redditività è al centro: l’ottimizzazione mira a fissare i prezzi per raggiungere gli obiettivi aziendali, che spesso consistono nel massimizzare il margine o il fatturato nelle condizioni di vincolo. Possiamo supporre che la loro AI per i prezzi analizzi l’elasticità e i compromessi di margine (simile al pricing di Revionics o Blue Yonder). Inoltre, la pianificazione promozionale di RELEX cerca di massimizzare il successo delle promozioni – includendo la valutazione del miglioramento rispetto al sacrificio di margine. Un indicatore emblematico dell’orientamento economico sono i loro case study: ad es. Franprix (un supermercato francese) ha ottenuto una riduzione del 30% degli sprechi E il 67% in meno di esaurimenti di stock utilizzando RELEX, migliorando la redditività grazie a minor spreco e maggiori vendite ²⁴. In sostanza, hanno ottimizzato l’equilibrio tra il costo degli sprechi e il livello di servizio, un’ottimizzazione guidata dal profitto se considerata in tal senso. Un altro esempio è l’utilizzo di dati esterni (come le previsioni sul traffico passeggeri aeroportuale per i negozi WHSmith) per allineare l’offerta alla domanda reale ed evitare l’accumulo eccessivo di prodotti freschi ³⁴ – ancora una volta, riducendo gli sprechi (costo) e incrementando le vendite. Tutto ciò implica che le decisioni di RELEX, pur non adottando una formula formale di massimizzazione del profitto, sono fortemente orientate agli esiti economici (minori costi degli sprechi, maggiori vendite, migliore rotazione dell’inventario). Potrebbero non fornire esplicitamente calcoli di “profitto atteso” per ogni decisione come farebbe Lokad, ma raggiungono obiettivi simili puntando su KPI aziendali che correlano con il profitto (ad es. percentuale di sprechi, percentuale di esaurimenti, fatturato). Con l’integrazione del pricing, ci aspettiamo che RELEX si orienti ulteriormente verso un’ottimizzazione unificata del profitto (per esempio, ottimizzando i programmi di sconto per vendere gli articoli stagionali al margine più elevato possibile senza eccedenze di stock). In sintesi, il DNA di RELEX è forse un po’ più orientato all’operatività (livello di servizio e sprechi) che alla finanza, ma riconoscono chiaramente e integrano gli aspetti economici del retail nei loro algoritmi, rendendoli ben più di un semplice motore a regole cieco.

Scalabilità & Prestazioni: L’architettura di RELEX è famosamente costruita su un database ad alte prestazioni, in-memory, con storage colonnare per tutti i dati retail, consentendo calcoli molto rapidi su ampi set di dati (una necessità fondamentale per la pianificazione a livello di negozio-SKU). Il lato positivo è rappresentato da analisi in tempo reale – gli utenti possono, per esempio, vedere immediatamente l’impatto di una modifica di un parametro sugli ordini, o ricalcolare una previsione al volo per migliaia di negozi. Questo design ha impressionato molti retailer, ma ha un costo in termini di utilizzo intensivo dell’hardware. Infatti, un’analisi critica ha osservato che “il design in-memory, simile a un cubo BI, offre capacità di reporting in tempo reale impressionanti ma garantisce alti costi hardware.” ²². Ciò si riferisce all’approccio di RELEX: memorizzare i dati in memoria garantisce velocità, ma scalare a, per esempio, una catena nazionale di alimentari con milioni di combinazioni SKU-negozio può richiedere una memoria e una potenza di calcolo molto elevate. RELEX viene tipicamente implementato come soluzione cloud per i clienti (hostato su cloud, possibilmente AWS o Azure, non specificato pubblicamente), e certamente può scalare per grandi clienti (dispongono di diversi clienti retail multi-miliardari). La questione è l’efficienza in termini di costi – RELEX potrebbe richiedere più risorse cloud (e quindi costi maggiori) per ottenere quelle prestazioni fulminee rispetto a una soluzione più orientata al batch. Dal punto di vista della scalabilità, RELEX ha dimostrato di essere in grado di supportare grandi retailer in Europa e Nord America. Il sistema può gestire gli ordini per negozio per migliaia di punti vendita quotidianamente. Un cliente RELEX di medie dimensioni spesso gestisce decine di migliaia di SKU con previsioni aggiornate a frequenze inferiori alla giornaliera. Il collo di bottiglia può verificarsi aggiungendo ulteriori moduli: l’integrazione dei dati di assortimento e dei planogrammi (che sono enormi) con il motore di previsione può far crescere esponenzialmente i volumi di dati. RELEX sta affrontando questa sfida ottimizzando i propri algoritmi e, forse, spostando alcuni calcoli su disco o su nodi distribuiti, ma in sostanza si tratta di un’applicazione intensiva. Forniscono anche dashboard e strumenti di simulazione what-if che sfruttano i calcoli rapidi – ma, ancora una volta, il fatto che l’intero set di dati sia in memoria è il fattore abilitante. Si noti che i costi della memoria sono diminuiti e la scalabilità del cloud sta migliorando, quindi l’approccio intensivo di RELEX è oggi più realizzabile che un decennio fa. Tuttavia, i clienti attenti ai costi potrebbero trovare i requisiti infrastrutturali di RELEX esorbitanti rispetto a strumenti più semplici. Ci sono prove aneddotiche che le implementazioni di RELEX richiedono server potenti o elevata spesa cloud per mantenere la reattività in tempo reale. In questo senso, RELEX sacrifica parte dell’efficienza in termini di costi per ottenere velocità e granularità.

Gestione di Fattori Retail Complessi: È qui che RELEX risplende – dispone di funzionalità ricche e progettate appositamente per scenari retail. Cannibalizzazione ed effetti halo sono gestiti esplicitamente nelle previsioni per le promozioni: come discusso, il sistema apprende le relazioni dai dati transazionali (ad esempio, quali prodotti sono sostituti o complementari) e aggiusta le previsioni di conseguenza ⁸ ⁹. Pochi fornitori integrano questa funzione; il team di data science di RELEX ha pubblicato come utilizzano l’apprendimento delle regole di associazione sui dati degli acquisti per dedurre queste relazioni, anziché fare affidamento su ipotesi manuali ⁸. Ciò significa che, quando avvii una promozione sul prodotto X, RELEX automaticamente riduce la previsione di base del prodotto Y se Y viene solitamente cannibalizzato da X (e viceversa per l’effetto halo). Questo non solo migliora l’accuratezza delle previsioni, ma guida anche decisioni migliori in materia di inventario (maggiore scorta ridotta per Y perché venderà meno durante la promozione di X) ⁹. Per quanto concerne la sostituzione, RELEX può tenere conto degli effetti di esaurimento: se il prodotto A è esaurito, la previsione per il prodotto B può temporaneamente aumentare se B funge da sostituto. Probabilmente ciò avviene grazie alle stesse relazioni apprese; alcuni clienti forniscono a RELEX le posizioni di inventario dei loro negozi affinché il sistema possa rilevare le vendite perse e i modelli di sostituzione. Scadenza e deterioramento sono un punto focale per RELEX, soprattutto nel retail di prodotti freschi. La loro soluzione può monitorare l’età dell’inventario e offre funzionalità per la gestione delle date di scadenza ³⁵. Ad esempio, RELEX può dare priorità alla vendita dei lotti più vecchi (FEFO – first-expire, first-out), e le previsioni per gli articoli freschi tengono conto della durata limitata sugli scaffali (tendono a raccomandare rifornimenti più piccoli e frequenti per prodotti a breve vita). Forniscono persino strumenti per monitorare il deterioramento e avvisare se lo stock si avvicina alla scadenza senza avere registrato vendite ³⁶. Un cliente di RELEX, Franprix, ha registrato una notevole riduzione del deterioramento grazie a previsioni a livello giornaliero e ordini automatizzati nei negozi per i prodotti freschi ²⁴ ³⁷ – una prova che RELEX gestisce i deperibili ben meglio dei sistemi tradizionali che spesso ignorano le date di scadenza. RELEX integra anche lo spazio espositivo e il visual merchandising nelle previsioni: se a un prodotto viene assegnato un display secondario, la previsione può essere incrementata di conseguenza (il loro ML rileva quella correlazione). Inoltre, i moduli per la gestione del personale e l’esecuzione assicurano che, se le previsioni o i piani cambiano (ad esempio, a causa di un improvviso aumento della domanda), il personale dei negozi venga avvisato per, diciamo, cuocere più pane o rifornire più rapidamente (chiudendo il ciclo operativo). Un altro fattore complesso è il meteo – RELEX ha implementato aggiustamenti alle previsioni basati sul meteo, fondamentali per categorie stagionali (ad es. gelato nelle giornate calde). Molti parlano di previsioni meteo; RELEX l’ha effettivamente implementata con un tuning del machine learning per ciascuna località ²⁹. In sintesi, RELEX possiede probabilmente la suite più completa per gestire le realtà complesse del retail: dagli effetti incrociati tra prodotti ai driver esterni fino alla durata sugli scaffali. Affrontano tutto questo in modo in gran parte automatizzato, utilizzando l’AI, che rappresenta un importante elemento distintivo. Gli viene riconosciuto il merito pieno su questo criterio.

Automazione: RELEX supporta un alto grado di automazione, sebbene spesso venga configurato per consentire la supervisione umana. In pratica, molti clienti RELEX utilizzano il riapprovvigionamento automatico a livello di negozio e DC: il sistema genera ordini giornalieri o intragiornata per ogni SKU-negozio che vengono eseguiti direttamente, salvo che vengano segnalati per revisione. Come già osservato, solo il 24% dei rivenditori in un sondaggio utilizzava l’automazione degli ordini in negozio guidata dalle previsioni, ma coloro che l’hanno implementata (con sistemi come RELEX) hanno visto gli sprechi diminuire dal 10 al 40% ³⁸ ²⁴. L’esempio di Franprix – riduzione del 30% dello spreco grazie agli ordini automatizzati – sottolinea che l’automazione di RELEX funziona ²⁴. Il sistema dispone di un meccanismo di allerta per attirare l’attenzione umana sulle eccezioni (ad esempio “la previsione è calata significativamente a causa di un fattore inspiegato” o “ordine limitato dal vincolo di spazio di stoccaggio”), ma altrimenti può operare in modalità autopilota. La filosofia di RELEX viene spesso descritta come “retailing algoritmico” in cui le decisioni sono guidate dal sistema. Automatizzano inoltre le revisioni dell’assortimento suggerendo quali articoli aggiungere o rimuovere per negozio a ogni periodo, e perfino automatizzano le raccomandazioni per sconti sui prezzi per i saldi. Un’area di automazione particolarmente rilevante è l’adempimento delle promozioni: RELEX può spingere automaticamente l’inventario verso i negozi in previsione di promozioni e poi ritirarlo se le vendite non raggiungono le aspettative, senza l’intervento del pianificatore. Inoltre, grazie al motore in tempo reale, i pianificatori non devono eseguire noiose operazioni batch o ricalcoli manuali – il sistema aggiorna continuamente le previsioni e i piani non appena arrivano nuovi dati (vendite, inventario, ecc.). Ciò permette un passaggio verso una pianificazione continua con trigger manuali minimi. Vale la pena notare che RELEX coinvolge comunque i pianificatori nella supervisione – per esempio, un pianificatore potrebbe approvare una modifica all’assortimento o regolare un ordine eccessivamente aggressivo, soprattutto nelle fasi iniziali di adozione. Ma la tendenza tra gli utenti è una crescente fiducia nell’IA e, di conseguenza, un aumento dell’automazione. RELEX fornisce strumenti di simulazione affinché i pianificatori possano testare “se lascio che il sistema ordini automaticamente, cosa succede alle rotture di stock rispetto all’inventario?” per accrescere la fiducia. Rispetto ai sistemi legacy che spesso producono un piano che un umano deve poi elaborare, RELEX è molto più vicino a operare in maniera autonoma. Hanno anche iniziato a fare marketing attorno al “pianificazione autonoma” simile a Blue Yonder. Da un punto di vista scettico, diremmo che RELEX ha una automazione provata nel riapprovvigionamento, una buona automazione nelle previsioni (senza necessità di previsioni manuali), un’automazione parziale nell’assortimento (le raccomandazioni vengono ancora revisionate dal merchandising) e un’automazione emergente nel pricing (ad esempio, sconti dinamici). Con il crescere delle capacità dell’IA, ci aspettiamo che RELEX riduca ulteriormente la necessità di interventi umani. Pertanto, ottengono un punteggio molto elevato in automazione, solo superati da soluzioni come Lokad, progettate fin dall’inizio per il funzionamento in autopilota. Resta il fatto che le organizzazioni debbano adattare i propri processi – RELEX offre la capacità di automatizzare, ma spetta al rivenditore fidarsi e riorganizzare i ruoli di conseguenza.

Integrazione Tecnologica: RELEX è una piattaforma unificata sviluppata in gran parte internamente. Non hanno assemblato il loro motore di pianificazione centrale tramite acquisizioni – è stato sviluppato dall’azienda stessa. Le diverse funzionalità (previsione della domanda, riapprovvigionamento, allocazioni, planogrammazione, forza lavoro) condividono una piattaforma dati comune. Ciò significa meno problemi di integrazione all’interno della suite: per esempio, il modulo di pianificazione dell’assortimento si collega direttamente al modulo di previsione, in modo che quando un prodotto viene rimosso dall’assortimento, le previsioni e gli ordini scendano automaticamente a zero dopo la sua delistazione. La coerenza è generalmente forte; gli utenti accedono a queste funzioni tramite un’unica interfaccia. RELEX ha effettuato alcune acquisizioni (un’app mobile per l’esecuzione in negozio, una tecnologia di riconoscimento delle immagini, ecc.), ma questi sono complementi piuttosto che la logica centrale di pianificazione. Una potenziale complessità è l’architettura in-memory – il fatto che tutto risieda in un unico gigantesco modello di memoria può rendere complicate modifiche o integrazioni di nuovi tipi di dati. Ma sembra che ciò venga gestito con tecniche moderne di database. Rispetto ai fornitori più vecchi che dispongono di prodotti nettamente separati (spesso a seguito di acquisizioni) per il pricing rispetto all’inventario, le soluzioni di RELEX appaiono coerenti. Per esempio, la loro ottimizzazione dei prezzi è un componente recente, probabilmente sviluppato o integrato strettamente in modo da utilizzare gli stessi dati di previsione e l’interfaccia utente. Non è necessario esportare le previsioni in uno strumento di pricing di terze parti – tutto è all’interno di RELEX. Ciò riduce le ipotesi non coerenti tra i moduli. Un ulteriore punto di integrazione: RELEX si connette ai sistemi di esecuzione (ERP, POS, ecc.) tramite API, e dispone di strumenti di integrazione ragionevolmente robusti (ma questo è normale per qualsiasi fornitore). Poiché RELEX è cresciuto come un prodotto unico, evita l’etichetta di “Frankenstein” che affligge concorrenti più vecchi come JDA/Blue Yonder e SAP. Detto ciò, man mano che RELEX si espande (soprattutto nel pricing), mantenere la purezza di una piattaforma unica risulta un impegno continuo. Non abbiamo riscontrato problemi rilevanti, pertanto si può inferire che l’integrazione sia stata mantenuta. Una dimensione da monitorare è se i microservizi di RELEX (qualora abbiano scomposto l’applicazione in servizi) comunichino in maniera fluida. Gartner ha evidenziato gli “strumenti di gestione dei dati e di modellazione dei vincoli” di RELEX come degni di nota ³⁹ – indicativo di un metodo integrato per gestire tutte le regole aziendali e i dati. Ciò suggerisce un alto livello di integrazione in cui diversi vincoli (come lo spazio sugli scaffali, i tempi di consegna, le dimensioni dei pacchi, ecc.) alimentano lo stesso solver anziché solutori separati. In sintesi, RELEX è una delle soluzioni più tecnicamente coerenti in questo ambito, con poche evidenze della frammentazione tipica dei prodotti pesantemente segnati da fusioni e acquisizioni. Questa è una forza significativa rispetto alle suite legacy.

Scetticismo sulle affermazioni di marketing: RELEX, come molte aziende giovani, utilizza liberamente buzzword come AI/ML nel marketing, ma nel suo caso la sostanza supporta in gran parte tali affermazioni. Parlano di “Living Retail” e “liberare l’IA” – termini tipici del marketing – ma pubblicano anche risultati concreti e metodologie. Ad esempio, dispongono di post sul blog e risorse che illustrano come il loro machine learning funzioni per il retail (discutendo di pooling, rilevamento delle tendenze, ecc.) ⁴⁰ ³⁰. Tale trasparenza è positiva; non si tratta semplicemente di una scatola magica di IA, quanto piuttosto di un approccio ben delineato. Inoltre, RELEX tende a lasciare che siano i clienti a parlare – molte delle loro affermazioni si presentano sotto forma di statistiche di case study (ad esempio, un rivenditore XXXX ha migliorato la disponibilità sugli scaffali del Y% riducendo l’inventario del Z%). Queste sono più credibili di affermazioni vaghe. Utilizzano termini come “autonomo”, “cognitivo”, ecc., ma finora non hanno promesso più di quanto il loro software possa effettivamente fare. Un’area da monitorare è il “demand sensing” – RELEX a volte usa questo termine per descrivere la sua capacità di previsione a breve termine (assimilando le vendite recenti per adeguare le previsioni nel breve periodo). Sappiamo che il demand sensing, come concetto, è stato criticato come hype ¹², ma nel caso di RELEX il loro approccio consiste sostanzialmente in previsioni più frequenti basate sui dati più recenti, il che va bene. Finché non sostengono una previsione impossibile, è accettabile. L’integrazione plug-and-play non è un punto su cui RELEX esagera; riconoscono che l’implementazione richiede lavoro (integrazione dei dati, messa a punto dei parametri). Infatti, alcuni clienti hanno evidenziato che i progetti RELEX richiedono un impegno significativo (ciò che ci si aspetta da strumenti potenti). Di conseguenza, RELEX non promuove una narrativa falsa di “valore istantaneo” in maniera eccessiva. Evitano inoltre un gergo troppo elaborato – non li vedrete pubblicizzare blockchain o quantum computing senza motivo (anche se, in maniera curiosa, la loro acquisizione “Evo” utilizza il termine “quantum learning” per l’IA, ma ciò è un aspetto a parte). Se mai, la più grande affermazione di marketing di RELEX è che sono in grado di gestire tutti gli aspetti della pianificazione retail in un’unica soluzione unificata e di ottenere rapidamente risultati importanti. Noi restiamo scettici: un sistema può davvero eccellere in tutto, dalla strategia di assortimento a lungo termine al riapprovvigionamento giornaliero fino al pricing? È un compito arduo. RELEX possiede capacità forti in molte aree, ma alcune (come il pricing) sono più recenti e non hanno ancora dimostrato pienamente il loro valore come i concorrenti specializzati. Quindi, mentre offrono tutti i componenti, un rivenditore potrebbe trovare che uno di essi sia meno maturo. Questa è una sfumatura che i materiali di vendita potrebbero trascurare. Inoltre, gestire così tante funzioni su un unico sistema potrebbe risultare oneroso – un problema non sottolineato nel marketing. Tuttavia, bilanciando hype e realtà, RELEX si posiziona tra i migliori: le affermazioni di miglioramenti guidati dall’IA sono supportate da algoritmi e prove offerte dai clienti, e generalmente evitano l’abuso più eclatante dei buzzword. Valutiamo la loro onestà nel marketing come relativamente elevata.

Sintesi: RELEX Solutions è una potenza nell’ottimizzazione retail con una piattaforma unificata che copre previsioni, riapprovvigionamento, assortimento e pricing. Sfrutta l’apprendimento automatico in maniera estesa per considerare i fattori reali del retail (promozioni, meteo, cannibalizzazione ⁹, ecc.) e ha dimostrato notevoli miglioramenti nei risultati per i rivenditori (maggiore disponibilità, minori sprechi ²⁴). Il sistema supporta la pianificazione congiunta di assortimento, inventario e, in una certa misura, prezzi, sebbene l’ottimizzazione del pricing sia per loro una novità. La previsione probabilistica e basata sull’IA è uno dei punti di forza ²⁸ ³¹, così come la loro capacità di gestire con eleganza prodotti freschi e complessità. La scalabilità è generalmente comprovata, sebbene richieda un elevato impiego di risorse ²². RELEX consente un alto grado di automazione (soprattutto nel riapprovvigionamento) e dispone di un stack tecnologico coerente sviluppato per il retail. Sebbene alcuni aspetti (ad esempio, decisioni ottimali in termini di profitto, ottimizzazione completamente unificata di prezzo+stock) possano non essere incorporati in maniera nativa come nell’approccio di Lokad, RELEX rappresenta una delle soluzioni più futuristiche e innovative per i grandi rivenditori. Il suo focus sulla realtà (non soltanto sulla teoria) e sulle applicazioni concrete dell’IA la rendono una concorrente di prim’ordine – probabilmente il leader tra i fornitori specializzati nel retail. I principali rischi risiedono nella sua complessità (l’implementazione di tutte le funzionalità non è banale) e nel garantire che l’hype (IA ovunque!) si traduca in soluzioni intuitive e manutenibili. Finora, le evidenze suggeriscono che RELEX mantenga in gran parte le proprie promesse, rendendolo una scelta di vertice per l’ottimizzazione retail proiettata al futuro.

Fonti: Fattori di previsione guidati da ML di RELEX (modelli di domanda, promozioni, eventi esterni) ²⁸; gestione della cannibalizzazione tramite ML nelle previsioni promozionali ⁹; riduzione degli sprechi dimostrata grazie al riapprovvigionamento automatizzato basato sulle previsioni ²⁴; analisi della redditività dell’assortimento guidata dall’IA ³³.

3. o9 Solutions – Pianificazione Integrata Ambiziosa con Grandi Promesse (e Avvertenze)

o9 Solutions (fondata nel 2009) si presenta come la creatrice di un “Cervello Digitale” per la pianificazione aziendale – una piattaforma che unifica la previsione della domanda, la pianificazione della supply chain, il revenue management e altro ancora su un modello dati basato su grafi. La visione di o9 è quella di essere la piattaforma unica per la pianificazione end-to-end, abbattendo i silos tra la pianificazione della domanda, l’inventario/supply, la pianificazione commerciale e persino quella finanziaria. Nel contesto retail, o9 può essere configurata per la pianificazione del merchandising e dell’assortimento, la previsione della domanda, la pianificazione della supply, e possiede capacità per il Revenue Growth Management (RGM), che include l’ottimizzazione di pricing e promozioni ⁴¹. In teoria, questo copre tutti gli aspetti dell’ottimizzazione congiunta. o9 ha guadagnato terreno in CPG, manifatturiero e in alcune aziende retail/consumer-facing, enfatizzando spesso il suo approccio moderno AI/ML e knowledge graph rispetto ai vecchi APS (Advanced Planning Systems). Tuttavia, da una prospettiva ingegneristica scettica, o9 risulta un po’ paradossale: è molto avanzata tecnologicamente nell’architettura, eppure alcuni esperti mettono in dubbio quanto della sua IA sia sostanza e quanto sia solo buzz.

Ottimizzazione Congiunta: La proposta di valore centrale di o9 è la pianificazione integrata in tutte le funzioni. Per un rivenditore, ciò significa che un unico sistema o9 potrebbe gestire la pianificazione finanziaria del merchandising, le decisioni sull’assortimento, la previsione della domanda, la pianificazione della supply/riapprovvigionamento e la strategia di pricing, il tutto interconnesso. Promuovono esplicitamente la loro soluzione per il Revenue Growth Management (RGM) che “integra RGM, Demand Planning, Supply Chain e IBP in un’unica piattaforma” ⁴¹. Ciò suggerisce che pricing e promozioni (RGM) non siano entità autonome – alimentano la pianificazione della domanda, che a sua volta alimenta la pianificazione della supply, tutto all’interno di o9. In pratica, o9 dispone di moduli o app per ciascuna area, ma sotto un unico ombrello. Per esempio, un’implementazione di o9 potrebbe includere un modello di elasticità dei prezzi all’interno del modulo di pianificazione della domanda, in modo che i pianificatori possano vedere come le variazioni di prezzo influenzerebbero la previsione e immediatamente come ciò impatti sull’inventario o sui piani di produzione. Il loro concetto di Enterprise Knowledge Graph (EKG) significa che tutti i dati (prodotti, località, fornitori, vincoli, ecc.) sono connessi come in una rete, permettendo a qualsiasi cambiamento (ad esempio, una nuova decisione sull’assortimento o una modifica dei prezzi) di propagare impatti attraverso il grafo. Questo è potente in teoria: potrebbe consentire una vera ottimizzazione concorrente – aggiustando simultaneamente i prezzi e riordinando per massimizzare il profitto e il servizio. Tuttavia, non è chiaro se o9 attualmente ottimizzi automaticamente in queste dimensioni o se consenta solo un’analisi unificata. Spesso, i clienti usano o9 per eseguire scenari: ad esempio, scenario 1 – prezzo x, ordine y; scenario 2 – prezzo x+5%, ordine z – per poi confrontare i risultati. Si tratta di pianificazione integrata, ma non necessariamente di un singolo algoritmo di ottimizzazione. Detto ciò, o9 è in grado di calcolare scenari complessi grazie al suo motore. È una delle poche che può realisticamente unire la pianificazione dell’assortimento (merchandising) con la supply chain – in modo che un rivenditore possa pianificare una strategia di categoria (quali SKU in quali negozi) e o9 pianifichi contemporaneamente l’inventario e il riapprovvigionamento per essi, garantendo che la supply corrisponda al piano di merchandising. Molte configurazioni legacy operano in fasi disconnesse. o9 promuove anche la collaborazione con i fornitori e la pianificazione multi-livello all’interno della stessa piattaforma, il che significa che le problematiche di supply a monte possano informare le decisioni di merchandising a valle. Tutta questa integrazione olistica rappresenta un punto di forza chiave e un approccio molto lungimirante. La principale sfida risiede nella complessità: modellare tutti questi elementi in un unico sistema richiede una configurazione significativa e un’integrazione accurata dei dati. Alcuni utenti segnalano che, sebbene o9 possa gestire tutto, nelle implementazioni iniziali si concentra spesso su una o due aree (ad esempio, la pianificazione della domanda e della supply), lasciando pricing o assortimento per fasi successive. Quindi, l’ottimizzazione congiunta rappresenta più un potenziale che una realtà immediata. Conferiamo a o9 forti punteggi per la visione e l’architettura nell’ambito dell’ottimizzazione congiunta, pur mantenendo un atteggiamento scettico sul numero di clienti che lo utilizzino effettivamente per decisioni completamente integrate tra pricing e inventario. Tuttavia, la capacità della piattaforma è presente, e questo è più di quanto si possa affermare per la maggior parte.

Previsioni probabilistiche & AI: o9 certamente si promuove come una piattaforma guidata dall’AI. Dispone di un motore ML dedicato che può ingestire numerose variabili esterne (presentano demo come Google Trends, il meteo, dati socio-economici) nelle previsioni. Il Knowledge Graph viene talvolta presentato come abilitante una migliore AI – collegando tutti i dati, si sostiene che aiuti gli algoritmi di machine learning a trovare predittori della domanda. Tuttavia, occorre un esame critico. Un’analisi indipendente ha rilevato: “Molte delle affermazioni sulle previsioni basate sul database a grafo (EKG) sono dubbie e non supportate dalla letteratura scientifica. Un sacco di clamore sull’AI, ma elementi trovati su Github fanno intuire l’uso di tecniche banali.” ⁴². Ciò suggerisce che i metodi effettivi di previsione di o9 potrebbero non essere così rivoluzionari come implica il loro marketing – probabilmente utilizzano modelli standard di serie temporali o regressione, nonostante li incornicino in termini sofisticati. Infatti, o9 è stata criticata per etichettare anche funzioni interattive semplici come “AI.” Ad esempio, la generazione rapida di scenari è un marchio distintivo del loro strumento (grazie al calcolo in-memory), ma la pianificazione degli scenari in sé non è AI – è solo simulazione. Detto questo, o9 possiede capacità di machine learning: può costruire modelli ML per promozioni, per l’introduzione di nuovi prodotti (utilizzando previsioni basate su attributi), ecc. Hanno acquisito una piccola azienda AI (Fourkind) per potenziare la loro data science. Quindi non è tutto fumo; hanno implementato ML per il riconoscimento di pattern e l’individuazione di anomalie nelle previsioni. È solo che questi potrebbero assomigliare a ciò che fanno altri fornitori moderni. Ci sono poche evidenze che il modello a grafo migliori intrinsecamente l’accuratezza delle previsioni – esso aiuta principalmente nell’organizzazione dei dati. Le previsioni di o9 possono essere probabilistiche nel senso che supportano simulazioni Monte Carlo per scenari (ad es. simulare 1000 traiettorie di domanda per vedere la distribuzione degli esiti), ma non li abbiamo visti enfatizzare l’emissione di distribuzioni di probabilità complete di default, come fa Lokad. Quindi, in termini di maturità nelle previsioni probabilistiche pure, potrebbero essere indietro rispetto ad altri soggetti specializzati. Tuttavia, o9 incorpora l’AI in modi diversi: per esempio, dispone di uno strumento di rischio supply chain alimentato da AI per predire potenziali interruzioni, che esula dalla previsione classica. Hanno inoltre introdotto un nuovo assistente Generative AI (interfaccia chatbot per interrogare il sistema), che è più orientato all’interfaccia utente che alla previsione centrale, ma dimostra il loro investimento nella tecnologia AI. In sintesi, diamo a o9 il merito di avere buone capacità AI, sebbene possibilmente non così differenziate come sostengono. Superano sicuramente i sistemi legacy AP che si basano su previsioni manuali, ma se messi a confronto con peer come RELEX o Lokad, l’approccio di o9 alle previsioni potrebbe apparire meno focalizzato (dato che o9 bilancia molti altri aspetti della pianificazione). Lo scetticismo degli esperti ⁴² indica che non tutte le affermazioni sull’AI di o9 vanno prese per oro colato. Vorremmo vedere ulteriori validazioni indipendenti dei loro vantaggi in termini di accuratezza previsionale. Fino ad allora, consideriamo la loro AI credibile ma in qualche modo sovramarchettata.

Decisione Economica: la piattaforma di o9, essendo molto flessibile, può essere configurata per ottimizzare vari obiettivi, inclusi quelli finanziari. Nei contesti di business planning integrato (IBP), o9 aiuta spesso le aziende a valutare scenari in base a ricavi, margini, servizio, ecc. Per il retail, il modulo RGM dovrebbe considerare esplicitamente l’elasticità dei prezzi e il margine – collegando direttamente le decisioni a profitti e ricavi. Hanno la capacità di eseguire scenari what-if sulla redditività: ad es., “Cosa succede se prezziamo questa categoria del 5% in meno? Come variano profitto e volume? E i nostri fornitori ce la fanno?” Ciò allinea la pianificazione con le metriche finanziarie. Tuttavia, se o9 ottimizza automaticamente o fornisce solo un ambiente di sperimentazione rimane una questione. Parte del valore di o9 deriva dal consentire decisioni trasversali: ad esempio, un utente può notare che un certo piano promozionale causerebbe perdite di vendita a causa di vincoli nella supply chain, e decidere di modificarlo per massimizzare il profitto, date quelle limitazioni – tutto all’interno dello strumento di o9. Questo facilita il processo decisionale economico (offrendo trasparenza e simulazioni rapide). o9 dispone anche di solutori di ottimizzazione integrati (sia per la supply chain che presumibilmente per il pricing). Possono fare cose come l’ottimizzazione dell’inventario multi-echelon (bilanciando lo stock tra centri di distribuzione e negozi per minimizzare i costi per un livello di servizio target) e l’ottimizzazione del calendario promozionale (scegliere il miglior programma promozionale per raggiungere gli obiettivi). Queste operazioni implicano compromessi economici. Ad esempio, o9 può ottimizzare l’allocazione dell’assortimento – determinando quante esposizioni o quali prodotti in ciascun negozio massimizzano una certa metrica (come vendite o profitto) sotto vincoli di spazio. Si tratta di un’ottimizzazione matematica in linea con obiettivi economici. Poiché la piattaforma di o9 è personalizzabile, un rivenditore potrebbe configurare una funzione obiettivo del tipo “massimizza il margine atteso meno il costo di mantenimento” per l’inventario, mentre un altro potrebbe impostare “massimizza i ricavi soggetti a X.” Lo strumento supporta entrambe le configurazioni. Quindi, è flessibile, ma questo significa anche che o9 in sé non impone un approccio economico – può essere usato in maniera più manuale/euristica se il cliente lo decide. Il loro marketing, incentrato su “decision-centric planning” e “digital brain”, implica che il sistema vi guiderà verso la decisione ottimale. Tuttavia, alcuni critici affermano che le demo sofisticate di o9 si basano comunque su un’analisi umana piuttosto che su decisioni ottimali completamente automatizzate ⁴². Sospettiamo che l’uso tipico di o9 consista nel presentare ai pianificatori scenari e KPI (costo, profitto, ecc.) per poi lasciare loro la decisione, anziché fornire una risposta ottimale univoca. In termini di costo opportunità, non è chiaro se o9 calcoli intrinsecamente tali costi (ad es. il costo di stock-out in termini di profitto perso – probabilmente può farlo se configurato). Per l’ottimizzazione dei prezzi, se si utilizza il modulo RGM di o9, probabilmente ottimizza matematicamente i prezzi per raggiungere un obiettivo finanziario, dato dalle curve di elasticità della domanda, similmente ad altri strumenti di ottimizzazione dei prezzi. Quindi, sì, può essere economicamente guidato. Nel complesso, o9 abilita fortemente il processo decisionale economico (poiché mira a combinare la pianificazione operativa e finanziaria), ma il grado di automazione varia. Le diamo merito per aver collegato la pianificazione agli esiti aziendali (il loro discorso commerciale è spesso volto a abbattere il muro tra finanza e pianificazione della supply chain). Basta essere consapevoli che ottenere decisioni ottimali in termini di profitto con o9 potrebbe richiedere una significativa costruzione e ottimizzazione dei modelli durante l’implementazione.

Scalabilità & Architettura: l’architettura di o9 è uno dei suoi tratti distintivi – utilizzano un moderno motore di calcolo in-memory e il Knowledge Graph Enterprise per rappresentare i dati in una struttura altamente connessa ma efficiente. Ciò permette una rapida traversata e calcoli. Spesso dimostrano una propagazione quasi istantanea delle modifiche (ad es., modificando una previsione, il piano di supply viene aggiornato immediatamente). È concettualmente simile a come Kinaxis gestisce la concorrenza, ma con una svolta tramite il database a grafo. Tuttavia, come ha osservato un critico in precedenza, “la massa tecnologica di o9 è alle stelle, anche secondo gli standard aziendali. Il design in-memory garantisce costi hardware elevati.” ⁴. In altre parole, o9 accumula una quantità enorme di dati e calcoli in memoria, quindi utilizzarlo per una grande azienda potrebbe richiedere server potenti o spese elevate per il cloud, similmente alla situazione di RELEX. o9 è basato sul cloud (offrono il loro SaaS, spesso su Azure), il che fornisce elasticità. Ma se un rivenditore utilizza o9 per modellare l’intera rete, oltre a dati finanziari e commerciali dettagliati, il modello può diventare estremamente grande. Un vantaggio: il modello a grafo può essere più efficiente in termini di memoria rispetto a tabelle dati naive, poiché archivia elegantemente le relazioni. Tuttavia, il critico suggerisce che rimane piuttosto pesante. Infatti, nelle prime implementazioni o9 erano note per un elevato utilizzo di memoria. Probabilmente questo è stato migliorato e, con il cloud, possono scalare orizzontalmente fino a un certo punto (anche se alcuni calcoli richiedono ancora molta memoria condivisa). La scalabilità in termini di numero di utenti è buona – moltissimi utenti possono collaborare nel sistema, ognuno visualizzando sezioni diverse, grazie al suo back-end ad alte prestazioni. o9 viene utilizzato da aziende Fortune 500, il che testimonia la sua scalabilità per grandi imprese (inclusi grandi CPG e una catena fast-food globale). La questione della costo-efficacia è un’altra faccenda: evidenze aneddotiche suggeriscono che o9 non sia economico da gestire, data la sua tariffazione aziendale e le richieste di risorse. Se si è sensibili ai costi, una soluzione più snella potrebbe essere preferita per un sottoinsieme di compiti. Ma se si apprezza una pianificazione integrata in tempo reale a livello aziendale, o9 offre prestazioni notevoli – il che comporta naturalmente costi maggiori di calcolo. In termini di performance, o9 può ricalcolare i piani molto frequentemente (alcuni lo fanno quotidianamente o addirittura intra-day per orizzonti a breve termine), migliorando rispetto ai cicli batch settimanali del passato. Utilizzano anche microservizi e un approccio “platform”, il che significa che parti del piano possono essere aggiornate senza dover ricalcolare tutto da zero. Il Knowledge Graph viene aggiornato in modo incrementale man mano che nuovi dati arrivano. Questo è un design moderno e scalabile. In sintesi, o9 è tecnicamente scalabile per problemi di grande portata, ma gli utenti devono essere preparati a un significativo impiego di hardware/cloud (la piattaforma è potente ma exige molta risorsa). Rispetto a soluzioni veramente leggere e specializzate, o9 probabilmente utilizza più memoria perché risolve un problema integrato molto più ampio. Pertanto, per quanto riguarda la scalabilità, assegniamo a o9 alti voti per capacità, ma medi per la costo-efficacia.

Gestione dei Fattori Complessi nel Retail: Di default, o9 potrebbe non disporre di tante funzionalità predefinite specifiche per il retail quanto RELEX, ma può essere configurato per gestirle. Ad esempio, cannibalizzazione e halo – i modelli ML di o9 possono rilevare questi fenomeni se alimentati con dati transazionali, in modo simile a quanto fa RELEX. Probabilmente è necessario che il team di data science definisca le caratteristiche adeguate o utilizzi l’assistente ML di o9. Non abbiamo trovato riferimenti espliciti a una modellazione integrata della cannibalizzazione promozionale nei materiali di o9; è probabile che ciò avvenga tramite le loro previsioni ML anziché con un modulo separato. Effetti di sostituzione possono essere gestiti perché o9 è in grado di monitorare i livelli di inventario – si potrebbe impostare una regola o un modello ML secondo cui, quando un SKU è esaurito, la domanda di uno SKU correlato aumenta. Ma, ancora una volta, potrebbe essere necessario modellarlo esplicitamente. Scadenze/perishables: o9 può gestire attributi di lotto (il suo modello dati può incorporare attributi degli articoli, come la data di scadenza). Un rivenditore potrebbe utilizzare o9 per pianificare la produzione e la distribuzione in linea con i vincoli della shelf-life (ad es., assicurarsi che gli articoli vengano spediti ai negozi con sufficiente vita residua). Tuttavia, ciò potrebbe richiedere la personalizzazione dei vincoli e degli obiettivi. Non essendo una soluzione dedicata per prodotti freschi, non calcola automaticamente le proiezioni di deterioramento a meno che non si implementi quella logica. Al contrario, alcuni altri fornitori includono tale funzione di default. Quindi o9 può farlo, ma l’utente deve sapere di includerlo nel proprio modello. Promozioni e stagionalità sono sicuramente gestite – le previsioni e la pianificazione di o9 tengono conto dell’incremento promozionale (dispongono di un modulo di pianificazione promozionale per inserire le promozioni, che poi regolano le previsioni e i piani di supply). Consentono inoltre la pianificazione dell’inventario multi-echelon, il che significa che possono ottimizzare i livelli di stock tra centri di distribuzione e negozi tenendo conto della variabilità – un approccio elegante per gestire l’incertezza della domanda. Sospettiamo che o9, essendo cross-industry, non disponga di tanti algoritmi preconfezionati specifici per il retail (ad esempio, non suggerirà automaticamente “questo articolo è un sostituto per quello” a meno che non si configuri tale logica). Tuttavia, la loro flessibilità significa che qualsiasi fattore retail può essere modellato. Forniscono anche quello che chiamano “control towers” – sostanzialmente cruscotti per monitorare aspetti quali stock esauriti, vendite perse, ecc., che aiutano a identificare problemi come cannibalizzazione o assortimenti inadeguati. Inoltre, il Knowledge Graph di o9 può integrarsi con dati esterni, così da poter importare, ad esempio, dati meteorologici per regolare le previsioni (se l’utente configura il sistema in tal senso). Molti clienti retail di o9 probabilmente utilizzano segnali di domanda esterni. L’ottimizzazione dell’assortimento fa parte esplicitamente della loro offerta (vengono elencate soluzioni di “merchandising e pianificazione dell’assortimento”), il che significa che possono impiegare analytics per individuare gli assortimenti ideali specifici per negozio, tenendo conto delle preferenze locali e dei vincoli spaziali. Combinato con il loro IBP, possono garantire che le modifiche all’assortimento siano fattibili dal punto di vista della supply chain. Questo affronta la complessità della domanda localizzata. Nel complesso, o9 è capace di gestire fattori complessi, ma richiede un team di implementazione competente per sfruttare appieno tali capacità. Potrebbe non essere venuto “out-of-the-box” per i dettagli del retail come un fornitore esclusivamente retail, ma una volta configurato, può competere con loro. Una critica da notare: il commento di un esperto precedente implica che parte della tecnologia dall’apparenza avanzata di o9 potrebbe in realtà basarsi su metodi più semplici (vengono menzionati progetti open-source come tsfresh, ARIMA, ecc. nel contesto di o9), il che potrebbe significare che alcuni fenomeni complessi sono trattati con tecniche piuttosto basilari (come la regressione lineare per le promozioni – che funziona ma non è all’avanguardia). Se così fosse, o9 potrebbe dover approfondire il suo approccio per catturare veramente, ad esempio, impatti non lineari della cannibalizzazione. Tuttavia, dato il loro impegno e la concentrazione sull’AI, è probabile che stiano migliorando in quest’area. Li valuteremo positivamente per la flessibilità nella gestione della complessità, ma moderatamente per l’esperienza comprovata in casi particolari del retail (prodotti freschi, ecc.).

Automazione: la piattaforma di o9 è principalmente uno strumento di pianificazione e supporto decisionale – eccelle nel creare piani e scenari rapidamente. Che venga eseguita automaticamente o meno dipende in gran parte dall’organizzazione utente. Molti utenti di o9 coinvolgono ancora i pianificatori per scegliere gli scenari e approvare i piani. Tuttavia, o9 offre la capacità di pianificazione continua. Vengono enfatizzati concetti come “what-if in tempo reale” e “ri-pianificazione continua” che suggeriscono automazione (il sistema aggiorna costantemente il piano al variare delle condizioni). Ad esempio, se la domanda aumenta in una regione, o9 può automaticamente riallocare l’inventario nel piano e suggerire accelerazioni. Alcuni hanno definito l’approccio di o9 come “pianificazione autonoma” in ambito marketing, ma realisticamente spesso integra i pianificatori anziché sostituirli. Detto ciò, o9 ha introdotto funzionalità come agenti AI che possono monitorare i dati e formulare raccomandazioni. E il loro nuovo GenAI Orchestrator è detto “permettere alle aziende di prendere decisioni più veloci e intelligenti e di aumentare la produttività dei pianificatori” ⁴³ – accelerando principalmente il modo in cui i pianificatori ottengono approfondimenti. La piena automazione non assistita (come l’auto-esecuzione di ordini o variazioni di prezzo) non è comunemente citata con o9. Normalmente, o9 alimenterebbe piani ottimizzati in un ERP o in un sistema di esecuzione che poi li implementa. Quindi, l’automazione nel contesto di o9 riguarda più l’automatizzazione del processo di pianificazione (niente elaborazione manuale con fogli di calcolo, aggiornamenti automatici delle previsioni, avvisi automatizzati in caso di deviazioni dal piano, ecc.) piuttosto che l’esecuzione. La differenza rispetto a sistemi come Lokad o RELEX è sottile: o9 automatizza i calcoli e fornisce una raccomandazione decisionale, ma spetta a un umano premere il grilletto; Lokad/RELEX sono spesso impostati per generare automaticamente l’ordine effettivo o la variazione di prezzo. Detto ciò, se un’azienda lo desidera, potrebbe trattare le uscite di o9 come decisioni autorizzate automaticamente. Ad esempio, o9 potrebbe generare proposte d’ordine che vanno direttamente in un sistema di gestione ordini quotidianamente – ciò è fattibile. Oppure potrebbe calcolare nuovi prezzi di trasferimento o suggerimenti di sconto e inviarli ai negozi. La capacità esiste, ma gli utenti tipici di o9 (spesso grandi aziende) tendono a mantenere un intervento umano per decisioni critiche. È importante notare che il punto di forza della pianificazione per scenari di o9 riduce effettivamente la necessità di tentativi ed errori da parte degli umani – il sistema stesso può simulare innumerevoli scenari (quasi come un brainstorming automatizzato). In un certo senso, automatizza la valutazione delle opzioni, lasciando all’uomo il compito di scegliere tra le migliori. Ciò accelera notevolmente il processo decisionale. Quindi, in termini di produttività dei pianificatori, o9 automatizza il lavoro pesante. Dispongono anche di flussi di lavoro (come approvazioni, notifiche) che possono instradare automaticamente le eccezioni alla persona giusta. Per essere scettici, il marketing di o9 con la “Digital Brain” può far pensare a una supply chain autonoma, ma in realtà assomiglia più a un eccellente cockpit decisionale che richiede un pilota esperto. Gli diamo voti da moderati ad alti per l’automatizzazione dei calcoli di pianificazione, ma inferiori per l’esecuzione autonoma completa.

Integrazione Tecnologica: o9 è stata realizzata come una piattaforma unica sin dall’inizio (da veterani di ex-i2 Technologies), quindi non ha ereditato un mosaico di moduli acquisiti – un aspetto positivo per l’integrazione. La sua architettura a microservizi e il modello di dati unificato significano che tutte le parti del sistema comunicano tra loro senza interruzioni. Non sono necessari database separati per le previsioni e la pianificazione della supply chain; il Knowledge Graph contiene tutto. Questo evita il tradizionale dolore dell’integrazione tra, ad esempio, un sistema di previsione e uno di ottimizzazione dell’inventario. Tutti i dati vengono caricati una volta in o9 e poi diverse “app” al suo interno operano su quei dati condivisi. L’esperienza utente è anch’essa unificata (dispongono di un’interfaccia web comune a tutti i moduli, con dashboard configurabili). Quindi, dal punto di vista dell’utente, sembra un unico sistema per tutte le attività di pianificazione. Questo rappresenta un enorme vantaggio rispetto a una soluzione Frankenstein. Tuttavia, con la crescita di o9, sono state aggiunte molte funzionalità e forse anche acquisite una piccola azienda o due (come una consulenza AI, e magari una per il design della supply chain). Potrebbe essere necessaria un’integrazione anche in quelle aree marginali, ma la pianificazione di base rimane unificata. Un esperto ha definito o9 come “l’archetipo del grande fornitore tecnologico” con “massa tecnologica alle stelle”, implicando che sotto il cofano è molto complessa ⁴. Ciò fa intendere che, pur non essendo un Frankenstein da acquisizioni, la piattaforma di o9 è immensa – il che può renderla complicata da implementare o mantenere. Tuttavia, si tratta di una complessità interna piuttosto che dell’integrazione di tecnologie disparate. Gli acquirenti aziendali spesso preferiscono una piattaforma integrata come o9 perché riduce il numero di fornitori e interfacce. Questa è la forza di o9 – si acquista una piattaforma invece di sistemi separati per previsioni, pianificazione della supply chain, S&OP, ecc. Il rischio è che, se una parte della piattaforma non è la migliore della categoria, sarai comunque vincolato ad essa a meno che non integri un altro strumento (il che vanifica lo scopo). Per quanto riguarda la “coerenza del tech stack”, o9 è coerente – è per lo più costruita sul tech stack Microsoft (.NET, ecc.) e utilizza una struttura di database a grafo da loro sviluppata. Quindi non si presentano problemi come dati copiati tra sottosistemi o logica incoerente. Il trade-off: adottare o9 significa allineare i propri processi all’approccio della piattaforma di o9, il che può rappresentare un grande cambiamento. Ma dal punto di vista IT, probabilmente semplifica il panorama rispetto a molteplici sistemi legacy. In breve, o9 non è un Frankenstein – è un cervello ingegnerizzato (sebbene molto complesso). Questo è positivo per la manutenzione a lungo termine se il cliente lo abbraccia completamente, anche se può risultare inizialmente travolgente. Riteniamo che o9 soddisfi bene il criterio della “coerenza del tech stack.”

Scetticismo verso l’Hype: Se c’è un fornitore in questa lista che fa scattare l’allarme dell’“hype”, potrebbe essere o9. Usano buzzword in modo liberale – Enterprise Knowledge Graph™, Digital Brain, AI/ML, ora Generative AI. Il loro marketing è elegante e talvolta vago sui dettagli tecnici, concentrandosi invece sui benefici complessivi. Ad esempio, vantano di possedere un framework AI/ML ma si sente meno parlare esattamente di quali algoritmi utilizzino (mentre un fornitore come Lokad o ToolsGroup potrebbe discutere apertamente dell’uso di modelli probabilistici o reti neurali, o9 rimane a un livello più generico). Alcuni osservatori del settore hanno effettivamente accusato o9 di essere “AI Theater”, esibendo demo appariscenti con molte analisi e, dietro le quinte, utilizzando tecniche abbastanza standard ⁴². Il rapporto citato in precedenza di Lokad ha posizionato o9 verso il fondo di una classifica, citando “tonnellate di hype AI” e affermando che funzionalità interattive banali venivano marchiate come AI ⁴². Questa è una critica severa, probabilmente da parte di un concorrente, ma risuona con l’idea che il marketing di o9 sia avanti rispetto alla realtà comprovata. o9 nomina le sue funzionalità in modo futuristico – ad esempio, sostenendo di avere un motore di “quantum learning” (termine preso in prestito dalla loro acquisizione di Evo nel 2023) che suona all’avanguardia ma è essenzialmente un approccio ML ensemble. Parlano di “graph cube technology” per collegare i dati ⁴⁴, il che va bene, ma potrebbe confondere i clienti. Demand sensing e digital twin sono altre buzzword che o9 potrebbe utilizzare (sebbene le inquadri come knowledge graph/digital brain piuttosto che twin, per essere equi). Da scettici, ci si deve chiedere: le aziende stanno ottenendo i risultati drammatici che o9 implica (come un aumento del 10% dei ricavi unicamente grazie a una migliore pianificazione)? Alcuni riportano buoni risultati, ma le referenze indipendenti sono meno numerose dal momento che o9 è più giovane, ad esempio, di SAP. Un altro aspetto dell’hype: o9 spesso si propone come una piattaforma cloud plug-and-play che può essere implementata più rapidamente rispetto ai vecchi sistemi. Eppure, alcune implementazioni sono state segnalate come richiedenti tempi significativi e consulenze (perché modellare un’intera impresa non è banale). Quindi l’idea di distribuire o9 e ottenere istantaneamente una pianificazione integrata è ottimistica. In generale, è più veloce che implementare diversi strumenti separati, ma non “istantanea”. Detto ciò, non dobbiamo sminuire i risultati di o9: hanno veramente introdotto tecnologie moderne e un’interfaccia utente innovativa in un settore che ne aveva bisogno, e molti clienti sono soddisfatti. Probabilmente offrono una capacità di pianificazione nettamente migliore rispetto a quanto avessero i clienti. Quindi, l’hype è parzialmente giustificato – o9 è un sistema di pianificazione di nuova generazione. La chiave è interpretare accuratamente le loro affermazioni: se dicono “la nostra AI ottimizzerà autonomamente la tua attività,” prendetelo con le pinze. Invece, sappiate che “la nostra piattaforma vi permetterà di modellare e ottimizzare la vostra attività in modo migliore, ma il vostro team resterà coinvolto per guidarla.” Incoraggiamo i potenziali clienti a richiedere demo concrete o prove per eventuali affermazioni ambiziose, specialmente per quanto riguarda l’accuratezza delle previsioni basate su AI o i miglioramenti del ROI. Il framework è solido; l’uso che se ne fa decide l’esito. In conclusione, il marketing di o9 è sicuramente aggressivo in termini di buzzword, quindi consigliamo un sano scetticismo. Eppure, in termini di sostanza, dispongono di una piattaforma potente a supporto di gran parte delle loro affermazioni – basta stare attenti che non tutto ciò che viene etichettato come “AI” sia veramente innovativo (alcuni sono solo computazioni efficienti). Assegniamo a o9 un punteggio medio sulla trasparenza del marketing: hanno una genuina innovazione tecnologica, ma spingono l’asticella dell’hype più di altri, richiedendo una due diligence accurata da parte degli acquirenti.

Sintesi: o9 Solutions offre una piattaforma impressionantemente ampia e integrata per l’ottimizzazione del retail, con l’obiettivo di fungere da “cervello digitale” che connette il merchandising, la supply chain e le decisioni sui prezzi. La sua architettura Knowledge Graph e il motore in-memory consentono una pianificazione rapida e simultanea e un’analisi degli scenari così ricca che pochi possono eguagliarla. o9 supporta la considerazione congiunta di prezzi, domanda e offerta, rendendo possibile allineare le strategie di assortimento e pricing con le restrizioni di inventario e supply in un unico strumento – una visione del vero IBP. Sfrutta l’AI/ML nelle previsioni e nelle analisi, anche se l’entità dei suoi progressi in quest’ambito è discutibile ⁴². Il sistema può certamente integrare fattori complessi e grandi quantità di dati, sebbene con una forte richiesta computazionale. La scalabilità è di livello enterprise (utilizzata da aziende multimiliardarie), ma la costo-efficacia potrebbe rappresentare una preoccupazione (l’approccio in-memory può essere esigente in termini di hardware) ⁴. o9 potenzia i pianificatori attraverso l’automazione dei calcoli e della pianificazione degli scenari, sebbene sia spesso un sistema di supporto decisionale piuttosto che un decisore completamente autonomo. Dal punto di vista tecnologico, è una piattaforma coesa sviluppata internamente, evitando le insidie delle suite Frankenstein. Le principali riserve riguardano la sua propensione all’hype – alcune affermazioni su una AI magica o su trasformazioni “istantanee” andrebbero viste con occhio critico – e la complessità di implementare un sistema così completo. Per le organizzazioni lungimiranti disposte a investire in una piattaforma di pianificazione unificata, o9 è una delle migliori contendenti, offrendo un’architettura a prova di futuro e grande flessibilità. Tuttavia, un progetto o9 di successo richiede di separare il luccichio del marketing dalla realtà e di assicurarsi che la soluzione venga configurata per sfruttarne veramente il potenziale (piuttosto che replicare vecchi processi su un sistema lucido e nuovo). Nella nostra classifica scettica, o9 ottiene un punteggio alto per visione e integrazione, moderato per la differenziazione AI dimostrata, e necessita di una verifica accurata per le sue promesse traboccanti di buzzword. Rimane una delle piattaforme più avanzate in circolazione – basta avvicinarsi con gli occhi aperti per assicurarsi che la sostanza corrisponda al discorso commerciale.

Fonti: Critica al design in-memory di o9 e alle affermazioni sull’AI ⁴; affermazione della piattaforma integrata RGM (pricing) e di pianificazione di o9 ⁴¹; la prospettiva di Blue Yonder sull’utilizzo dei dati per collegare l’impatto dei prezzi all’inventario (come approccio simile a quello che o9 utilizzerebbe) ²⁷.

4. ToolsGroup – Ottimizzazione dell’Inventario Provata, in Evoluzione verso una Pianificazione Retail Unificata (con componenti aggiuntive AI)

ToolsGroup è un fornitore affermato (fondato nel 1993) storicamente noto per il suo software Service Optimizer 99+ (SO99+) focalizzato sulle previsioni della domanda e sull’ottimizzazione dell’inventario. Vanta una solida tradizione nel settore manifatturiero e della distribuzione, ma anche numerosi clienti nel retail e nei beni di consumo per la pianificazione del replenishment. Negli ultimi anni, ToolsGroup ha ampliato le proprie capacità tramite acquisizioni – in particolare acquisendo la suite di pianificazione retail JustEnough e una società AI, Evo – per offrire una piattaforma di ottimizzazione retail più completa che include pianificazione di assortimento e merchandising, previsioni della domanda, ottimizzazione dell’inventario e, ora, ottimizzazione dei prezzi ⁴⁵ ⁴⁶. Il tratto distintivo di ToolsGroup è da tempo l’utilizzo delle previsioni probabilistiche per la pianificazione dell’inventario, unito a una filosofia di pianificazione della supply chain altamente automatizzata e guidata dal livello di servizio. Ora, con i moduli acquisiti e gli aggiornamenti AI, mira a ottimizzare congiuntamente l’inventario e i prezzi, fornendo una pianificazione retail end-to-end (che definiscono “Decision-Centric Planning”). Classifichiamo ToolsGroup come un attore solido e tecnicamente competente, con una profonda esperienza nell’ottimizzazione dell’inventario, pur notando che è in fase di transizione nell’integrazione delle nuove componenti.

Ottimizzazione Congiunta: Storicamente, ToolsGroup si è concentrata sul lato inventario – garantendo i giusti livelli di stock per raggiungere il servizio target, tenendo conto dell’incertezza. La determinazione dei prezzi e l’assortimento erano fuori dal suo ambito. Con l’acquisizione di JustEnough (uno specialista nella pianificazione finanziaria della merce, nell’assortimento e nell’allocazione) e l’integrazione dell’IA per l’ottimizzazione dei prezzi di Evo, ToolsGroup pubblicizza ora la capacità di ottimizzare prezzi e inventario insieme. Ad esempio, la loro nuova offerta include un software Retail Pricing che può simulare come le variazioni di prezzo influenzino la domanda e si traducano in ricavi ⁴⁷ ⁴⁸, e soprattutto, lo fa con piena visibilità dei livelli di inventario ⁴⁸. L’integrazione tra pricing e inventario significa che il sistema è consapevole dello stock disponibile quando suggerisce azioni sui prezzi – fondamentale per l’ottimizzazione congiunta (non ha senso abbassare il prezzo se non c’è stock da vendere, per esempio). Sottolineano che il loro strumento per il pricing fornisce “una visione completa dell’inventario attuale e del ritmo di vendita” affinché le decisioni sui prezzi siano prese nel contesto dell’inventario lungo la supply chain ⁴⁸ ⁴⁹. Ciò suggerisce un approccio coordinato: se l’inventario è elevato, il sistema potrebbe attivare sconti; se l’inventario è scarso, potrebbe mantenere il prezzo o addirittura suggerirne un aumento (se compatibile con la strategia). Inoltre, la roadmap di ToolsGroup con Evo prevede di fornire ottimizzazione dinamica dei prezzi che alimenta la pianificazione della supply ⁵⁰ ⁵¹. L’IA di Evo era specializzata nel collegare decisioni di pricing e di inventario – il loro CEO ha dichiarato che l’obiettivo è offrire “calcoli ottimali di prezzo e inventario” in tandem per guidare decisioni migliori lungo la catena del valore ⁵². Ciò indica un algoritmo di ottimizzazione unificato o quantomeno algoritmi strettamente interconnessi: uno che individua il prezzo che massimizza il profitto data la limitatezza dell’inventario e la domanda prevista, e uno che definisce il piano di inventario in grado di supportare tale domanda ai prezzi scelti. È ancora agli inizi – Evo è stata acquisita alla fine del 2023 ⁴⁶, quindi l’integrazione è probabilmente in corso – ma ToolsGroup intende chiaramente concentrare l’ottimizzazione di prezzi e inventario sotto lo stesso tetto, anziché considerarle come fasi sequenziali. Per quanto riguarda l’assortimento, il componente JustEnough offre strumenti per la pianificazione dell’assortimento e dell’allocazione (decidere quali prodotti distribuire in quali negozi, come allocare lo stock iniziale, ecc.). Questo si affianca ora alla previsione della domanda e al rifornimento. Se ben integrato, ciò significa che ToolsGroup può ottimizzare l’intero ciclo di vita del prodotto: pianificare l’assortimento, stabilire le allocazioni iniziali, prevedere la domanda, monitorare e rifornire l’inventario, e regolare i prezzi (sconti) verso la fine del ciclo di vita. Sulla carta tutti gli elementi sono presenti. La domanda è quanto bene funzionino insieme. Poiché questi erano prodotti distinti, l’integrazione potrebbe non essere ancora perfetta (sebbene ToolsGroup sostenga di avere una “architettura modulare della soluzione” che stanno assemblando in modo coeso ⁵³). Prevediamo che l’ottimizzazione congiunta nel caso di ToolsGroup possa attualmente essere più sequenziale (il modulo di pricing prende una previsione dal modulo di forecasting, ottimizza i prezzi; il modulo dell’inventario sottopone la domanda risultante e ottimizza lo stock). Con il tempo, grazie all’analisi avanzata di Evo, potrebbero fonderli in un unico ciclo che ottimizza direttamente il profitto (prezzo e quantità). Per ora, daremo a ToolsGroup credito per essersi fortemente orientata verso l’ottimizzazione congiunta – pochi fornitori nella sua categoria possiedono entrambe le capacità di pricing e di gestione dell’inventario. Alcuni risultati iniziali: ToolsGroup (con Evo) ha collaborato con retailer come Decathlon sulla determinazione dei prezzi e ha osservato aumenti dei margini rispettando i vincoli di inventario ⁵⁴ ⁵⁵ (le informazioni sul caso suggeriscono test A/B iterativi per trovare i prezzi ottimali che migliorano il margine senza compromettere l’immagine del marchio, condotti in modo informato dallo stock). Questa è una forma pratica di ottimizzazione congiunta (test di prezzo guidati dai dati di inventario e margine). In sintesi, ToolsGroup sta evolvendo rapidamente da operatore di nicchia nell’ottimizzazione dell’inventario a una suite olistica per l’ottimizzazione retail. Probabilmente è ancora dietro a Lokad o o9 per quanto riguarda l’integrazione profonda dell’ottimizzazione in questo momento, ma è sulla buona strada e già copre i tre pilastri (inventario, pricing, assortimento).

Previsione Probabilistica & AI: ToolsGroup è stata una pioniera nella previsione probabilistica della domanda per la supply chain. Molto prima che diventasse di moda, SO99+ generava distribuzioni di domanda anziché numeri singoli, permettendo di calcolare i livelli ottimali di inventario per una probabilità di servizio target. Questo approccio la distingue da molti strumenti legacy che utilizzavano previsioni medie e formule per lo stock di sicurezza. ToolsGroup possiede un ampio patrimonio di proprietà intellettuale in quest’area – per esempio, impiegando simulazioni Monte Carlo o modelli analitici di probabilità per prevedere la variabilità della domanda per SKU, e poi determinare le politiche di rifornimento. Questa è stata una delle loro forze principali; i clienti spesso raggiungevano alti livelli di servizio con meno stock perché i metodi di ToolsGroup catturavano meglio l’incertezza (rispetto a semplicistici stock di sicurezza). Continuano a formare il mercato sul valore della previsione probabilistica (i loro materiali la presentano come essenziale in ambienti incerti ⁵⁶). Tuttavia, una nota critica: in passato, ToolsGroup segnalava spesso metriche come il MAPE ai clienti e nel marketing. La recensione di Lokad ha evidenziato un’incongruenza in cui ToolsGroup pubblicizza previsioni probabilistiche dal 2018 unitamente a dichiarazioni di riduzione del MAPE, anche se “il MAPE non si applica alle previsioni probabilistiche.” ¹⁹. Ciò implica sia che il loro marketing non si fosse aggiornato alla metodologia (usando una metrica familiare anche se non del tutto applicabile), sia che potessero comunque generare una previsione del valore atteso per confronto. In ogni caso, abbracciano chiaramente il pensiero probabilistico. Sul fronte AI/ML, ToolsGroup ha integrato sempre più il machine learning per gestire i driver della domanda e il riconoscimento di pattern. Tradizionalmente, la loro previsione poteva essere più statistica (come il metodo di Croston per la domanda intermittente, ecc.), ma ora dispongono di funzionalità come l’integrazione di fattori causali, regressione per le promozioni e perfino ensemble di machine learning. L’acquisizione di Evo introduce un’IA molto moderna – il “quantum learning” di Evo è fondamentalmente un algoritmo ML avanzato (possibilmente un ensemble proprietario o una tecnica di reinforcement learning) finalizzato a trovare rapidamente decisioni ottimali ⁵⁷. L’integrazione di Evo da parte di ToolsGroup afferma esplicitamente di aggiungere “ottimizzazione non lineare, quantum learning e analisi prescrittiva avanzata” alle loro soluzioni ⁵¹. Questo suggerisce un salto in avanti nella sofisticazione dell’IA, specialmente per decisioni di pricing e promozioni che sono per natura non lineari. Hanno inoltre acquisito un’azienda chiamata AI.io (precedentemente nota come Halo Business Intelligence) qualche anno fa, che ha fornito loro un workbench per la previsione della domanda guidato dall’IA. Quindi, ToolsGroup sta sicuramente infondendo l’IA nelle sue soluzioni. Detto ciò, il loro marketing sull’IA è stato a volte un po’ dubbio, come ha osservato lo studio di Lokad: “ToolsGroup presenta capacità estese, tuttavia le loro affermazioni sull’‘IA’ sono dubbie. I materiali pubblici alludono a modelli di previsione pre-2000. Le affermazioni sul ‘demand sensing’ non sono supportate dalla letteratura scientifica.” ¹⁹. Ciò implica che, fino a poco tempo fa, ToolsGroup forse stava semplicemente riproporre metodi di previsione decennali (come Croston, ARIMA) definendoli “IA” senza un autentico ML moderno. E che l’uso di termini come “demand sensing” (citati nelle brochure) non era supportato da innovazioni concrete. Prendiamo questo come un monito a scrutinare attentamente le affermazioni sull’IA di ToolsGroup. Tuttavia, con l’aggiunta recente di EvoAI (2023), ci aspettiamo che la sostanza dell’IA di ToolsGroup sia notevolmente aumentata – Evo era una giovane azienda radicata nel ML per pricing/inventario, e ToolsGroup sta vantando nuove funzionalità concrete derivanti da essa (ad es. selezione automatizzata del modello, algoritmi reattivi che si adattano ai cambiamenti recenti, ecc.). Inoltre, l’approccio probabilistico di ToolsGroup è esso stesso una forma di IA (modellazione stocastica), anche se non di “machine learning” – è una tecnica analitica sofisticata che molti altri mancavano. Quindi, in termini di capacità previsiva, ToolsGroup è robusta. Per quanto riguarda la nuova IA, stanno recuperando terreno rispetto ai competitor. Nel complesso, ToolsGroup offre una qualità previsionale affidabile e ora offre maggiori approfondimenti sui driver della domanda e sulle relazioni prezzo-domanda grazie al ML. Gli assegniamo un punteggio alto per la previsione probabilistica (uno dei pochi che l’hanno implementata in modo esteso), e un punteggio medio per l’innovazione nell’IA (stanno migliorando, ma hanno una storia di un certo over-hype). La combinazione di vecchio e nuovo può essere potente se eseguita correttamente: per esempio, usare il ML per rilevare un cambiamento di pattern (ad esempio, il cambiamento del COVID) e poi usare il modello probabilistico per aggiustare di conseguenza gli obiettivi di inventario. ToolsGroup probabilmente sta applicando approcci ibridi di questo tipo.

Decisione Economica: Tradizionalmente, l’approccio di ToolsGroup all’inventario è stato inquadrato come ottimizzazione del livello di servizio: si fissa un obiettivo di servizio o di tasso di riempimento e il loro algoritmo trova lo stock minimo per raggiungerlo, data l’incertezza. Ciò è indirettamente economico (un servizio migliore evita perdite di vendite, un inventario ridotto evita costi di magazzino), ma non massimizza esplicitamente il profitto. Hanno, tuttavia, incorporato l’ottimizzazione multi-echelon dell’inventario (MEIO) che bilancia intrinsecamente i costi dell’inventario rispetto ai costi di arretrato, offrendo così un’ottimizzazione fondata su principi economici. Con la loro visione più recente, la redditività è posta in posizione centrale. Il CEO di ToolsGroup ha affermato che la combinazione con JustEnough mira a fornire ai retailer “una visione a 360 gradi che è in tempo reale, predittiva e azionabile… i clienti possono migliorare in modo più efficiente la disponibilità dei prodotti e superare la concorrenza nella gestione della domanda volatile di oggi.” ⁵⁸. Mentre quella citazione enfatizza il servizio e l’agilità, il comunicato stampa sull’acquisizione di Evo è più diretto: “estende il nostro vantaggio con l’ottimizzazione dinamica dei prezzi… permettendoci di fare il prossimo salto verso una Pianificazione Centrica sulla Decisione … essenziale per realizzare la supply chain autonoma del futuro.” ⁵¹. Il termine “centrica sulla decisione” implica il focalizzarsi sull’esito della decisione (spesso di natura finanziaria). Il fondatore di Evo ha parlato di plasmare la visione per “decisioni più intelligenti per i manager umani attraverso calcoli ottimali di prezzo e inventario” ⁵² – il che significa chiaramente usare l’ottimizzazione per massimizzare un certo obiettivo (probabilmente profitto o ricavo) piuttosto che limitarsi a raggiungere obiettivi di servizio. E infatti “l’IA reattiva di Evo fornisce un ingrediente essenziale per realizzare la supply chain autonoma” ⁵⁷ – presumibilmente, l’ingrediente consiste nell’adattamento continuo delle decisioni in base agli esiti, somigliando così a una massimizzazione delle metriche di performance. Sul fronte prezzi, la redditività è ovviamente fondamentale – la soluzione di pricing di ToolsGroup mira a “massimizzare la redditività creando una strategia di prezzo basata sui dati” ⁵⁹. Consente il pricing basato su regole, ma anche l’impiego del ML per adattarsi ai cambiamenti della domanda dei consumatori, e per “massimizzare il margine di profitto” entro limiti prestabiliti ⁶⁰. La menzione di “Si possono creare prezzi differenti… con una visione completa di… inventario e ritmo di vendita, aiutando a soddisfare la domanda e a minimizzare i costi lungo la supply chain.” ⁴⁸ dimostra che lo strumento di pricing non guarda al margine in isolamento, ma considera anche i costi di mantenimento dell’inventario e, possibilmente, l’evitamento dei ribassi (minimizzazione dei costi). Questo è un pensiero economico – le decisioni sul pricing tengono conto dei costi della supply chain. Inoltre, in ambito inventariale, ToolsGroup può anche integrare il costo di mantenimento rispetto al costo da esaurimento se configurato, ottimizzando così i livelli di servizio in maniera economica. Infatti, gli obiettivi di servizio possono derivare da un modello economico (ad esempio, un servizio più elevato per i prodotti ad alto margine). Non è chiaro se ToolsGroup lo faccia esplicitamente, ma i clienti spesso effettuano tale classificazione esternamente. Ora, con l’analisi prescrittiva di Evo, ci aspettiamo che ToolsGroup si orienti verso il raccomandare decisioni profit-ottimali (ad esempio, quanto stoccare e a quale prezzo per massimizzare il profitto atteso, data l’incertezza). I fondamenti sono presenti, e il team di Evo presumibilmente possedeva già questa metodologia (i loro background accademici suggeriscono competenze in ricerca operativa). Un piccolo avvertimento: il messaggio di ToolsGroup fa ancora spesso riferimento a KPI tradizionali (servizio, riduzione dell’inventario) più che al profitto diretto. Ma questo è simile ad altri nel settore della supply chain. Abbiamo evidenze che stanno integrando maggiormente la redditività – ad esempio, la loro funzionalità di razionalizzazione dell’assortimento (probabilmente proveniente da JustEnough) per eliminare SKU non profittevoli, allineando l’assortimento al contributo finanziario. Inoltre, le storie dei clienti menzionano la riduzione dell’inventario e il miglioramento delle vendite/servizio (che si traduce in miglioramenti del profitto). Non esiste un esempio pubblico di ToolsGroup che massimizzi esplicitamente una metrica di profitto, ma l’unione tra ottimizzazione di prezzo e di inventario tende intrinsecamente in quella direzione. Assegneremo a ToolsGroup un punteggio piuttosto alto in quest’ambito, notando il loro storico approccio “servizio al minimo costo” e la nuova spinta verso un pricing basato sul margine. Potrebbero non essere ancora così ossessionati dal costo opportunità come Lokad, ma sono decisamente ben oltre le semplici euristiche. Una critica degna di nota: la recensione di Lokad ha suggerito che i materiali di ToolsGroup siano un po’ arretrati – usando il MAPE, ecc., il che potrebbe indicare che non stanno inquadrando pienamente le cose in termini di costi attesi in modo pubblico ⁶¹. Tuttavia, l’aggiunta di Evo e l’enfasi su “i migliori risultati finanziari possibili” ⁶² per i clienti che utilizzano l’ottimizzazione combinata di prezzo+inventario ⁶² rappresentano un forte segnale di attenzione verso gli obiettivi economici.

Scalabilità e rapporto costo-efficacia: Il SO99+ originale di ToolsGroup veniva tipicamente implementato on-premise o come soluzione ospitata per aziende medio-grandi. Non è così pesante come alcuni dei grandi sistemi APS; per design si concentrava sulle “parti critiche” (previsione, calcoli di inventario) e non su una gigantesca integrazione dei dati. Molte aziende di medie dimensioni lo hanno utilizzato con successo. È matematicamente abbastanza ottimizzato, il che significa che la capacità computazionale necessaria per l’ottimizzazione dell’inventario non è enorme (risolvendo la distribuzione dell’inventario tramite algoritmi e, forse, programmazione lineare per soluzioni multi-livello). Per la previsione della domanda, disponevano di un motore proprietario in grado di elaborare un gran numero di serie durante la notte (per esempio). Ora offrono una soluzione SaaS full cloud, che probabilmente è più semplice da scalare secondo le necessità. Nel rapporto Gartner del 2024, ToolsGroup era un nuovo entrante ed è stato notato per il “costo d’ingresso accessibile” e il “pricing trasparente”, nonché per essere utilizzato come soluzione globale unica per alcuni (il che implica la capacità di scalare a livello globale) ⁶³ ⁶⁴. Ciò suggerisce che ToolsGroup è considerato relativamente costo-efficiente e scalabile per la sua categoria. In effetti, il loro focus sul mercato medio significava storicamente dover essere più “pronti all’uso” e non richiedere un esercito IT. Nel retail, i volumi di dati possono essere elevati (a livello di negozio-SKU). JustEnough (il sistema retail acquisito) era noto per servire grandi rivenditori (aveva clienti come Sephora, se non ricordo male), quindi è in grado di gestire assortimenti consistenti. Tuttavia, alcuni aspetti come l’ottimizzazione dei prezzi (quando si effettuano prezzi dettagliati a livello di negozio) possono diventare intensivi in termini di dati. È probabile che l’implementazione tipica di ToolsGroup sia ancora in parte orientata a processi batch – ad esempio, rivedendo le previsioni e aggiornando l’inventario ogni notte o settimana – piuttosto che in tempo reale, il che va bene in molti contesti. Ciò significa che non è necessario mantenere tutto in memoria 24/7; possono calcolare e poi liberare la memoria. Questo è più costo-efficiente rispetto a un approccio costante in memoria. D’altra parte, per integrarsi con il dynamic pricing, potrebbe essere necessario disporre di cicli di calcolo più frequenti. Vantano una “AI reattiva” con Evo, il che significa ricalcoli più rapidi quando le condizioni cambiano ⁵⁷. La tecnologia di Evo potrebbe permettere una ri-ottimizzazione quasi in tempo reale (Evo, essendo una startup, probabilmente ha usato il cloud e possibilmente il calcolo con GPU per velocità). ToolsGroup ha inoltre acquisito Onera nel 2022 per la visibilità in tempo reale dell’inventario e l’ottimizzazione del fulfillment ⁶⁵, il che significa che stanno spingendo verso decisioni di fulfillment e-commerce in tempo reale. Tali aggiunte potrebbero aumentare la potenza computazionale necessaria. Tuttavia, dato il loro posizionamento sul mercato, ToolsGroup mirerebbe a fare questo in modo efficiente per attrarre anche i rivenditori di medie dimensioni, non solo i mega-rivenditori. L’architettura attuale è in parte modulare: il core di SO99+ (forse in C++) insieme a servizi cloud che si collegano ai moduli JustEnough (che potrebbero essere in .NET o Java). L’integrazione di questi sistemi potrebbe temporaneamente aggiungere un certo overhead (due sistemi in comunicazione). Però, ToolsGroup è attivamente impegnata nell’integrazione – per esempio, “Grazie al recente motore EvoAI integrato, JustEnough guida la pianificazione retail guidata dall’AI” ⁶⁶, il che indica che stanno incorporando Evo nella soluzione JustEnough/ToolsGroup invece di tenerlo separato. L’impronta di ToolsGroup è generalmente più leggera rispetto a SAP o Blue Yonder. Ad esempio, un progetto ToolsGroup potrebbe non richiedere un team IT interno per gestire server imponenti – lo gestiscono tramite SaaS. Menzionano inoltre che “l’architettura modulare rende facile per i clienti selezionare i prodotti di cui hanno bisogno e combinarli in una soluzione coerente” ⁵³ – il che implica che non sia necessario caricare tutto se non viene usato, favorendo così la scalabilità (si può avviare solo il motore d’inventario se è tutto ciò che serve). In sintesi, ToolsGroup è moderatamente scalabile (adatto a molti grandi rivenditori, sebbene non ancora provato alla scala delle più grandi catene ipermercati globali) e tende a essere costo-efficiente (soprattutto grazie al pricing trasparente e all’attenzione all’automazione che riduce il carico dei pianificatori). Non saranno veloci come un sistema concorrente in memoria per enormi quantità di dati, ma non richiederanno nemmeno risorse astronomiche per ottenere risultati. Dato il commento positivo di Gartner sul costo e i numerosi clienti medio-grandi di ToolsGroup, li consideriamo relativamente efficienti. Inoltre, menzionano un’offerta “Inventory Hub” per il rilevamento in tempo reale degli eventi della supply chain ⁶⁴, il che dimostra il loro impegno nella modernizzazione in tempo reale senza presumibilmente necessitare di hardware esorbitante (probabilmente utilizzando il processamento in streaming). Le lamentele pubbliche sulle prestazioni di ToolsGroup sono limitate, il che di solito implica che siano adeguate. Pertanto, ToolsGroup ottiene un buon punteggio su questo criterio, con una leggera attenzione al fatto che l’integrazione di più acquisizioni potrebbe temporaneamente mettere sotto pressione il sistema se non ottimizzato (ma finora i segnali sono positivi).

Gestione di Fattori Complessi nel Retail: ToolsGroup ha storicamente eccelso nella gestione dell’incertezza della domanda e della sua variabilità, inclusa la domanda intermittente, i prodotti a lenta rotazione e la variabilità dell’offerta. Potrebbe non essere stato altrettanto specializzato nei fenomeni specifici del retail, come la cannibalizzazione o la shelf-life, “out of the box”. Tuttavia, con la suite JustEnough, hanno acquisito competenze specifiche per il dominio retail: JustEnough offriva la previsione delle promozioni, l’allocazione (che considera la capacità dei negozi e il merchandising) e la pianificazione dei markdown. Quindi, ToolsGroup ora dispone di funzionalità per le promozioni – ad esempio, possono modellare l’incremento generato da una promozione e distribuirlo nel tempo, il che affronta intrinsecamente la cannibalizzazione in maniera elementare (se una promozione genera vendite anticipate, i periodi successivi ne risentono, ecc.). Identificano automaticamente la cannibalizzazione tra i prodotti? Probabilmente non con la stessa automazione di RELEX, ma possono incorporare gli effetti promozionali se noti. Per quanto riguarda gli effetti di sostituzione (l’esaurimento delle scorte che porta alla vendita di prodotti alternativi), ToolsGroup non ha evidenziato questo aspetto nei materiali visionati. Ciò potrebbe rimanere un gap a meno che non venga configurato manualmente. Per gli effetti halo (prodotti complementari), la situazione è probabilmente analoga – occorrerebbe modellare manualmente le relazioni oppure utilizzare un approccio basato sull’AI. È un ambito in cui la loro nuova AI (Evo) potrebbe aiutare individuando correlazioni. Il motore di Evo potrebbe, potenzialmente, analizzare i dati delle transazioni per regolare le previsioni o le strategie di pricing per i prodotti correlati. In assenza di prove specifiche, presumeremo che ToolsGroup possa gestire questi aspetti con un certo impegno, anche se storicamente non è il loro punto forte. Scadenze e prodotti deperibili: ToolsGroup ha avuto alcuni clienti nella distribuzione alimentare, ma non è chiaro se offra un’ottimizzazione per i prodotti freschi a livello di negozio. Probabilmente non è il loro principale obiettivo. Possono incorporare tempi di consegna e dimensioni dei lotti, ma le restrizioni relative alla shelf-life richiederebbero una modellazione esplicita (ad esempio, trattare l’inventario in scadenza come un SKU separato o ridurre la previsione man mano che il tempo passa). Il modulo di allocazione di JustEnough potrebbe gestire i prodotti stagionali (garantendo che si esauriscano entro la fine della stagione tramite markdown), il che è concettualmente correlato ai deperibili. Infatti, l’ottimizzazione dei markdown (parte di JustEnough) riguarda fondamentalmente il tempismo dei ribassi di prezzo per liberare l’inventario senza eccedenze – analogo a gestire le “scadenze” alla fine della stagione. Lo strumento di pricing di ToolsGroup aiuta in questo, consigliando quando applicare i markdown e di quanto, per evitare l’obsolescenza massimizzando i ricavi ⁴⁸. Quindi, gestiscono l’aspetto economico della deperibilità (liberare l’inventario prima dello spreco). Per quanto riguarda la localizzazione dell’assortimento: la pianificazione dell’assortimento di JustEnough consente di raggruppare i negozi e personalizzare gli assortimenti, così da ottimizzarli in base ai modelli di domanda locali e alle limitazioni di spazio. Ciò affronta indirettamente la cannibalizzazione (se due prodotti si cannibalizzano, un’ottimizzazione dell’assortimento potrebbe decidere di offrire solo uno nei negozi più piccoli, ecc.). Limitazioni di spazio e esposizione: ToolsGroup, attraverso JustEnough, può modellare il numero di facciate o la capacità degli scaffali nei negozi, il che influenza le decisioni relative all’allocazione e al rifornimento (se uno scaffale regge X, non inviare più di X). Non è dettagliato come una soluzione planogram, ma a livello di pianificazione è adeguato. Promozioni: ToolsGroup gestisce la previsione delle promozioni e può pianificare l’inventario per esse (dispongono di case study in cui hanno migliorato la disponibilità durante le promozioni). La nuova AI probabilmente migliora il modo in cui prevedono i rialzi promozionali analizzando in maniera più accurata le promozioni passate (forse simile al demand sensing a breve termine, sebbene Lokad avesse messo in dubbio le affermazioni sul “demand sensing” ⁶⁷). Per quanto riguarda nello specifico la cannibalizzazione e gli effetti halo: non sono stati trovati riferimenti diretti, quindi potrebbe essere necessario fare affidamento sull’esperienza del pianificatore per gli aggiustamenti. La filosofia di ToolsGroup è sempre stata quella di semplificare la vita dei pianificatori – hanno progettato l’automazione in modo che possano gestire per eccezione. Probabilmente trattano le eccezioni per esaurimenti o vendite anomale, ma non è chiaro se colleghino tali situazioni a logiche di sostituzione. Alla luce delle evidenze moderate, classifichiamo ToolsGroup come competente ma non leader nella gestione dei fattori complessi. Coprono le promozioni e i markdown (esigenze comuni nel retail), dispongono di logiche per l’assortimento, ma per aspetti come le interazioni tra prodotti e i deperibili potrebbero non essere avanzati come RELEX. L’aggiunta di AI e il loro orientamento verso aggiustamenti “reattivi” potrebbero in futuro includere il rilevamento automatico di tali pattern. A partire dal 2021, la critica di Lokad era che le affermazioni di ToolsGroup sul “demand sensing” (utilizzo di dati recenti per adeguare le previsioni) non erano ben supportate ⁶⁷. Quindi, forse all’epoca mancava un algoritmo concreto a tal riguardo. Magari ora, grazie a Evo o a sviluppi interni, ci sia migliorato. In definitiva, ToolsGroup gestisce bene le basi della pianificazione retail (variabilità della domanda, promozioni, fine ciclo di vita) ed è discreto sull’assortimento, pur dovendo recuperare in alcuni aspetti di frontiera (ad es. modellazione della cannibalizzazione guidata da ML, sostituzione).

Automazione: Storicamente, ToolsGroup si è sempre distinta per la automazione e la pianificazione “senza intervento”. Infatti, uno dei punti di forza di SO99+ era la capacità di impostare automaticamente le politiche di stock e generare gli ordini di rifornimento con un intervento minimo da parte dei pianificatori. Molti clienti riferiscono di spendere molto meno tempo a risolvere problemi di previsione o di inventario dopo aver implementato ToolsGroup, poiché il sistema si adatta automaticamente ai cambiamenti e segnala solo le eccezioni. Utilizzano termini come “self-adaptive” per le loro previsioni, il che significa che il sistema si adatta autonomamente ai nuovi modelli di domanda, riducendo la necessità di intervenire costantemente. Il concetto di “Powerfully Simple” (uno dei loro slogan) riguardava la semplificazione delle attività dei pianificatori tramite l’automazione. In pratica, una configurazione di ToolsGroup esegue spesso processi batch notturni per aggiornare le previsioni e gli obiettivi di inventario, suggerendo poi gli ordini per ogni articolo e località. I pianificatori revisionano solo quegli articoli che presentano eccezioni (come un servizio molto basso o un inventario eccessivo). Questo è sostanzialmente un approccio di lights-out planning per una larga parte dell’assortimento. Un caso (da vecchi materiali di marketing) raccontava di un cliente che aveva automatizzato il 90% dei rifornimenti degli SKU, revisionando manualmente solo il 10% superiore delle eccezioni. Questo rappresenta un buon livello di autonomia. Ora, con l’integrazione di JustEnough, che include compiti di pianificazione tradizionalmente manuali (ad es., la costruzione di piani di assortimento, l’impostazione dell’allocazione iniziale, la creazione di piani finanziari), ToolsGroup potrebbe dover mantenere un equilibrio tra automazione e input degli utenti. La pianificazione dell’assortimento richiede tipicamente il contributo strategico del merchandiser, che non può essere completamente automatizzato. Tuttavia, ToolsGroup può automatizzare le analisi sottostanti (ad esempio, evidenziando gli SKU sottoperformanti da eliminare ³³). Sul fronte del pricing, il dynamic pricing può essere automatizzato entro certi limiti – il modulo di pricing di ToolsGroup consente di impostare regole e poi applicare automaticamente le variazioni di prezzo all’interno di quei confini ⁶⁸. Ad esempio, un rivenditore potrebbe permettere l’applicazione automatica di markdown sugli articoli quando l’inventario supera X giorni di copertura, operazione che lo strumento può eseguire senza calcoli manuali. Essi dichiarano esplicitamente “stabilire regole di pricing, poi applicarle automaticamente entro confini prestabiliti” ⁶⁸ – un’automazione monitorata. Di conseguenza, gran parte del processo decisionale può essere automatizzato: il sistema monitora l’inventario e la domanda e, se le condizioni soddisfano le regole (forse potenziate da suggerimenti AI), può attuare un cambiamento di prezzo. Questa è una vera azione autonoma nel pricing (anche se, spesso, inizialmente soggetta all’approvazione di un manager). Allo stesso modo, le proposte di rifornimento possono essere automaticamente inviate all’ERP per l’esecuzione degli ordini. ToolsGroup sottolinea spesso la gestione delle eccezioni, implicando che in assenza di eccezioni ci si può fidare dell’output del sistema. Con l’AI di Evo, accennano anche a spostarsi verso una “supply chain autonoma” ⁵⁷. Hanno addirittura usato quella locuzione, in linea con la tendenza del settore. La tecnologia di Evo potrebbe consentire una ri-ottimizzazione più continua (come regolare le previsioni a metà mese in caso di deviazioni nelle vendite e riordinare di conseguenza, tutto in automatico). Le nuove funzionalità di ToolsGroup, come Inventory Hub (segnali in tempo reale), suggeriscono che il sistema può rilevare un evento (ad es., un picco della domanda) e reagire automaticamente, riallocando lo stock o accelerando l’approvvigionamento. Anche se non sono stati forniti molti dettagli, questo sembra essere l’obiettivo. Complessivamente, ToolsGroup si è sempre orientata verso la pianificazione senza intervento, lasciando al sistema la gestione delle decisioni di routine. Ci sono evidenze che alcuni clienti operano con un intervento minimo dei pianificatori in gran parte delle loro operazioni. Pertanto, ToolsGroup ottiene un punteggio molto elevato in termini di automazione. L’unico limite si presenta quando si affrontano nuove aree, come l’assortimento e il pricing, dove la strategia dell’utente assume un ruolo più rilevante – ma anche in quei casi forniscono l’automazione degli aspetti tattici (come individuare automaticamente quali articoli subject a markdown o classificare sistematicamente i negozi in base alle vendite per l’allocazione). La combinazione di automazione basata su regole (per i vincoli commerciali) e suggerimenti basati su AI (per decisioni complesse) posiziona ToolsGroup come un fornitore capace di offrire una significativa riduzione dello sforzo di pianificazione manuale. Infatti, Gartner ha osservato che “i pianificatori orchestrano le attività umane e meccaniche” con alcuni strumenti più recenti – e ToolsGroup sembra favorire tale orchestrazione (i loro workflow possono automaticamente segnalare alcune decisioni agli operatori, parte di un design a ciclo autonomo). Alla luce di tutto ciò, confermiamo il punto di forza di ToolsGroup nell’ambito dell’automazione.

Integrazione Tecnologica: La recente strategia di ToolsGroup ha comportato acquisizioni, il che solleva naturalmente la questione dell’integrazione delle piattaforme. Al momento, dispongono di SO99+ (il loro motore legacy), JustEnough (ora spesso indicato come ToolsGroup Retail Planning) e del motore AI di Evo, oltre alla tecnologia in tempo reale di Onera. Le stanno integrando attivamente: per esempio, il comunicato stampa afferma “l’integrazione delle soluzioni di Evo con SO99+ e JustEnough offrirà ai clienti la soluzione di supply chain e ottimizzazione prezzi più efficiente e in tempo reale” ⁴⁶, indicando che tutti e tre vengono fusi in un’unica offerta. Sottolineano che la loro architettura modulare significa che i clienti possono scegliere ciò di cui hanno bisogno e che tutto si incastra perfettamente ⁵³. Ciò suggerisce che abbiano creato interfacce o un modello di dati comune (o che siano in procinto di farlo) affinché i dati possano fluire tra i moduli senza trasferimenti manuali. Il segnale positivo è che JustEnough fa parte di ToolsGroup dal 2018 (attraverso l’acquisizione di Mi9); ormai hanno avuto il tempo di integrare i pezzi principali. Infatti, ToolsGroup commercializza la soluzione combinata sotto un unico nome in molti casi. Probabilmente hanno unificato l’interfaccia utente in una certa misura – forse non una singola UI per tutto ancora, ma potrebbe essere vicino. Hanno integrato l’AI di Evo in JustEnough, come menzionato ⁶⁶, dimostrando una vera integrazione tecnica anziché venderli separatamente. Questo è promettente: sembra che ToolsGroup stia deliberatamente evitando di mantenere questi moduli isolati. Tuttavia, va riconosciuto che per un certo periodo probabilmente si trattava di una “suite” di componenti separate – ad esempio, l’utente doveva usare l’interfaccia di SO99+ per alcune configurazioni e quella di JustEnough per altre. Inizialmente ciò può risultare un po’ macchinoso. Le dimensioni relativamente più contenute di ToolsGroup significano che l’integrazione potrebbe essere più agile – con meno ostacoli burocratici rispetto a SAP. L’obiettivo è chiaramente una suite di pianificazione end-to-end coerente. Condividono i dati: per esempio, la previsione generata (probabilmente da SO99+ o da Evo) alimenta sia la pianificazione dell’inventario sia le parti di pianificazione finanziaria della merce. In assenza di prove contrarie, presupponiamo che ToolsGroup abbia compiuto notevoli progressi nell’integrare queste acquisizioni. Eventualmente potrebbero esistere lievi incoerenze (ad esempio, i metodi di previsione in SO99+ rispetto a quelli nativi di JustEnough potrebbero differire – ma probabilmente standardizzeranno sul migliore). Per quanto riguarda lo stack tecnologico, storicamente ToolsGroup si basava su un sistema client-server Windows per SO99+, mentre JustEnough era web-based su .NET. Ora tutto viene offerto tramite interfaccia web cloud. È probabile che il codice non sia al 100% unificato, ma l’aspetto per l’utente potrebbe risultare omogeneo attraverso un portale. Ciò conta comunque come integrazione dal punto di vista dell’utente se fatto bene (simile a come, ad esempio, Microsoft integra in modo fluido i prodotti acquisiti nella suite Office nel tempo). Vale la pena ricordare che la tecnologia fondamentale di ToolsGroup (l’ottimizzazione dell’inventario) era molto solida e collaudata. Non l’hanno scartata – hanno costruito attorno ad essa. Questo è positivo perché non stanno reinventando la ruota, ma significa anche che, al cuore del sistema, parte del codice è più vecchio. Talvolta il codice vecchio non si integra perfettamente con i nuovi microservizi. Non abbiamo informazioni dirette, quindi è solo un aspetto da tenere d’occhio. I commenti di ToolsGroup sui concorrenti spesso affermavano che i grandi fornitori di suite sono come Frankenstein; ora ToolsGroup deve evitare di cadere in ciò. Integrando proattivamente e non semplicemente ribrandizzando, sembrano esserne consapevoli. Ad esempio, le acquisizioni di SAP hanno portato a una “collezione disordinata” e a difficoltà d’integrazione ¹¹, come già osservato. ToolsGroup ha affermato esplicitamente che combinare la pianificazione retail di JustEnough con la loro automazione e ottimizzazione dell’inventario offre una combinazione unica, e che “i prodotti si integrano in una soluzione coerente” ⁵³. Ci fideremo tentativamente di ciò, pur restando consapevoli che potrebbero esistere alcune interruzioni (ad esempio, un utente potrebbe dover configurare i dati master in due punti se l’integrazione non è completa). Complessivamente, ToolsGroup è a metà strada nell’integrazione – non inizialmente unificato, ma in processo attivo di convergenza. Gli attribuiamo un punteggio moderato: migliore rispetto alle aziende che hanno semplicemente acquisito e lasciato i pezzi separati, ma non così intrinsecamente unificato come una piattaforma costruita ex novo. Con ulteriore tempo (e quando probabilmente ripiattaformeranno i componenti in un’architettura cloud comune), dovrebbero raggiungere un’alta integrazione. Finora, almeno, la visione e le azioni sono in linea per evitare un Frankenstein.

Scetticismo verso l’hype: Il marketing di ToolsGroup è un mix di praticità e clamore. Non sono così rumorosi come alcuni altri, ma hanno fatto uso di parole d’ordine come AI, demand sensing, autonomous, ecc., negli ultimi anni. Come già accennato, l’analisi di Lokad ha specificamente evidenziato ToolsGroup per il clamore: “le affermazioni di ‘AI’ sono dubbie… le dichiarazioni sul ‘demand sensing’ non sono supportate” ¹⁹. Ad esempio, ToolsGroup ha pubblicato contenuti sul “demand sensing” (adeguamenti a breve termine) che potrebbero essere stati solo un discorso sofisticato per utilizzare una media mobile delle vendite recenti – non esattamente innovativo. Ciò potrebbe indurre in errore clienti meno esperti, facendogli pensare di avere in mano una soluzione quasi magica. Inoltre, ToolsGroup a volte cita risultati incredibili dei clienti (come “inventario ridotto del 30% mentre il livello di servizio è salito al 99%”), che, sebbene possano essere veri per un caso specifico, possono sembrare troppo belli per essere veri in generale. È necessario osservare prove consistenti. D’altro canto, ToolsGroup opera da molto tempo e gode generalmente di una buona reputazione nel fornire risultati – quindi il loro hype di solito non è infondato. Forse hanno abusato del gergo AI intorno al 2018, quando tutti lo facevano. Ora che hanno effettivamente acquisito una società di AI, le loro affermazioni potrebbero avere maggior peso. Lanciano in giro termini come “quantum learning” che, onestamente, suonano come semplici parole d’ordine (il quantum computing non viene realmente utilizzato – è solo un marchio per il loro algoritmo). È alquanto da clamore. Tuttavia, forniscono anche spunti su ciò che effettivamente comporta (ottimizzazione non lineare, analisi prescrittiva) ⁵¹. Hanno inoltre iniziato a posizionarsi come “Leader in SPARK Matrix for Retail Forecasting & Replenishment” ⁶⁹ – facendo riferimento alle classifiche degli analisti, che possono essere influenzate dai venditori. È marketing, ma non eccessivo. Un punto da osservare: ToolsGroup ora proclama l’etichetta “Autonomous”. Bisogna valutare quanto sia davvero autonoma. Sebbene possano automatizzare molte operazioni, una supply chain completamente autonoma è un percorso in divenire. Finché lo presentano come un obiettivo (cosa che fanno: “journey toward Decision-Centric (autonomous) Planning” ⁵⁷), va bene. Se affermassero un’integrazione plug-and-play, sarebbe esagerato – l’implementazione di ToolsGroup richiede comunque integrazione e configurazione. Tuttavia, il target mid-market di ToolsGroup implica che enfatizzino implementazioni più rapide rispetto ai colossi degli ERP. Spesso evidenziano la facilità d’uso, il che è plausibile e non mero clamore. In termini di moderazione delle parole d’ordine, probabilmente si posizionano a metà: non sono i peggiori, ma vi partecipano. L’incoerenza nell’utilizzo di una metrica inappropriata (MAPE per le previsioni probabilistiche) è stata un piccolo segnale d’allarme ⁶¹ – suggerendo che il marketing volesse mostrare un miglioramento numerico, anche se metodologicamente poco solido. Preferiremmo una comunicazione trasparente come “il nostro approccio è diverso, ecco perché le metriche tradizionali non valgono, ecco metriche migliori.” ToolsGroup potrebbe aver semplificato eccessivamente per chiudere la vendita. Detto questo, i clienti di ToolsGroup e il tasso di rinnovo dimostrano generalmente che mantengono le promesse. Le loro affermazioni sui risultati sono supportate da case study. Non vendono soluzioni fantasma; offrono tecnologia comprovata, aggiornata grazie alle acquisizioni. Quindi, l’hype riguarda principalmente il fatto di marchiare le soluzioni come “AI” o “quantum” quando in realtà potrebbero essere semplici applicazioni di ML standard. Questo è comune nel settore. Si consiglia cautela, ma non da scartare. L’utente dovrebbe chiedere chiarimenti su come funziona effettivamente il loro AI, come viene implementato il demand sensing, ecc. ToolsGroup probabilmente saprà fornire una risposta (anche se si rivelerà, ad esempio, “utilizziamo il machine learning per regolare le previsioni a breve termine in base alle vendite e ai segnali d’inventario” – il che va bene, purché non risulti misterioso). In sintesi, il marketing di ToolsGroup negli ultimi anni ha incluso alcuni termini d’ordine da analizzare con occhio critico, ma mantiene anche un focus su risultati concreti (livello di servizio, riduzione dell’inventario, ecc.). Gli attribuiamo un voto medio per lo scetticismo verso l’hype: non evitano del tutto il gergo, ma offrono sostanzialmente più contenuto che vuoti slogan (con una lieve penalizzazione per alcune espressioni fuorvianti segnalate da analisi esterne).

Sommario: ToolsGroup è un attore maturo ma in evoluzione nell’ottimizzazione retail. Porta in dote decenni di esperienza nell’ottimizzazione dell’inventario con previsioni probabilistiche, ora potenziata dalle capacità di pianificazione della merce e ottimizzazione dei prezzi grazie alle acquisizioni. Di conseguenza, ToolsGroup può ora affrontare l’ottimizzazione congiunta di inventario e prezzi – utilizzando previsioni di domanda che tengono conto delle variazioni di prezzo e prendendo decisioni sui prezzi basate sulle posizioni d’inventario ⁴⁸. I suoi sforzi d’integrazione stanno trasformando questi strumenti, un tempo separati, in una suite di pianificazione coerente, sebbene alcuni intoppi possano ancora essere in corso di risoluzione. La forza di ToolsGroup nella modellazione probabilistica significa che gestisce in modo robusto l’incertezza della domanda e genera strategie di stock per garantire il servizio al minimo costo, e i suoi nuovi potenziamenti AI mirano ad adattare continuamente queste decisioni in tempo reale ⁵⁷. Vanta un comprovato track record nell’automazione dei processi di pianificazione – molte attività routinarie di previsione e rifornimento possono funzionare in modalità autonoma, con i pianificatori che si occupano delle eccezioni. Ora, con i moduli per prezzi e assortimento, estende l’automazione anche a quelle aree (ad es. riduzioni automatiche basate su regole ⁶⁸ e aggiustamenti dell’assortimento suggeriti dall’AI). In termini di complessità retail, ToolsGroup copre bene le basi (previsioni promozionali, svendite stagionali, raggruppamento dei negozi), anche se potrebbe non rilevare ancora automaticamente schemi di cannibalizzazione o sostituzione nella misura in cui fanno alcuni sistemi specializzati. Il suo approccio all’ottimizzazione economica si è evoluto, passando dal solo livello di servizio all’integrazione di metriche di profitto (soprattutto nelle decisioni su prezzi e assortimento ³³). Gli utenti dovrebbero prestare attenzione a un pizzico di iperbole di marketing – ToolsGroup usa liberamente termini come “autonomous” e “AI”, e una critica di terze parti ha segnalato alcune delle loro passate affermazioni sull’AI come esagerate ¹⁹. Tuttavia, dato il miglioramento tangibile riportato da molti clienti e il serio investimento fatto in nuove tecnologie (come Evo), la sostanza dietro le loro affermazioni è significativa. ToolsGroup emerge nella nostra classifica come un’opzione tecnicamente solida e pragmatica: una soluzione che potrebbe non vantare lo scintillio di una startup puramente AI o la scala estrema di una mega-suite, ma che offre una proposta equilibrata e avanzata per i rivenditori che desiderano ottimizzare la pianificazione con meno hype e più risultati concreti. È particolarmente indicata per le organizzazioni che cercano un’ottimizzazione dell’inventario comprovata con il vantaggio aggiunto di una pianificazione integrata di prezzi e assortimento – rendendo effettivamente una soluzione precedentemente “legacy” molto più a prova di futuro attraverso la modernizzazione. Finché si rimane opportunamente scettici verso i termini d’ordine e ci si assicura che l’integrazione soddisfi le proprie esigenze, ToolsGroup rappresenta una soluzione all’avanguardia (o molto vicina ad esserlo), rinvigorita per l’era delle decisioni retail guidate dall’AI.

Fonti: Integrazione dei prezzi con la visualizzazione dell’inventario ⁴⁸; critica delle affermazioni sull’AI e sul demand sensing di ToolsGroup ¹⁹; ToolsGroup/Evo su come fornire decisioni ottimali su prezzi+inventario ⁵¹ ⁵².

5. Blue Yonder (ex JDA) – Potente suite retail ricostruita per SaaS, ma le radici legacy emergono

Blue Yonder, conosciuta storicamente come JDA Software, è uno dei più grandi e antichi fornitori di software per l’ottimizzazione retail e della supply chain. Offre una suite completa che copre previsioni della domanda, rifornimento, allocazione, gestione delle categorie (assortment), ottimizzazione dei prezzi e dei markdown, gestione del magazzino, pianificazione della forza lavoro e altro ancora. Nel 2020, JDA ha cambiato marchio in Blue Yonder dopo aver acquisito una società tedesca di AI con lo stesso nome. Blue Yonder (BY) ha da allora migrato gran parte del suo portafoglio su una piattaforma Luminate unificata, basata su microservizi, e si posiziona come una soluzione end-to-end, guidata dall’AI per la supply chain e il merchandising ⁷⁰. Senza dubbio copre ogni aspetto in termini di funzionalità: pochi fornitori possono eguagliare l’ampiezza delle offerte di ottimizzazione retail di BY. Tuttavia, la suite Blue Yonder è anche il risultato di decenni di acquisizioni (i2, Manugistics, Arthur, RedPrairie, ecc.) e, sebbene la nuova architettura Luminate, cloud-native, sia moderna, sotto il cofano alcuni algoritmi e moduli risalgono ad approcci legacy. Una valutazione critica da parte di un concorrente ha dichiarato in modo diretto: “Blue Yonder è il risultato di una lunga serie di M&A… sotto il marchio BY si nasconde una collezione disordinata di prodotti, molti datati. BY propone in evidenza l’AI, ma le affermazioni sono vaghe e con poca sostanza; progetti open-source suggeriscono approcci pre-2000 (ARMA, regressione lineare).” ⁷¹. Questo evidenzia lo scetticismo principale: Blue Yonder è veramente all’avanguardia o un gigante legacy rivisitato? Classifichiamo Blue Yonder un po’ più in basso nella nostra lista, non perché manchi di capacità (ne possiede in abbondanza), ma a causa delle preoccupazioni sulla sua coesione, efficienza e chiarezza delle affermazioni. Tuttavia, in quanto attore dominante, merita un’analisi approfondita.

Ottimizzazione Congiunta: La suite di Blue Yonder fornisce sostanzialmente moduli separati, ma integrati, per ottimizzazione dei prezzi, previsione della domanda & approvvigionamento, e pianificazione dell’assortimento/merchandising. In teoria, un rivenditore che utilizza tutte le soluzioni di Blue Yonder può raggiungere l’ottimizzazione congiunta attraverso l’interazione di questi moduli. Ad esempio, Blue Yonder offre applicazioni di Lifecycle Pricing (ottimizzazione dei prezzi regolari, ottimizzazione dei markdown, ottimizzazione delle promozioni) che sono alimentate da previsioni della domanda provenienti dal loro motore di Luminate Demand Planning. Quelle previsioni della domanda, a loro volta, considerano gli effetti dei prezzi poiché il sistema di previsione di Blue Yonder (originariamente acquisito dalla Blue Yonder tedesca) include il modellamento dell’elasticità. Come ha spiegato Michael Orr di Blue Yonder, «Blue Yonder utilizza i dati per comprendere come è probabile che i clienti si comportino e quale impatto il prezzo possa avere sui livelli di inventario», aiutando i rivenditori a evitare di fissare prezzi troppo alti o troppo bassi ²⁷. Ciò dimostra che l’ottimizzazione dei prezzi di BY non viene effettuata in isolamento: modella esplicitamente come le variazioni di prezzo influenzano la domanda e, di conseguenza, l’inventario. Inoltre, il fulfillment planning di Blue Yonder può essere collegato alle decisioni sui prezzi, assicurando che se è prevista una riduzione dei prezzi (che farà aumentare la domanda), i piani di approvvigionamento si adeguino di conseguenza. Analogamente, lo strumento di category management di Blue Yonder (ex JDA Category Management) aiuta a decidere gli assortimenti e i planogrammi; tali decisioni alimentano i loro sistemi di pianificazione della domanda e di approvvigionamento. Avevano un concetto globale chiamato «integrated retail planning», che allinea i piani finanziari per il merchandising, i piani di categoria e i piani di approvvigionamento. In pratica, storicamente i clienti JDA gestivano questi processi come operazioni semi-separate a causa della complessità degli strumenti. Ma con Luminate, BY sostiene un’integrazione più fluida tramite una piattaforma comune. Evidenziano la loro «microservices architecture» che supporta una pianificazione end-to-end ⁷⁰ – il che significa, ad esempio, che un servizio di pianificazione delle promozioni potrebbe richiamare al volo il servizio di previsione della domanda per ottenere proiezioni aggiornate in base a differenti scenari di prezzo. L’approccio di pianificazione concorrente di Blue Yonder (come «Harmony» nella loro interfaccia utente) può mostrare a un pianificatore l’impatto delle decisioni su più funzioni. Quindi sì, Blue Yonder è in grado di realizzare l’ottimizzazione congiunta nel senso che tutti i componenti possono comunicare tra loro: le decisioni sui prezzi informano le previsioni che a loro volta informano l’inventario, e viceversa. Tuttavia, ci si potrebbe chiedere quanto sia ottimale tale coordinamento. Spesso potrebbe ancora trattarsi di un processo sequenziale (prevedere con un prezzo ipotizzato, ottimizzare l’inventario in base a ciò, ottimizzare separatamente i prezzi dato il vincolo dell’inventario in maniera iterativa). Ci sono evidenze che Blue Yonder stia perseguendo una vera concorrenza: ad es., la loro nuova visione di «Autonomous Planning» probabilmente intende ciclare questi processi in maniera dinamica. L’acquisizione da parte di Blue Yonder di una società di ottimizzazione dei prezzi (hanno collaborato con dunnhumby, ma più recentemente credo abbiano integrato le loro capacità interne con la piattaforma ML della BY tedesca) garantisce che dispongano di algoritmi di ottimizzazione dei prezzi avanzati. In generale, Blue Yonder fornisce gli strumenti per l’ottimizzazione congiunta, ma se un utente riesca a realizzarla dipende dall’implementazione di più moduli. Poiché la suite di Blue Yonder è modulare, alcuni clienti potrebbero utilizzare, ad esempio, solo la pianificazione della domanda e dell’approvvigionamento ma non la gestione dei prezzi, non ottenendo così una piena ottimizzazione congiunta con BY da soli. Per chi invece utilizza l’intera suite, Blue Yonder può certamente coprire collettivamente le decisioni relative all’inventario, ai prezzi e all’assortimento. Si noti, tuttavia, che le soluzioni di Blue Yonder non sono state originariamente sviluppate come un unico sistema – sono state integrate. Sebbene Luminate abbia fatto progressi nel collegarli, è possibile che l’integrazione non sia ancora così stretta come in un unico modello di ottimizzazione (ad esempio, il motore di pricing potrebbe non considerare nativamente i livelli di stock attuali se non configurato, ecc.). Date le evidenze, Blue Yonder merita un buon punteggio in termini di potenziale di ottimizzazione congiunta, con il caveat che potrebbe richiedere uno sforzo significativo per realizzare tale potenziale.

Previsione Probabilistica & AI: La previsione della domanda di Blue Yonder (la parte proveniente dalla Blue Yonder tedesca, spesso chiamata Cognitive Demand Planning) si basa fortemente su AI/ML. Hanno pubblicato miglioramenti come un’accuratezza delle previsioni superiore di circa il 12% utilizzando ML rispetto ai metodi tradizionali ⁷². Il loro approccio assimila innumerevoli dati – inclusi meteo, eventi, segnali online – per prevedere la domanda. Sebbene probabilmente generino un singolo valore di previsione per uso operativo, i modelli sottostanti possono produrre output probabilistici. Infatti, la soluzione originale di Blue Yonder (Germania) era conosciuta per la selezione automatizzata dei modelli (simile a un approccio AutoML) e poteva fornire intervalli di confidenza. Che il sistema di produzione esponga distribuzioni non è chiaro, ma enfatizzano la pianificazione degli scenari e la simulazione. Ad esempio, permettono ai pianificatori di simulare più scenari di domanda, il che implica una distribuzione dei risultati dietro le quinte ⁷³. Blue Yonder ha anche parlato di simulazioni «Monte Carlo» in alcuni whitepaper per la pianificazione della supply chain. Data la solida squadra di data scientist, è sicuro dire che le previsioni di Blue Yonder sono almeno consapevoli della stocasticità, anche se non forniscono una PDF esplicita per ogni articolo. La marchiano come previsione “Cognitive” o “Machine Learning”. Hanno inoltre acquisito capacità di previsione degli ordini dei clienti dal loro sistema legacy (come le tecniche di i2 per tempi di consegna probabilistici, ecc.). Tuttavia, critiche come quella di Lokad hanno evidenziato che i componenti open-source in possesso di Blue Yonder (tsfresh per l’estrazione di caratteristiche, Vikos – che potrebbe essere una libreria di previsione – e PyDSE) indicano una dipendenza da tecniche relativamente convenzionali ⁷⁴. tsfresh serve a generare caratteristiche per le serie temporali (come estrarre metriche stagionali) – utile, ma non rappresenta di per sé un’innovazione rivoluzionaria nell’AI. Il riferimento a modelli ARMA e alla regressione lineare implica che alcune previsioni fondamentali potrebbero ancora utilizzare modelli statistici potenziati da funzionalità ML. In altre parole, l’“AI” di Blue Yonder potrebbe spesso consistere in un exponential smoothing ben calibrato + regressione per fattori causali. Ciò non è necessariamente negativo – questi metodi sono comprovati, ma risultano inferiori rispetto agli approcci di deep learning più innovativi. Blue Yonder promuove sicuramente molto la propria AI: termini come «cognitive», «machine learning», «AI/ML engines» compaiono nei loro materiali ⁷² ⁷⁵. La vaghezza su come esattamente lo facciano (forse segreto commerciale) porta a scetticismo sul fenomeno del “AI-washing”. Ma sappiamo che dispongono di ottime competenze (il team tedesco era forte a livello accademico), quindi probabilmente il sistema è solido, se non appariscente. Blue Yonder utilizza inoltre l’AI in altri ambiti: ad esempio, la loro ottimizzazione dei prezzi impiega il machine learning per stimare l’elasticità dei prezzi e gli effetti incrociati; il loro supply planning usa euristiche e possibilmente ML per regolare i parametri; il loro micro-fulfillment utilizza l’AI per decidere da quale sede evadere un ordine, ecc. Propongono anche «Luminate Control Tower» che sfrutta l’AI per prevedere interruzioni e prescrivere azioni. Molti di questi processi si basano su classificazione o predizione tramite ML dietro le quinte. Sono probabilistici? Possibilmente generano punteggi di rischio o probabilità di eventi. I materiali di marketing di Blue Yonder parlano di «AI-enabled optimization engines ingest huge data… achieving cognitive automation» ⁷⁶ ⁷⁷ che suonano bene ma non sono specifici. Penso sia giusto affermare che Blue Yonder utilizza molta AI, ma data l’ampiezza dell’ambito, alcune parti potrebbero non essere delle più all’avanguardia. Ad esempio, un utente su Reddit ha commentato che la previsione di JDA (ora di BY) non era unica e che molti utilizzavano ancora logiche più vecchie con aggiustamenti dei parametri. I brevetti e le ricerche di Blue Yonder potrebbero fare più chiarezza (dispongono di alcuni brevetti sulla previsione a multi-scenario ⁷⁸). Date le evidenze: Blue Yonder ha assolutamente incorporato AI/ML (soprattutto dopo l’acquisizione di Blue Yonder GmbH) nella sua previsione e ottimizzazione. Produce previsioni più accurate e presumibilmente capacità di simulazione degli scenari. Ma la visione scettica di Lokad, secondo cui sotto il cofano potrebbero esserci molti modelli lineari confezionati come AI, suggerisce la necessità di cautela. Valuteremo Blue Yonder positivamente per le funzionalità AI/ML, ma è da notare che alcuni concorrenti che hanno costruito da zero l’ML (come RELEX o Lokad) potrebbero avere un vantaggio in alcune tecniche grazie a un minore retaggio. Blue Yonder sta attivamente investendo nelle tecnologie più recenti (ad es., menzionano l’esplorazione di Generative AI per assistenti di pianificazione ⁷⁹). Quindi, stanno cercando di rimanere all’avanguardia.

Decisione Economica: Le soluzioni di Blue Yonder, in particolare per quanto riguarda l’ottimizzazione dei prezzi e la supply chain, considerano esplicitamente la redditività e i costi. Per quanto riguarda i prezzi, Blue Yonder (attraverso ciò che originariamente era Revionics o propri strumenti) possiede funzioni obiettivo come massimizzare il margine, il fatturato o raggiungere un obiettivo finanziario. La loro ottimizzazione dei prezzi non segue semplicemente delle regole – utilizza l’elasticità per scegliere i prezzi che massimizzano una metrica scelta, rispettando vincoli (come indici di prezzi competitivi o posizioni di inventario). Così, si tratta intrinsecamente di un’ottimizzazione economica. Nell’ottimizzazione dell’inventario, Blue Yonder (o il sistema legacy JDA/i2) disponeva di moduli come Multi-Echelon Inventory Optimization (MEIO) che cercavano di minimizzare i costi totali (di mantenimento, di arretrato) per un determinato livello di servizio oppure di massimizzare il servizio per un budget – una classica ottimizzazione costi-benefici. Nella pratica, alcuni clienti utilizzavano solo il targeting del livello di servizio, ma la capacità per l’ottimizzazione basata sui costi era presente. Gli strumenti S&OP / IBP di Blue Yonder permettono l’integrazione di piani finanziari e vincoli, il che significa che il processo di pianificazione può ottimizzare attorno a obiettivi di margine o profitto (ad esempio, raggiungere un target di fatturato al costo minimo, ecc.). Un altro ambito è l’allocazione: lo strumento di allocazione di Blue Yonder può essere configurato per distribuire i prodotti ai negozi in modo da massimizzare il sell-through previsto (e quindi il profitto) anziché una semplice assegnazione fissa. La loro pianificazione dell’assortimento può incorporare metriche di contributo al profitto di categoria per decidere quali prodotti mantenere o eliminare. Poiché storicamente Blue Yonder si è rivolto a rivenditori molto orientati al margine (come i negozi di moda che utilizzano l’ottimizzazione dei markdown per massimizzare il ritorno sul margine lordo), hanno dovuto integrare una logica economica. La critica della vaghezza ⁷⁴ potrebbe insinuare che l’AI di Blue Yonder non articoli chiaramente l’aspetto economico (ad esempio, non è trasparente quanto profitto implichi una certa previsione), ma i loro moduli di ottimizzazione utilizzano sicuramente parametri economici (elasticità dei prezzi, costi, ecc.). Ad esempio, la soluzione di ottimizzazione dell’inventario di Blue Yonder sostiene di «eliminare l’inventario in eccesso e ridurre i costi di obsolescenza mantenendo un servizio elevato» ⁸⁰ – si tratta essenzialmente di bilanciare il costo dell’obsolescenza contro il servizio, un compromesso economico. La loro ottimizzazione delle promozioni considera il promotional lift vs margin investment per raccomandare quali promozioni siano più redditizie. In termini di costo opportunità, Blue Yonder potrebbe non esplicitarlo, ma i loro pianificatori possono derivarlo tramite scenari: ad esempio, se non si ha in magazzino l’articolo A, il profitto perso rappresenta un costo opportunità. Gli strumenti di Blue Yonder potrebbero simulare tale scenario. Le critiche che riceviamo sostanzialmente affermano: Blue Yonder dichiara AI e simili, ma potrebbe utilizzare molta regressione lineare (che in genere già include i fattori di costo). Quindi, penso che Blue Yonder se la cavi bene dal punto di vista economico. Una potenziale debolezza è se le parti più vecchie del sistema utilizzano ancora euristiche basate su regole empiriche (alcuni vecchi sistemi di approvvigionamento JDA erano maggiormente basati su min/max di regole). Ma probabilmente sono ormai stati abbandonati a favore di approcci ottimizzati. Con l’impulso di Blue Yonder verso «autonomous planning», spesso menzionano metriche finanziarie come fattore chiave. Un articolo di BusinessWire cita un cliente che utilizza la tecnologia avanzata di BY: «Sfruttando AI/ML, stiamo migliorando l’accuratezza delle previsioni e costruendo una supply chain future-ready che migliora la nostra performance finanziaria» ⁸¹. Quindi, sì, l’economia è al centro. Detto ciò, implementare Blue Yonder per utilizzare appieno queste capacità può essere complesso – alcuni clienti potrebbero non sfruttare tutte le funzionalità di ottimizzazione economica a causa della complessità, utilizzandolo invece in modo più manuale. Ma la capacità è presente. Attribuiamo a Blue Yonder un punteggio elevato per la presenza di moduli orientati sull’economia (prezzi, markdown, MEIO), ma magari con una leggera decurtazione se alcuni di questi moduli non sono completamente integrati o facili da usare, il che potrebbe portare a un utilizzo subottimale.

Scalabilità e Efficienza dei Costi: Le soluzioni on-prem legacy di Blue Yonder erano note per essere pesanti – richiedevano una notevole potenza di calcolo e memoria, specialmente l’ex impronta di JDA. Tuttavia, negli ultimi anni, Blue Yonder è passato a una piattaforma microservizi nativa cloud su Microsoft Azure, che dovrebbe migliorare la scalabilità. La nota MQ di Gartner affermava che i punti di forza di Blue Yonder includevano “un’architettura microservizi completa” e che offriva una pianificazione multi-impresa end-to-end ⁷⁰. I microservizi implicano che abbiano suddiviso le applicazioni monolitiche in servizi più piccoli che possono scalare in modo indipendente. Ciò probabilmente migliora le prestazioni (ad esempio, scalando il servizio di previsione della domanda per molti articoli mentre, separatamente, si scala il servizio di pianificazione della fornitura). L’ambiente di Microsoft Azure consente inoltre elasticità e, forse, costi inferiori in scala rispetto alle soluzioni on-prem, perché è possibile avviare risorse di calcolo significative per un batch e poi ridurle. Blue Yonder, tuttavia, è ancora una delle soluzioni più costose e di livello enterprise. L’esecuzione di tutti quei moduli avanzati comporta l’elaborazione di un’enorme quantità di dati (soprattutto se si utilizza un’alta granularità). In passato sono state mosse lamentele per i lunghi tempi di esecuzione di alcuni processi JDA o per la difficoltà nel gestire volumi di dati estremamente grandi in modo rapido. La revisione basata sui microservizi mirava a risolvere gran parte di questi problemi. Ora, Blue Yonder può vantare una rivalutazione quasi in tempo reale per il rilevamento della domanda e ripianificazioni frequenti nella loro torre di controllo. Un altro aspetto è la gestione dei dati: l’adozione, da parte di Blue Yonder, di un sottostante cloud data lake potrebbe migliorare il modo in cui i dati vengono archiviati e accessibili rispetto ai modelli relazionali più vecchi. D’altro canto, avere una suite così ampia comporta molti oneri di integrazione; la piattaforma di Blue Yonder cerca di mitigarli, ma probabilmente risulta comunque pesante. In termini di efficienza dei costi, Blue Yonder si rivolge tipicamente a grandi imprese con budget consistenti, quindi non viene solitamente scelta per risparmiare sui costi – viene scelta per le sue capacità. Potrebbe richiedere una spesa notevole su Azure per il cliente (oppure Blue Yonder include tale costo nelle tariffe SaaS). Se un rivenditore cerca di implementare tutti i moduli di BY, i costi del progetto e quelli operativi possono diventare molto elevati. Quindi, l’efficienza dei costi non è il punto di forza di BY – lo è la completezza. Un altro punto rilevante: i moduli più vecchi di Blue Yonder venivano spesso eseguiti in memoria (JDA disponeva di un OLAP in-memory per i numeri della pianificazione). Il concetto di in-memory potrebbe comportare un elevato utilizzo della memoria. Ma con i microservizi, forse si sfruttano in modo più efficiente i pool di memoria scalabili di Azure. La critica competitiva da parte di Lokad affermava specificamente “enterprise software isn’t miscible through M&A, under BY lies a haphazard collection… claims are vague, open-source hints at older tech” ⁷¹. Sebbene ciò riguardasse più l’integrazione e l’hype, indica indirettamente delle inefficienze – una “collezione disordinata” implica spesso che ogni parte possa avere la propria infrastruttura, non snellita, portando a un’impronta totale più elevata. Sospettiamo che Blue Yonder abbia migliorato l’integrazione con Luminate, ma potrebbero rimanere delle ridondanze. Per esempio, il modulo di pricing potrebbe avere il proprio archivio dati separato da quello della previsione, a meno che non venga unificato – ed è proprio l’intento di Luminate unificarli, anche se queste operazioni richiedono tempo. Riassumendo: Scalabilità – Blue Yonder può scalare fino ai più grandi rivenditori (molti dei primi 10 rivenditori globali utilizzano qualche componente di Blue Yonder), il che dimostra che è in grado di gestire enormi quantità di dati. Le prestazioni potrebbero non essere fulminee fin da subito, ma risultano accettabili con un adeguato tuning e la potenza del cloud. Efficienza dei costi – probabilmente non elevata; tende a essere a risorse intensive e costosa. Il passaggio al SaaS potrebbe ridurre i costi IT on-prem per i clienti, ma tali costi si trasformano in tariffe di abbonamento. Inoltre, essendo un grande fornitore, BY può applicare prezzi premium. Quindi, se il costo è un criterio, Blue Yonder perde spesso in favore di soluzioni più snelle. Se invece il criterio è la pura potenza e ampiezza, BY è adeguato. Valuteremo la loro scalabilità come moderata (perché, sì, scalano, ma potenzialmente a costi e complessità elevati).

Gestione dei Fattori Complessi del Retail: Le soluzioni di Blue Yonder gestiscono esplicitamente quasi tutti i fattori complessi immaginabili:

Cannibalizzazione & Halo: Il loro ML per la previsione della domanda ha la capacità di considerare le influenze incrociate tra prodotti (probabilmente incorporano funzionalità che indicano se i sostituti sono in promozione, ecc.). Inoltre, il loro strumento di ottimizzazione delle promozioni tiene conto della cannibalizzazione – per esempio, quando si raccomandano promozioni, misura se una promozione sul Prodotto A cannibalizza le vendite del Prodotto B e calcola il rialzo netto. Blue Yonder disponeva di un modulo chiamato Promotion Effectiveness che faceva qualcosa di simile. Inoltre, le analisi per la gestione delle categorie spesso valutano gli impatti di categoria delle variazioni dei prezzi (in modo da non aumentare il prezzo di un articolo e perdere margine su articoli complementari). È da notare che lo stratega di Blue Yonder potrebbe impostare elasticità che includono effetti incrociati. Nell’articolo di Business Insider, Revionics (ora separata sotto Aptos) parlava di utilizzare l’AI per simulare se abbassare il prezzo dell’impasto per torte aumentasse le vendite di uova ⁸², uno scenario tipico di effetto halo. La soluzione di pricing di Blue Yonder è simile a quella di Revionics, dato che competono, quindi presumibilmente BY può simulare anche tali risultati incrociati.
Sostituzione (effetti di esaurimento scorte): La pianificazione della domanda di Blue Yonder può utilizzare informazioni sulla disponibilità posizionale; se un articolo è terminato, la logica di previsione può attribuire il calo alla mancanza di disponibilità piuttosto che a una diminuzione della domanda. Il ML di Blue Yonder, in particolare quello tedesco, era noto per considerare i tassi di disponibilità in magazzino in modo da non apprendere ingenuamente una domanda inferiore quando si trattava semplicemente di esaurimento scorte. Inoltre, la pianificazione degli ordini di Blue Yonder può includere regole di sostituzione – per esempio, se l’articolo X è esaurito, potrebbero incrementare proattivamente la fornitura dell’articolo sostitutivo Y (alcuni utenti avanzati lo fanno).
Scadenza/perishables: Blue Yonder conta su una vasta clientela nel settore grocery, quindi ha sviluppato funzionalità per i prodotti deperibili. Ad esempio, il loro sistema di reintegro può considerare la durata di conservazione – garantendo di non ordinare in eccesso al punto da far scadere il prodotto. Possono anche ottimizzare la produzione in-store (ad esempio, per il reparto freschi dispongono di soluzioni integrate per la gestione della forza lavoro, utili per programmare la produzione dei freschi – indirettamente correlate alla riduzione degli sprechi). Le previsioni di Blue Yonder consentono una granularità giornaliera, fondamentale per gli articoli freschi, e utilizzano la stagionalità per giorno della settimana, ecc. Hanno riferimenti (come quello di Knauf in BusinessWire per supply chain, e alcuni riferimenti nel settore grocery) in cui “utilizzando BY, si è ridotto lo spreco, ecc.” – sebbene RELEX abbia fornito un esempio in tal senso. Blue Yonder probabilmente vanta storie di successo simili (ricordo una collaborazione con 7-Eleven per prevedere il settore freschi).
Planogramma e vincoli di spazio: La soluzione per la gestione delle categorie di Blue Yonder è fondamentalmente lo standard del settore per il planogramma e la pianificazione degli spazi espositivi. Essa alimenta direttamente la pianificazione dell’assortimento e del reintegro fornendo dati su quanto spazio è disponibile per ciascun prodotto in ogni negozio (in modo che la pianificazione della fornitura conosca il massimo stock esposto sugli scaffali). I sistemi di Blue Yonder utilizzano sicuramente questi dati – per esempio, se un planogramma prevede 2 facce per un articolo, il sistema non invierà quantità superiori a quelle che possono essere esposte. Inoltre, BY può ottimizzare quali negozi riceveranno un nuovo articolo in base allo spazio e alla domanda locale (ad esempio, se lo scaffale non può contenere ulteriori SKU, potrebbe non includerlo nell’assortimento).
Fattori legati alla forza lavoro e all’esecuzione: In maniera leggermente tangenziale, BY considera anche come un piano possa essere eseguito – per esempio, pianificando il personale per lo scarico delle spedizioni se viene inviato un inventario extra per una promozione, ecc. Questo si riflette nell’approccio integrato che adottano per le operazioni retail.
Omni-channel: Le funzionalità più recenti di Blue Yonder considerano anche i compromessi relativi all’adempimento degli ordini (ship-from-store vs DC), che, pur non essendo state richieste esplicitamente, rappresentano un’altra complessità che ottimizzano (costo vs velocità, ecc. – al di fuori dell’ambito di questa domanda).
Condizioni meteorologiche e driver esterni: Vengono gestiti tramite ML nella previsione della domanda, che rappresenta un “fattore complesso” in contesti di domanda volatile. In sostanza, Blue Yonder dispone di una soluzione o funzionalità per quasi ogni scenario retail complicato. La sfida è che occorre effettivamente implementare e ottimizzare tali funzionalità. Storicamente, alcuni rivenditori hanno avuto difficoltà a implementare modelli avanzati di cannibalizzazione in JDA perché complessi e richiedevano supporto da data science. Ora, con l’automazione tramite AI, BY cerca di gestire il tutto internamente. Probabilmente funziona, ma l’utente potrebbe non essere in grado di vederlo o controllarlo facilmente (lo scenario della “scatola nera cognitiva”). Tuttavia, è più sicuro presumere che BY copra queste complessità perché anche la concorrenza lo fa e dovevano tenere il passo. In realtà, Blue Yonder dispone di uno strumento chiamato Demand Transference analysis (ereditato dal vecchio JDA), che misurava esplicitamente la cannibalizzazione all’interno delle categorie per supportare le decisioni di assortimento – esattamente quantificando come la domanda si trasferisce da un prodotto all’altro in caso di assenza o promozione. Quindi sì, possiedono quel concetto. Considerando tutto ciò, Blue Yonder probabilmente ottiene il punteggio più alto nell’affrontare fattori complessi, semplicemente perché nel corso dei decenni, per ogni problema riscontrato da un rivenditore, JDA/Blue Yonder ha aggiunto funzionalità per gestirlo (o acquisito una società che lo faceva). L’unico piccolo limite: talvolta gli approcci più vecchi potrebbero essere meno automatizzati (richiedendo una configurazione manuale delle relazioni, ecc.), mentre i fornitori più recenti li apprendono automaticamente. Blue Yonder ora cerca di apprendere in automatico con l’AI, ma fidarsi di ciò richiede comunque una certa dose di fiducia, poiché non sempre vengono resi noti i dettagli. La critica della concorrenza sull’uso di metodi più vecchi ⁷⁴ suggerisce che il loro modello di cannibalizzazione possa utilizzare la regressione lineare (che, se applicata correttamente, riesce comunque a catturare il fenomeno in modo decente). Non necessariamente un difetto, solo meno sofisticato. Valuteremo BY molto in alto su questo criterio, con una piccola riserva sul fatto che potrebbe essere complesso da configurare.

Automazione: La visione di Blue Yonder di “Autonomous Supply Chain” e “Cognitive Planning” riguarda sostanzialmente l’automazione. Pubblicizzano che il loro Luminate Planning possa regolare automaticamente i piani con un minimo intervento umano, e che i loro algoritmi si auto-regolino. Ad esempio, il loro “algorithmic baseline forecasting” riduce significativamente il carico di lavoro dei previsori umani – i pianificatori si concentrano quindi solo sulle eccezioni (come nuovi prodotti o grandi eventi). Molti clienti BY utilizzano l’auto-reintegro: il sistema genera ordini che passano direttamente all’esecuzione, a meno che non vengano segnalati. Il sistema di Fulfillment di BY disponeva di funzionalità come “Adaptive, learning safety stocks”, che significavano meno necessità di regolare manualmente i parametri. Nel pricing, Blue Yonder (come altri strumenti per il pricing) può eseguire aggiornamenti autonomi dei prezzi secondo regole – per esempio, riduzioni di prezzo automatiche ogni lunedì basate sul sell-through corrente rispetto al piano. Suppongo che alcuni clienti retail di BY consentano al sistema di intraprendere determinate azioni sui prezzi in modo automatico (soprattutto sconti che possono essere localizzati e frequenti – troppo numerosi per essere gestiti manualmente). Il Luminate Control Tower di Blue Yonder può persino risolvere automaticamente certe eccezioni (ad esempio, se un fornitore è in ritardo, accelera automaticamente approvvigionamenti da un’altra fonte) – si tratta di automazione nell’esecuzione. Tuttavia, storicamente Blue Yonder ha anche avuto la reputazione di essere incentrato sui pianificatori: fornisce ottime raccomandazioni, ma molte aziende continuavano a farle modificare manualmente da numerosi pianificatori (alcuni per via della complessità del sistema o per una fiducia non del tutto consolidata). La trasformazione verso un sistema “autonomo” è ancora in corso. I post sul blog di Blue Yonder per aumentare l’accuratezza delle previsioni si concentrano nel lasciare all’AI il compito pesante e limitare le sovrascritture manuali ⁸³, implicando che incoraggiano l’automazione. Hanno un concetto di eccezioni/avvisi che guida uno stile di “management by exception” – una caratteristica distintiva dell’automazione (intervenire solo quando necessario). Con l’acquisizione di Blue Yonder da parte di Panasonic nel 2021, si è posta anche l’enfasi sul collegamento all’IoT e sull’automazione persino delle decisioni fisiche (come regolare gli scaffali dei negozi tramite robotica in base ai cambi di piano – concetti lungimiranti, anche se ancora in fase ideativa). D’altra parte, poiché gli strumenti di BY sono estremamente ricchi di funzionalità, alcuni utenti potrebbero dipendere troppo dalla configurazione manuale (ad esempio, regolando decine di parametri o eseguendo analisi what-if manualmente), il che può ostacolare una vera automazione a mani libere. Non c’è dubbio che Blue Yonder possa abilitare un elevato grado di automazione, ma il raggiungimento di tale implementazione può variare. Ricordo di aver letto casi studio in cui i rivenditori vedevano Blue Yonder generare automaticamente il 90% dei loro ordini, analogamente ai riferimenti di ToolsGroup. Quindi, l’adozione delle best practice probabilmente porta a questo risultato. Data la forte promozione di “autonomo” da parte di Blue Yonder, riteniamo che stiano spingendo nuove funzionalità per aumentare l’automazione (come il ML model autopilot – che cambia automaticamente algoritmo quando la tendenza varia; oppure il scenario advisor – che raccomanda lo scenario migliore). Dispongono addirittura di un assistente digitale (forse con query di pianificazione attivate vocalmente) – non automazione in senso stretto, ma che riduce l’analisi manuale. Quindi, sì, BY è orientato all’automazione, sebbene storicamente sia stato sottoutilizzato dagli utenti a causa della fiducia o della complessità. Lo valuteremo alto, ma non perfetto come alcuni fornitori più agili e piccoli, semplicemente perché implementare BY al punto in cui ci si possa affidare senza supervisione richiede tempo. Ma una volta fatto, dovrebbe funzionare. Il sito web di Panasonic lo definisce “Realization of the Autonomous Supply Chain™ with Blue Yonder” ⁸⁴ – stanno brevettando il termine Autonomous Supply Chain, quindi lo intendono sul serio! Per rimanere scettici: va notato che, finora, una pianificazione veramente totalmente autonoma è rara nell’industria, anche con BY – rimane comunque necessaria una supervisione umana. Tuttavia, BY può ridurre significativamente il carico di lavoro umano.

Technology Integration: Blue Yonder rappresenta il classico esempio di una piattaforma costruita attraverso numerose acquisizioni (dagli anni ‘80 fino ai 2010). Tuttavia, dal 2015 circa hanno investito per unificarla. La Luminate Platform è la loro risposta: microservizi su un cloud comune, un modello dati comune parziale (dispongono del Luminate Data Hub) e uno stile di interfaccia utente condiviso. Hanno compiuto dei progressi – ad esempio, i moduli di previsione della domanda e di riapprovvigionamento ora condividono in modo armonioso la stessa interfaccia utente e gli stessi dati (rispetto al vecchio JDA, in cui Domanda e Esecuzione erano applicazioni separate che necessitavano di integrazione batch). L’architettura a microservizi significa che nuove funzionalità possono essere fornite e collegate senza modifiche al monolite. Ma per essere chiari: internamente, alcuni moduli probabilmente eseguono ancora il loro codice legacy (semplicemente ospitato in cloud). Ciò significa che l’integrazione avviene a livello di interfaccia, e non che abbiano riscritto tutto in un unico codebase (sarebbe irrealistico in tempi brevi). Hanno esposto le API del vecchio codice come microservizi e li orchestrano. Funziona in buona misura, come ha definito Gartner “architettura microservizi completa” ⁷⁰, il che è un complimento. Un altro punto a favore: Blue Yonder ha in larga parte unificato la sua interfaccia utente (l’interfaccia Luminate Experience). In teoria, un utente può navigare da una schermata di pianificazione della domanda a una schermata di inventario all’interno di un unico portale. Esiste il concetto di Luminate Planning Workbench, che cerca di unire più funzioni per un pianificatore. Tuttavia, critici come Lokad affermano “il software aziendale non è miscibile tramite fusioni e acquisizioni” ⁷¹ – implicando che i prodotti acquisiti non possono essere veramente integrati con facilità. Blue Yonder ci sta provando, ma forse rimangono delle crepe: ad esempio, la soluzione di pricing (originariamente un prodotto separato) potrebbe non sembrare ancora pienamente integrata nella pianificazione della domanda nell’interfaccia utente e potrebbe richiedere una configurazione separata. L’integrazione dei dati può essere un problema: le previsioni di domanda alimentano automaticamente i modelli del modulo di ottimizzazione dei prezzi oppure devono essere esportate? Blue Yonder probabilmente ha già integrato questo aspetto, ma non è certo. L’osservazione “raccoglimento casuale di prodotti, per lo più datati” ⁷¹ è dura – forse riferita a moduli più vecchi come la pianificazione merchandise legacy di JDA o motori di ottimizzazione non aggiornati. Inoltre, “le affermazioni sono vaghe e con poca sostanza” ⁸⁵ suggerisce che a volte Blue Yonder dichiari di avere un’IA unificata, ma in realtà si tratti solo di componenti vagamente integrate. Detto questo, va riconosciuto a Blue Yonder il merito di aver ripiattaforme in misura maggiore rispetto a molti altri; ad esempio, hanno containerizzato i vecchi algoritmi, realizzato interfacce utente moderne e collegato il tutto. Un altro punto d’integrazione: Blue Yonder copre dalla pianificazione all’esecuzione in un’unica azienda (WMS, TMS per l’esecuzione, e strumenti di pianificazione). Hanno integrato anche questi aspetti (la pianificazione dell’inventario può visualizzare l’inventario WMS quasi in tempo reale, ecc.). Quindi, in teoria, si potrebbe gestire una supply chain end-to-end con la tecnologia Blue Yonder, il che rappresenta un’integrazione che va oltre la semplice pianificazione – un grande vantaggio se realizzato. Storicamente, anche questi sistemi erano compartimentalizzati (l’eredità JDA contro quella RedPrairie). Dispongono di qualcosa chiamato Luminate Control Tower che sovrappone e collega i dati di pianificazione ed esecuzione in un’unica visuale. Quindi, ci sono progressi nell’integrazione. Considerando tutto, Blue Yonder ha fatto molta strada, ma probabilmente non è ancora integrato in modo agile come un prodotto sviluppato interamente in casa da zero. La nota open source riguardante l’uso di progetti come tsfresh indica che stanno cercando di unificarsi su librerie comuni dove possibile (una buona pratica di integrazione). Tuttavia, con così tanti prodotti, è difficile unificare ogni componente in maniera completa. Il rischio è che alcuni clienti possano implementare efficacemente i moduli Blue Yonder ma non integrarli bene – la colpa potrebbe essere dell’implementazione piuttosto che delle capacità del software. Ma l’architettura ora consente l’integrazione, spetta al loro utilizzo. Valuteremo Blue Yonder con un punteggio da moderato ad alto in termini di integrazione: sicuramente una suite che, storicamente paragonabile a un “Frankenstein”, ha subito un intervento chirurgico per diventare più unificata – parzialmente riuscita, ma si nota ancora che alcune parti conservano uno stile più vecchio. La complessità rimane elevata. Ad esempio, per implementare l’intera suite BY, potrebbe essere necessario coinvolgere più team di esperti, dato che ogni modulo è approfondito. Questo indica che, in pratica, il prodotto non è completamente “coeso”, ma somiglia piuttosto a “una famiglia di prodotti sotto un unico ombrello di piattaforma”. Nel frattempo, ToolsGroup o Lokad sono più vicini a un singolo prodotto che risolve più aree (meno funzionalità ma più integrato per design). Quindi, l’integrazione di Blue Yonder è migliore del miscuglio presente in SAP, ma probabilmente inferiore a quella di soluzioni uniche.

Scetticismo verso il clamore mediatico: Il marketing di Blue Yonder utilizza numerosi buzzword: “Cognitive”, “Autonomous”, “AI/ML”, “End-to-End”, ecc. Alcune affermazioni mancano di specifiche (ad esempio, “miglioramento delle previsioni del 12%” – miglioramento rispetto a quale baseline? Oppure “alimentato da AI” senza dettagli sul metodo). Hanno una narrativa appariscente di un “cervello digitale” simile a o9, e talvolta si ha una visibilità limitata su come funzioni. La critica affermava “le affermazioni sono vaghe e con poca o nessuna sostanza… progetti open source lasciano intendere approcci pre-2000” ⁷⁴, in sostanza accusando Blue Yonder di AI-washing (rivendendo marketing di vino vecchio in bottiglie nuove). Infatti, Blue Yonder si è rapidamente ribattezzata “pioniere dell’AI” dopo l’acquisizione, il che ha sollevato sospetti, dal momento che JDA non era conosciuta per questo in precedenza. Detto questo, Blue Yonder possiede una tecnologia AI reale (dalla squadra acquisita), ma forse non molto più avanzata di quella degli altri, come insinua il marketing. Ad esempio, definire la loro previsione “cognitive” potrebbe essere un’esagerazione – è avanzata, sì, ma molti altri utilizzano tecniche ML simili per le previsioni. Il termine “cognitive” implica un ragionamento quasi umano, portando a un eccesso di marketing. Inoltre, il concetto di “autonomous supply chain” – un obiettivo ammirevole, ma qualsiasi sistema del genere necessita comunque di una governance umana. Talvolta usano termini registrati come “Autonomous Supply Chain™”, che sono frutto del branding di marketing. Un altro ambito di clamore: Blue Yonder promuove il “demand sensing” – un concetto che hanno abbracciato (alcune delle loro soluzioni, come le previsioni a breve termine, sono fondamentalmente demand sensing). Come ha notato Lokad, il demand sensing risulta spesso essere solo un clamore se non viene eseguito correttamente. Blue Yonder probabilmente dispone di un metodo (ad esempio, dare un peso maggiore alle vendite della settimana precedente per regolare le previsioni a breve termine), ma se esso percepisce veramente segnali esterni o si limita a una semplice armonizzazione reattiva resta da stabilirlo. Se lo promuovessero come “IA in grado di percepire in tempo reale i cambiamenti della domanda dai social media” o simili, si potrebbe dubitare della sua praticità. C’è inoltre il clamore dell’integrazione: affermano di avere una piattaforma unificata, ma come già detto, dietro le quinte non è del tutto uniforme – il marketing potrebbe oscurare la complessità dell’integrazione. D’altra parte, Blue Yonder vanta numerosi casi di successo e referenze reali. Non inventano generalmente i risultati – hanno clienti importanti che condividono pubblicamente i loro successi (aumento del tasso di riempimento, incremento dei ricavi, ecc.). Questi dati sono credibili. Blue Yonder tende anche a non rivelare troppi dettagli tecnici, il che può far sospettare che si nascondano dietro i buzzword. Per chi cerca la verità, i materiali di BY potrebbero generare frustrazione poiché parlano di obiettivi e capacità ad alto livello invece di specificare “utilizziamo l’algoritmo X, Y, Z”. Ma è normale che i materiali di vendita enterprise non approfondiscano gli algoritmi. Questo non è unicamente il caso di BY. Almeno, un’analisi dei concorrenti di Lokad li ha presi di mira, suggerendo che, tra i pari, Blue Yonder venga percepita come eccessivamente orientata ai buzzword, senza sufficiente innovazione reale ⁷⁴. Dato che intendiamo penalizzare le affermazioni vaghe e il clamore, Blue Yonder subisce un certo penalizzo: hanno senz’altro fatto leva sui buzzword negli ultimi anni. Come prova, quel PDF di Lokad ha classificato Blue Yonder al 12° posto su 14, sottolineandone il clamore e le basi datate ⁷¹. È una fonte parziale (Lokad è un concorrente), ma rafforza l’invito a non prendere per oro colato le affermazioni di BY. Un altro esempio: Blue Yonder potrebbe proclamare “SaaS plug-and-play – rapido time to value”, ma molti clienti sperimentano implementazioni di durata pluriennale – il che evidenzia una discrepanza tra il marketing e la realtà in termini di facilità d’implementazione. Pertanto, un potenziale acquirente dovrebbe essere scettico sull’effettiva facilità e credibilità della storia della “piattaforma unica” – potrebbe effettivamente trattarsi di moduli distinti che richiedono un’integrazione significativa.

Sintesi: Blue Yonder è una suite di ottimizzazione retail ricca di funzionalità che copre l’inventario, la pianificazione dei prezzi e dell’assortimento (oltre agli aspetti esecutivi) – coprendo sostanzialmente tutte le sfaccettature dell’ottimizzazione retail. È stata modernizzata con AI/ML (ad es. previsioni della domanda “cognitive” ²⁷) e una piattaforma cloud, ed è in grado di ottimizzare congiuntamente le decisioni attraverso aree tradizionalmente compartimentalizzate (con le decisioni di pricing che alimentano i piani d’inventario e viceversa) ²⁷. Gli strumenti di Blue Yonder considerano esplicitamente la redditività e il costo nelle decisioni – dall’ottimizzazione dei prezzi, che bilancia margine e volume, all’ottimizzazione dell’inventario, che equilibra il servizio e il costo di mantenimento ⁸⁰. La soluzione è in grado di modellare dinamiche retail complesse come cannibalizzazione, effetti alone e vincoli di shelf-life all’interno dei suoi processi di previsione e pianificazione, grazie ai suoi algoritmi avanzati e a decenni di esperienza nella data science applicata al retail. Ad esempio, utilizza il machine learning per identificare gli effetti di sostituzione tra prodotti e la cannibalizzazione promozionale, in modo che le previsioni e gli ordini di riapprovvigionamento siano adeguati ⁸ ⁹. Con la recente ri-architettura a microservizi, Blue Yonder ha migliorato l’integrazione dei moduli un tempo disparati, offrendo una piattaforma Luminate più unificata, con dati e interfaccia utente comuni ⁷⁰. Ciò consente maggiori livelli di automazione: molti clienti di Blue Yonder lasciano che il sistema generi automaticamente previsioni, ordini e persino raccomandazioni di prezzo, intervenendo solo in caso di eccezioni. Blue Yonder promuove fortemente una “Autonomous Supply Chain”, e sebbene la piena autonomia rappresenti un percorso, le sue soluzioni permettono decisioni automatizzate e basate sui dati su larga scala (un grande utente ha riferito che i pianificatori intervengono solo per eccezioni, mentre il sistema gestisce autonomamente il 95% dei riapprovvigionamenti sku-store).

Tuttavia, è necessaria una visione scettica riguardo alle affermazioni di Blue Yonder. L’eredità delle acquisizioni della suite implica che alcuni componenti nascondano algoritmi legacy al loro interno ⁷¹. La coesione della piattaforma, nonostante i grandi miglioramenti, potrebbe non essere così perfettamente integrata come un codebase unico sviluppato ex novo – l’implementazione di tutti i pezzi può essere complessa e richiedere molte risorse. Inoltre, il clamore mediatico di Blue Yonder è notevole: termini come “cognitive” e “autonomous” vengono usati in modo abbondante, talvolta superando la realtà di ciò che il software riesce realmente a fornire ⁷⁴. Analisi indipendenti hanno osservato che dietro ai buzzword Blue Yonder impiega spesso tecniche analitiche consolidate (persino datate) ⁷⁴ – efficaci, ma non magicamente innovative in ambito AI. Inoltre, il costo e la complessità della soluzione di Blue Yonder possono essere elevati – potrebbe richiedere un notevole investimento in termini di tempo, denaro e personale qualificato per sfruttare appieno tutte le capacità, il che mitiga la narrativa “plug-and-play”. In sintesi, Blue Yonder è estremamente capace – si potrebbe definire un punto di riferimento per la ricchezza funzionale e l’expertise retail – e continua a evolversi grazie alle tecnologie moderne di AI e cloud. Può certamente fornire un’ottimizzazione all’avanguardia se implementato e sfruttato completamente. Tuttavia, bisogna farsi strada attraverso la nebbia dei buzzword e valutare con attenzione come ogni affermazione sia supportata. Dove Blue Yonder dimostra un valore chiaro (ad esempio, miglioramenti comprovati nella precisione delle previsioni, riduzione misurabile degli sprechi nei prodotti freschi o aumento delle vendite grazie a prezzi ottimizzati), riconosciamo il suo posizionamento di fascia alta. Dove invece ricorre a un marketing vago o minimizza le difficoltà di integrazione, manteniamo un approccio cauto.

Nel nostro posizionamento, Blue Yonder rimane un fornitore leader nell’ottimizzazione retail grazie alla sua ampiezza e all’innovazione costante ⁷⁰, ma lo penalizziamo in parte per il debito tecnico legacy e l’eccesso di marketing. Per i grandi retailer che cercano un sistema unico e end-to-end, e sono disposti a investire su di esso, Blue Yonder è spesso un contendente – se non lo standard. Per chi invece dà priorità ad agilità, efficienza in termini di costi o semplicità, l’approccio esteso di Blue Yonder potrebbe risultare troppo complesso.

Fonti: La piattaforma Luminate di Blue Yonder basata su microservizi e le sue capacità ⁷⁰; la dichiarazione sul collegamento dell’impatto dei prezzi ai livelli d’inventario ²⁷; l’analisi critica delle affermazioni sull’AI di BY e delle sue basi legacy ⁷¹ ⁷⁴.

6. SAP (SAP IBP & Retail) – Suite consolidata modernizzata, ma ancora in recupero (Attenzione al bagaglio legacy)

SAP, un colosso del software enterprise, offre capacità di ottimizzazione retail attraverso il suo SAP Integrated Business Planning (IBP) per la supply chain e la suite SAP for Retail (che include strumenti per la pianificazione merchandise e dei prezzi derivanti da acquisizioni passate). Le soluzioni di SAP coprono previsione della domanda, pianificazione dell’inventario e della supply chain, pianificazione dell’assortimento e della situazione finanziaria delle merci, e ottimizzazione dei markdown. Negli ultimi dieci anni, SAP è transitato dai vecchi moduli APO (Advanced Planner & Optimizer) e altri moduli legacy retail a una nuova piattaforma IBP basata sul cloud. Tuttavia, le offerte di SAP restano in qualche modo frammentate tra l’IBP, focalizzato sulla supply chain, e il CAR (Customer Activity Repository) insieme alle app Retail, focalizzate sul retail. Poiché i criteri di valutazione enfatizzano l’evitare approcci legacy e integrazioni all’impasto, SAP è spesso indicato come un esempio di queste problematiche. Una valutazione sincera nel 2021 ha osservato: “SAP (1972) ha acquisito SAF, KXEN, SmartOps… queste app poggiano sulla tecnologia interna (F&R, APO, HANA). Il software enterprise non è miscibile attraverso fusioni e acquisizioni, e sotto SAP si trova una collezione eterogenea di prodotti. La complessità è elevata e saranno necessari i migliori integratori – oltre ad alcuni anni – per ottenere successo.” ¹¹. Questo sottolinea la difficoltà di SAP: molte parti sono integrate in maniera approssimativa, richiedendo uno sforzo di implementazione notevole. Per questo motivo, classifichiamo la capacità di ottimizzazione retail di SAP in una posizione inferiore nella nostra graduatoria, a causa della complessità legacy e del ritmo più lento dell’innovazione AI, nonostante su carta risulti funzionalmente completa.

Ottimizzazione Congiunta: I moduli SAP storicamente operavano in maniera isolata: ad esempio, SAP Demand Forecasting (parte di F&R) produceva previsioni che alimentavano il separato SAP Pricing (dall’acquisito Khimetrics), e SAP Assortment Planning (da un altro componente). Negli ultimi anni, SAP ha cercato di unificare la pianificazione in IBP – ma IBP copre principalmente la domanda, l’inventario e la pianificazione della fornitura. Prezzi e assortimento sono al di fuori di IBP, in altre soluzioni specifiche per il retail. Ciò significa che una vera ottimizzazione congiunta (inventario + prezzi + assortimento insieme) non è il punto forte di SAP di serie. Potrebbe essere necessario collegare IBP con, ad esempio, SAP Markdown Optimization (che era un prodotto separato) in modo personalizzato. Ci sono stati tentativi: ad esempio, SAP’s Unified Demand Forecast (parte di CAR) doveva fornire una singola previsione per tutti i sistemi a valle (come il rifornimento e la determinazione dei prezzi). Se implementato, almeno allinea prezzi e inventario sullo stesso segnale di domanda. Ma una reale presa di decisioni congiunta – come includere i costi di inventario nell’ottimizzazione dei prezzi – probabilmente richiede un’integrazione personalizzata. SAP dispone di una soluzione SAP Retail Optimization (il vecchio Khimetrics) per la determinazione dei prezzi, che può considerare i vincoli di inventario per gli sconti (quindi, in quel caso limitato, ottimizza congiuntamente i prezzi di liquidazione con l’inventario disponibile). Inoltre, i sistemi di merchandising di SAP collegano in maniera approssimativa i piani di vendita ai piani di fornitura. Nel complesso, l’architettura di SAP non ottimizza intrinsecamente questi aspetti in modo olistico; piuttosto, trasferisce gli output di un modulo come input per un altro. Ad esempio, IBP potrebbe generare un piano di fornitura basato su una strategia di prezzo presunta; se poi i prezzi cambiano, un pianificatore dovrebbe aggiornare gli scenari IBP. Non esiste un feedback automatico. SAP IBP sta evolvendo con funzionalità come “Integrated Financial Planning” che collega i risultati finanziari ai piani di fornitura (qualche forma di ottimizzazione congiunta, almeno bilanciando costo e ricavo). Ma rispetto ai vendor più recenti, SAP è in ritardo in termini di integrazione fluida tra le funzioni. La critica sulla complessità ¹¹ suggerisce che far comunicare bene tutti i componenti SAP sia un progetto di grande portata. Pertanto, attribuiamo a SAP un punteggio basso in ottimizzazione congiunta. Si può ottenere, ma richiede “i migliori integratori – più qualche anno” ⁸⁶ (citazione diretta) – non un plauso entusiasta.

Previsione Probabilistica & AI: SAP IBP include un modulo per “Demand” che offre alcune analisi predittive e persino integrazione ML (consentono l’uso di SAP Analytics Cloud o librerie ML esterne per produrre previsioni che alimentano IBP). SAP ha anche acquisito KXEN nel 2013, uno strumento di data mining, presumibilmente per integrare l’ML in vari ambiti. Ma le previsioni native di SAP in IBP continuano in gran parte la tradizione di APO (modelli statistici come smoothing esponenziale, Croston, ecc.). Hanno introdotto il “Demand Sensing” in IBP, che è un algoritmo (dall’acquisizione di SmartOps) che utilizza le tendenze a breve termine recenti per adeguare le previsioni del futuro immediato – un approccio che alcuni considerano una glorificata media mobile pesata. È utile, ma non rappresenta una vera rivoluzione AI. SAP sta integrando più ML ora – per esempio, usano il machine learning per le previsioni di lancio di nuovi prodotti (adeguandosi ai modelli di prodotti simili). Dispongono inoltre di un motore di ottimizzazione (proveniente da SmartOps) per l’inventario multi-echelon (che era più stocastico). Nel complesso, l’innovazione di SAP nell’AI per la pianificazione è rimasta indietro rispetto agli specialisti. Nei benchmark di supply chain planning, Gartner nota spesso l’ML limitato offerto da SAP IBP di serie rispetto ad altri. Si affidano a partner o alla loro piattaforma Data Intelligence per un ML avanzato. Per quanto riguarda l’ottimizzazione dei prezzi, lo strumento di SAP (proveniente da Khimetrics) ha utilizzato algoritmi sofisticati (alcuni ML per valutare l’elasticità, ecc.), ma tale strumento non ha visto aggiornamenti importanti di recente e potrebbe non essere strettamente integrato. Si vocifera che SAP potrebbe dismettere alcuni di questi o sostituirli con un nuovo servizio basato su AI – non è chiaro, ma nulla di particolarmente evidente. Come diceva la critica, SAP ha dovuto gestire molti componenti predittivi acquisiti (SAF si occupava delle previsioni, SmartOps dell’ottimizzazione dell’inventario, KXEN dell’ML generico). Probabilmente non sono stati integrati completamente in un motore AI coerente. In particolare, la previsione probabilistica: il F&R basato su SAF di SAP generava distribuzioni per i tempi di consegna e utilizzava i livelli di servizio per determinare le scorte di sicurezza (quindi un approccio in qualche misura probabilistico), ma non credo che SAP IBP produca intrinsecamente distribuzioni probabilistiche complete per la domanda; si concentra su un numero singolo e su un numero “sensing” adeguato. Potenzialmente forniscono anche degli intervalli di confidenza. In termini di clamore, SAP utilizza termini come “predictive analytics” e “machine learning” ma l’AI effettivamente consegnata è piuttosto moderata. Valutiamo SAP in modo relativamente basso per quanto riguarda l’AI avanzata nelle previsioni – copre bene le basi (erano noti per previsioni robuste, se tradizionali), ma non sono leader nelle previsioni probabilistiche o nel ML. Stanno cercando di recuperare terreno abilitando l’integrazione di AI esterna. Nel frattempo, alcuni clienti SAP potrebbero esportare dati per eseguire ML in Python, per poi reintrodurre i risultati – il che indica che il sistema interno di SAP potrebbe non essere sufficiente.

Decisione Economica: Gli strumenti di pianificazione di SAP storicamente erano guidati da metriche piuttosto che ottimizzare intrinsecamente il profitto. APO ti permetteva di impostare obiettivi di livello di servizio o di minimizzare i costi nella pianificazione della fornitura, ma non la massimizzazione diretta del profitto. Le soluzioni di pricing per il retail di SAP (come il Markdown Optimization) erano decisamente orientate all’economia – ottimizzavano il margine o l’incremento dei ricavi derivanti dalle promozioni. Queste sono soluzioni di ottimizzazione matematica che massimizzano un obiettivo (con vincoli come l’inventario o il budget). Quindi, per quanto riguarda il pricing, SAP aveva un punto di forza nell’ottimizzazione economica (Khimetrics è stato un pioniere negli algoritmi di ottimizzazione dei prezzi per il retail). Nell’ambito dell’inventario, il MEIO di SAP (SmartOps) mirava a minimizzare il costo totale per un determinato obiettivo di servizio – ancora un approccio economico, sebbene con un vincolo sul servizio. SAP IBP include il modulo “Inventory Optimization”, che probabilmente utilizza quel motore SmartOps per bilanciare il costo dell’inventario rispetto al servizio. Quindi, questo componente è intrinsecamente orientato al profitto/costo. La pianificazione dell’assortimento in SAP, realizzata spesso con SAP Merchandise Planning, è solitamente più euristica (i pianificatori simulano gli esiti finanziari, ma non esiste un algoritmo che decida automaticamente quali SKU eliminare basandosi sul ROI, anche se può evidenziare gli SKU a basso profitto per agevolare le decisioni). In generale, SAP consente di monitorare metriche finanziarie – per esempio, IBP può mostrare i ricavi e i margini previsti nei piani, ma spetta all’utente decidere i compromessi anziché il sistema massimizzare in automatico. Esiste SAP Profit Optimization in alcuni contesti (magari nello strumento di design della supply chain o in uno scenario S&OP), ma non è ampiamente citato. Poiché SAP si rivolge a pianificatori che prendono decisioni, è spesso uno strumento di simulazione what-if piuttosto che un auto-ottimizzatore. Detto ciò, i sottosistemi per pricing e inventario fanno comunque una certa ottimizzazione in background. Assegniamo a SAP un punteggio medio: non così fluentemente orientato al profitto come l’approccio innovativo di Lokad o ToolsGroup, ma copre i compromessi di costo. Un buon indicatore è la nuova funzionalità IBP di SAP, con i calcoli del “Return on Inventory Investment” per aiutare a dare priorità. Però, se si limita a calcolare e mostrare il ROI anziché utilizzare un algoritmo in grado di massimizzarlo, la situazione è diversa. Data la complessità, molti clienti SAP lo utilizzano in modo basato su regole (ad esempio, raggiungendo obiettivi di fill rate, stanziando fondi OTB per l’assortimento in base al giudizio del pianificatore). Quindi, non rappresenta il culmine dell’ottimalità decisionale, ma è capace se configurato correttamente. La critica che definisce le acquisizioni di SAP come app di “predictive supply chain” implica che SAP avesse i componenti per incorporare un’analisi costi-benefici predittiva, ma l’integrazione è risultata carente ¹¹. Siamo dell’idea che SAP sia indietro rispetto alla curva quando si tratta di spingere l’ottimizzazione del profitto in maniera automatica.

Scalabilità & Efficienza dei Costi: Il marchio di fabbrica di SAP è stato il computing in-memory pesante – SAP HANA è un database in-memory che supporta IBP e altre applicazioni. È molto veloce per certe operazioni, ma estremamente esigente in termini di memoria e costoso. Molte aziende trovano le soluzioni SAP onerose da scalare perché richiedono grandi capacità di memoria HANA. Ad esempio, SAP IBP necessita che tutti i dati di pianificazione siano in memoria HANA per eseguire i calcoli rapidamente, il che può risultare dispendioso per i grandi rivenditori (terabyte di memoria). Ciò si allinea con il desiderio di evitare soluzioni pesanti in termini di RAM secondo i nostri criteri. Infatti, un’analisi affermava analogamente di un vendor (Relex): “il design in-memory garantisce grande velocità ma comporta alti costi hardware” ²² – esattamente l’approccio di SAP. Quindi, l’efficienza dei costi è discutibile; l’approccio di SAP spesso garantisce una risposta rapida ma a un costo infrastrutturale elevato (a meno che non si sposti parte del carico su uno storage meno costoso, il che però ne compromette la velocità). L’offerta cloud di SAP cerca di mitigare questo problema gestendo il tutto dietro le quinte su HANA Cloud e addebitando un abbonamento, ma in sostanza il costo viene trasferito in tale abbonamento. Storicamente, l’implementazione di SAP APO o F&R era abbastanza scalabile, in quanto poteva gestire volumi enormi (veniva utilizzato da grandi aziende globali), anche se talvolta richiedeva esecuzioni batch notturne o semplificazioni per rispettare le finestre temporali. IBP su HANA migliora significativamente i tempi di calcolo (alcuni cicli che in APO richiedevano ore, in IBP ne richiedono minuti). Quindi, la scalabilità in termini di prestazioni è migliorata, ma per quanto riguarda la dimensione dei dati, è limitata dal budget di memoria. SAP è adatto per le grandi imprese (alcune delle più grandi lo utilizzano), ma spesso questi progetti richiedevano hardware robusto e messa a punto accurata. Quindi sì, SAP scala sui grandi volumi di dati, ma non in modo altrettanto efficiente in termini di costi come le soluzioni cloud distribuite, forse. Per quanto riguarda l’efficienza dei costi: SAP è noto per essere una soluzione complessivamente costosa (licenze, infrastruttura, costi degli integratori). Il frammento MQ ⁸⁶ che menziona “i migliori integratori più anni necessari” indica che l’implementazione è onerosa in termini di tempo e risorse umane. Se si misura l’efficienza computazionale pura, HANA offre alte prestazioni ma è costosa ($$$ per GB di RAM). Inoltre, alcuni moduli SAP come quello per il pricing avevano motori separati che potrebbero non scalare bene (il vecchio Khimetrics girava su Oracle DB e aveva limitazioni sulle dimensioni dei problemi di ottimizzazione). Non sono certo della situazione attuale. Considerando tutto, assegniamo a SAP un punteggio basso in termini di efficienza dei costi e moderato in termini di scalabilità (può gestire grandi volumi, ma a un costo e con una complessità elevati, esattamente ciò che i nostri criteri intendevano penalizzare). Fondamentalmente, esemplifica il “costo computazionale eccessivo” da evitare, se possibile.

Gestione dei Fattori Complessi del Retail: Le soluzioni retail di SAP gestiscono numerose complessità:

Cannibalizzazione/Halo: Le previsioni di SAP (specialmente tramite il CAR Unified Demand Forecast) potevano incorporare fattori causali, incluse le promozioni di prodotti correlati, ecc., ma storicamente SAP era più debole in questo ambito. Il metodo SAF era principalmente orientato a un singolo prodotto. Avevano un modulo chiamato SAP Promotion Management for Retail che poteva stimare l’incremento e la cannibalizzazione utilizzando alcuni modelli. Inoltre, l’ottimizzazione degli sconti di SAP considerava gli effetti incrociati tra gli articoli (forse all’interno delle categorie). Però, onestamente, SAP non era noto per previsioni promozionali di prim’ordine – molti rivenditori utilizzavano strumenti di terze parti o procedevano manualmente. Forse KXEN era destinato ad aiutare a individuare correlazioni (ad esempio, utilizzando ML per rilevare pattern di cannibalizzazione). Non è chiaro quanto bene ciò fosse integrato.
Sostituzione: SAP F&R disponeva di funzionalità per considerare le sostituzioni (se un articolo era esaurito, suggerire proposte di sostituzione nell’ordine). Inoltre, nell’analisi delle vendite perse poteva considerare se una vendita fosse stata recuperata da un altro prodotto. Tuttavia, non è certo se questo funzionasse di serie o solo in configurazioni personalizzate. La logica MRP di SAP (nell’ERP) non gestiva la sostituzione di default nella pianificazione, trattandosi più di un esercizio analitico.
Prodotti Deperibili: SAP disponeva di F&R (Forecasting & Replenishment) appositamente studiato per il settore alimentare con scadenze. Permetteva di impostare regole per evitare di inviare più prodotti di quanti possano essere venduti prima della scadenza e di monitorare l’età delle scorte. Molti supermercati utilizzavano SAP F&R per gli articoli freschi ottenendo miglioramenti. IBP potrebbe non avere ancora tutta quella logica per i prodotti freschi di serie, ma possibilmente tramite SAP’s CAR Fresh Inventory o soluzioni simili. SAP dispone anche di un’estensione per la “pianificazione della shelf-life” in PP/DS. Quindi, sì, in una certa misura gestiscono i vincoli di scadenza nella pianificazione della fornitura.
Spazio/Assortimento: Lo strumento di pianificazione dell’assortimento di SAP considera, ad un livello elevato, i vincoli di spazio nei negozi (ad esempio, il numero massimo di categorie). Non è integrato quanto il collegamento planogram di Blue Yonder. Tuttavia, integrano i dati dei planogram in CAR per assicurarsi che gli ordini dei negozi non superino la capacità degli scaffali secondo una regola. Potrebbe non essere completamente automatizzato, ma è possibile. Infatti, esisteva un’integrazione tra SAP F&R e i dati del planogram (attraverso lo Landscape Management di SAP). Quindi, viene presa in considerazione in qualche modo la limitazione dello spazio negli ordini.
Previsione delle Promozioni: Il CAR di SAP include un modello denominato “Demand Influencing Factor” in cui promozioni, festività, ecc., vengono considerate nelle previsioni tramite regressione o ML. Di conseguenza, le promozioni vengono previste con un incremento. Molti clienti SAP utilizzano questa funzionalità (con risultati variabili).
Fattori Esterni (weather ecc.): Attraverso KXEN o, più recentemente, SAP Analytics Cloud predictive, è possibile includere queste variabili. Sono state realizzate implementazioni in cui le condizioni meteorologiche influenzavano gli ordini per prodotti stagionali utilizzando gli strumenti SAP, anche se non in modalità plug-and-play. In sintesi, SAP può gestire questi aspetti, ma spesso richiede una personalizzazione dei modelli statistici o l’utilizzo dei loro nuovi servizi predittivi. Non è fornito di serie come alcuni vendor specializzati. La critica che definisce la collezione di SAP “disordinata” suggerisce una mancanza di sinergia – per esempio, il segmento di previsione delle promozioni non alimenta in modo fluido quello del rifornimento, rendendo necessaria un’integrazione. Se tale integrazione fallisse, la cannibalizzazione individuata da un modulo potrebbe non propagarsi agli altri. Dato che SAP IBP è relativamente nuovo, alcune funzionalità avanzate non sono ancora mature; per esempio, disponeva di previsioni di base e solo recentemente (dal 2022 in poi) ha iniziato ad aggiungere il “demand sensing” guidato dall’ML o segnali di domanda esterni. Valuto SAP in modo moderato per quanto riguarda i fattori complessi – hanno capacità, ma non sono avanzati o automatici quanto altri. Per esempio, un rivenditore potrebbe dover configurare manualmente come una promozione sul prodotto A riduca la domanda sul prodotto B nel sistema di SAP, mentre RELEX potrebbe apprenderlo automaticamente. Inoltre, la loro documentazione non ha evidenziato molto la soluzione per la cannibalizzazione; alcuni clienti potrebbero affidarsi a strumenti esterni per questo (come utilizzare SAP HANA per eseguire ML personalizzato per individuare la cannibalizzazione e successivamente apportare aggiustamenti). Quindi, li penalizzerei leggermente in questo ambito.

Automazione: La filosofia di SAP tradizionalmente era più un “supporto alla pianificazione” che una “pianificazione lights-out”. Spesso richiedono ai pianificatori di eseguire job batch e di rivedere i risultati. Ad esempio, SAP APO era uno strumento molto interattivo in cui i pianificatori dovevano rilasciare frequentemente le previsioni, eseguire ottimizzazioni, ecc. SAP IBP ha migliorato parte dell’automazione con avvisi e pianificazioni, ma rimane solitamente uno strumento a ciclo di pianificazione, non una guida autonoma continua. Molti clienti SAP dispongono ancora di grandi team di pianificazione che eseguono analisi what-if tramite fogli IBP. Nel retail, soluzioni SAP come Merchandise Planning e Assortment sono essenzialmente strumenti di pianificazione manuale (simili a Excel, ma integrati). Non automatizzati – richiedono ai pianificatori di impostare obiettivi e selezionare assortimenti. L’ottimizzazione dei prezzi può essere automatizzata in una certa misura (l’algoritmo fornisce raccomandazioni di prezzo, ma tipicamente un analista del pricing le rivede e le approva in SAP). Il replenishment in SAP (sia tramite F&R che ERP MRP) era automatizzato per generare proposte d’ordine, che poi potevano essere convertite automaticamente in PO se rientravano nelle tolleranze; cosa che veniva comunemente fatta. Così il replenishment in negozio poteva essere “no-touch” – molti rivenditori di generi alimentari lo facevano con SAP F&R o, oggi, con CAR/Unified Demand Forecast insieme alla creazione automatica degli ordini in S/4. Questo è un punto di forza – SAP può automatizzare il replenishment abbastanza bene, una volta configurato (come in qualsiasi sistema decente). Dove invece manca è forse la revisione automatica dei piani al volo con ML – si affidano ancora a cicli batch (giornalieri o settimanali). Dispongono di avvisi per eccezioni per evidenziare se le vendite deviano, in modo che un pianificatore possa regolare manualmente in fretta (semi-automatizzato). IBP ha introdotto funzionalità come le “self-tuning forecasts” (il sistema sceglie automaticamente il modello migliore, senza richiedere la selezione manuale del modello). Si tratta di un’automazione di base. Il marketing di SAP sul “demand sensing” implica un’automazione più frequente degli aggiornamenti delle previsioni con i dati più recenti, che è solo in parte automatizzata. Ma, rispetto ad altri, SAP non spinge una narrativa autonoma; si tratta più di supportare i pianificatori per essere efficienti. L’elevata necessità di integratori suggerisce che non si tratti di un semplice autopilota da attivare. Quindi valuterei SAP più in basso in termini di automazione. Spesso è un grande sforzo implementarlo e necessita comunque di un notevole controllo manuale. Molti processi rimangono guidati dai pianificatori (con i calcoli di sistema a supporto). Quindi probabilmente non raggiungono l’obiettivo “fully unattended”. Esistono anche dinamiche interne: la base utenti di SAP si aspetta di poter intervenire; si fidano del sistema fino a un certo punto, ma non al punto di farlo girare completamente da solo. Senza evidenze di clienti SAP che operano una pianificazione totalmente no-touch, suppongo che pochi o nessuno lo facciano. (Al contrario, ToolsGroup o Blue Yonder hanno alcuni riferimenti in tal senso). Quindi, SAP riceve un punteggio modesto qui.

Integrazione Tecnologica: La storia di SAP è davvero quella di acquisizioni accumulate sopra una tecnologia di base:

Avevano il loro APO interno (per supply chain) e un Forecasting & Replenishment (F&R) interno separato per il retail.
Successivamente hanno acquisito SAF (demand forecasting), SmartOps (ottimizzazione inventario) e li hanno in parte fusi in APO o IBP.
Hanno acquisito Khimetrics (ottimizzazione prezzi) e Retek (sistemi di merchandising) integrati nello stack Retail di SAP.
KXEN (ML) integrato nelle loro offerte analitiche.
Il tutto su HANA o ECC. Questo è esattamente il “Frankenstein”. L’approccio di SAP all’integrazione di questi elementi: in IBP, hanno ricostruito le funzioni di APO su HANA e aggiunto la logica di SmartOps per l’inventario e possibilmente alcune idee SAF per la domanda. Ma inizialmente IBP mancava di funzionalità (alcuni dicono che le previsioni iniziali di IBP fossero più semplici rispetto al vecchio APO o SAF, e stanno recuperando terreno). Per quanto riguarda il lato Retail di SAP: alcune cose sono state fuse in CAR (Customer Activity Repository), che cerca di essere una piattaforma unificata per i dati di domanda e alcune analisi (come la previsione unificata della domanda, la gestione delle promozioni). CAR era destinato a integrare le transazioni nei negozi con la pianificazione – una buona mossa di integrazione. Tuttavia, storicamente CAR e IBP non comunicavano in modo fluido (ora stanno colmando questo divario con le API). Il problema principale di SAP è avere due piattaforme parallele (IBP per supply chain e CAR per la pianificazione retail nei negozi). C’è una sovrapposizione e un potenziale conflitto, anche se hanno posizionato IBP per gli addetti alla supply chain e CAR per i responsabili del merchandising. L’integrazione tra pricing, assortimento e pianificazione dell’approvvigionamento in SAP si basa spesso sull’integrazione tramite l’ERP centrale (ad esempio, trasmettendo le previsioni all’ERP, che poi alimenta un altro modulo – non esiste un motore unico). La critica ¹¹ lo spiega chiaramente: “queste app escono sopra una tecnologia interna… sotto il marchio SAP c’è una collezione improvvisata… complessità elevata, servono integratori d’eccellenza + anni per ottenere successo.” Questo riassume piuttosto bene i problemi di integrazione – sono risolvibili con consulenze di alto livello, ma non elegantemente integrate out-of-box. Molti clienti retail di SAP si lamentano di sistemi multipli che duplicano i dati (ad es., l’elasticità dei prezzi potrebbe essere calcolata nel loro strumento di pricing e considerata separatamente nello strumento di forecasting senza alcun collegamento). La soluzione adottata da SAP è stata quella di centralizzare tutto sul database HANA in modo che almeno i dati possano essere condivisi facilmente a livello di DB. E di sviluppare scenari di integrazione utilizzando SAP Cloud Platform o CPI. Tuttavia, ciò richiede lavoro. Poiché SAP vende un’intera suite (ERP, pianificazione, esecuzione), in teoria dovrebbe integrarsi in profondità. In pratica, i diversi moduli sono arrivati in momenti differenti e sono stati assemblati insieme. L’integrazione di SAP non è bella come i microservizi di Blue Yonder o addirittura la suite modulare di ToolsGroup. Spesso richiede progetti personalizzati per allineare i flussi di dati. Quindi sì, SAP rientra chiaramente nella categoria “Frankenstein” in una certa misura (hanno almeno riconosciuto il problema e hanno cercato di unificare tramite HANA e CAR, ma secondo gli esperti non è stato completamente risolto). Pertanto, per quanto riguarda la tecnologia di integrazione, diamo a SAP un punteggio basso. La citazione dalla nostra fonte è un riassunto esperto dei loro dolori d’integrazione ¹¹. È significativo che persino SAP abbia dovuto collaborare spesso con integratori come Accenture o EY per implementare con successo le loro soluzioni di pianificazione.

Scetticismo nei confronti del clamore: SAP non enfatizza l’IA in maniera tanto appariscente quanto altri, ma utilizza buzzword nel marketing (parlano di “embedded ML”, “demand sensing”, “digital twin of supply chain”, ecc.). Molti nell’industria sono scettici sulle affermazioni di SAP perché talvolta le funzionalità non sono mature come inizialmente pubblicizzato (ad es., il primo IBP mancava di alcune capacità promesse, recapitate successivamente). Inoltre, SAP dipinge spesso una visione di “pianificazione integrata end-to-end” che suona bene, ma molti sanno che in realtà si tratta di molteplici moduli che devono essere integrati con uno sforzo notevole. Quindi, esiste una lacuna. Il marketing di SAP su IBP enfatizza il “fast deployment” (dato che è cloud) e dashboard “user-friendly” – in parte vero, ma il deployment di IBP può comunque richiedere un anno o più per casi complessi. Per quanto riguarda l’IA, SAP tende a non vendere oltre le proprie offerte effettive – ammettono di fare affidamento su partner per analisi avanzate. Ironia della sorte, SAP potrebbe essere più conservativo nel clamore rispetto a venditori più piccoli. Il loro clamore riguarda maggiormente le affermazioni sull’integrazione (come “Integrated Business Planning” che fa sembrare tutto integrato, mentre in realtà copre solo la pianificazione della supply chain, non l’intera pianificazione retail). Un altro esempio: il “Demand-Driven Replenishment” di SAP – una buzzword attorno alla metodologia DDMRP che promuovono, che alcuni considerano moda/trend piuttosto che una prova in tutti i casi. Hanno colto l’onda. Termini come “Digital Supply Chain” vengono usati frequentemente nel marketing di SAP. Data la dimensione di SAP, il clamore è forse meno esagerato nel tono, ma presentano sicuramente la loro soluzione come un’unica soluzione a prova di futuro, mentre i critici la vedono come complessa e in parte obsoleta. Quindi, da una prospettiva scettica, avvertiamo che molti dei benefici promessi da SAP si realizzano solo con una personalizzazione estesa o potrebbero non essere così automatici come implicato. Lo studio indipendente ha assegnato a SAP una posizione media tra i fornitori ed ha esplicitamente evidenziato il patchwork di M&A e la complessità ¹¹. In sostanza, significa “non credere che tutto sia perfettamente integrato; internamente è piuttosto caotico.” Quindi penalizzare in base al clamore è giusto. Diremo che SAP è piuttosto trasparente con i grandi clienti, comunicando che richiede una forte implementazione – quindi forse non un clamore vistoso, ma il loro marketing nasconde quanto sforzo sia necessario per farlo funzionare bene. Da qui, un moderato scetticismo sul clamore – non carico di buzzword come o9 o Blue Yonder, ma comunque con numerose affermazioni ottimistiche che necessitano di un controllo della realtà.

Riepilogo: Le offerte di ottimizzazione retail di SAP sono comprehensive on paper ma soffrono di essere un legacy patchwork che non è completamente transitato nell’era moderna, guidata dall’IA. La piattaforma SAP IBP e i relativi moduli retail possono certamente affrontare inventario, pricing e assortimento – ma non in maniera veramente unificata e con ottimizzazione congiunta. L’ottimizzazione congiunta è limitata da strumenti compartimentalizzati: ad esempio, la pianificazione della domanda e il replenishment avvengono in IBP o F&R, mentre la pianificazione di pricing e assortimento si svolge in moduli SAP separati con trasferimenti di dati avvenuti solo in batch. SAP non dispone di un motore unico che ottimizzi simultaneamente inventario e prezzo (quelle decisioni sono coordinate dalle persone e dai processi, e non da un singolo algoritmo).

SAP impiega AI/ML in tasche – ad es., algoritmi di “demand sensing” per aggiustare le previsioni a breve termine, o machine learning per le previsioni di nuovi prodotti – ma gran parte delle sue previsioni rimane fondata su metodi tradizionali e regole definite dall’utente ¹¹. È significativo che SAP abbia dovuto acquisire aziende specializzate (SAF, SmartOps) per potenziare APO, e ancora oggi, probabilistic forecasting e ML avanzato non sono nativamente integrati come in alcuni concorrenti. La pianificazione di SAP tipicamente produce previsioni a singolo numero e si affida a pianificatori di scenari per valutare l’incertezza, anziché fornire distribuzioni di probabilità complete della domanda (sebbene l’ottimizzazione dell’inventario consideri la variabilità tramite il service level o i calcoli di safety stock). In termini di ottimizzazione economica, gli strumenti di SAP possono essere configurati per ottimizzare determinati risultati finanziari (la loro ottimizzazione dei markdown massimizza il margine, l’ottimizzazione dell’inventario minimizza i costi per un livello di servizio target, ecc.), ma tendono ad essere ottimizzazioni specifiche per modulo piuttosto che una massimizzazione globale del profitto dell’intera operazione retail. I pianificatori che utilizzano SAP spesso gestiscono ancora manualmente molteplici obiettivi (ad es., bilanciando gli obiettivi di fatturato e di stock attraverso i propri aggiustamenti, anziché un’IA che lo faccia automaticamente).

Una questione fondamentale dell’insieme di soluzioni di SAP è la scalabilità vs. costo. SAP fa fortemente affidamento sul suo database in-memory HANA. Sebbene ciò consenta calcoli rapidi su grandi insiemi di dati (permettendo, ad esempio, previsioni molto dettagliate a livello di store-SKU in quasi tempo reale), esso *“guarantees high hardware costs” ²² e può risultare costoso da scalare. SAP IBP è noto per funzionare al meglio su HANA con un’allocazione significativa di memoria, che può risultare eccessiva (e sovrapprezzata) per alcuni compiti. Ciò contraddice il criterio di efficienza in termini di costi; l’approccio di SAP può gestire la scala enterprise, ma non senza un ingente investimento in infrastruttura e licenze.

Quando si tratta di fattori retail complessi (cannibalizzazione, sostituzione, deterioramento, ecc.), SAP possiede capacità, ma spesso richiedono una configurazione sostanziale e non sono così pronti all’uso come alcune soluzioni più recenti. Ad esempio, SAP può modellare le promozioni e persino alcuni effetti di cannibalizzazione utilizzando le analisi del suo Customer Activity Repository (CAR) o configurando le elasticità incrociate nel suo strumento di pricing, ma queste relazioni non vengono auto-scoperte – tipicamente si affidano agli analisti per inserire ipotesi o a analisi separate al di fuori del core della pianificazione. Allo stesso modo, SAP F&R poteva considerare la shelf-life per i deperibili e limitare gli ordini di conseguenza, ma implementare la pianificazione per il fresh food in SAP è storicamente stato impegnativo e talvolta meno sofisticato rispetto a strumenti specializzati (alcuni rivenditori hanno optato per soluzioni personalizzate per il fresh).

Automazione: Nella pianificazione retail di SAP l’automazione è relativamente bassa. SAP fornisce motori di pianificazione, ma il processo di pianificazione è spesso guidato dall’utente: i pianificatori impostano i parametri, avviano le esecuzioni delle previsioni, rivedono le eccezioni e rilasciano ordini o prezzi. Ci sono calcoli automatizzati (ad es., il sistema genera proposte d’ordine o prezzi ottimizzati), ma un’operazione continua senza supervisione è raramente raggiunta senza un significativo controllo umano. È necessario investire nell’impostazione di workflow automatizzati (e anche allora, molti utenti SAP mantengono gli umani nel ciclo a causa di problemi di fiducia o della complessità del sistema). In sostanza, gli strumenti di SAP sono spesso descritti come sistemi di supporto decisionale piuttosto che sistemi di decisione operativa.

Infine, l’integrazione tecnologica è un punto dolente. La soluzione di ottimizzazione retail di SAP è in effetti una “collezione improvvisata” derivata da numerose acquisizioni sopra il suo core ERP ¹¹. Nonostante sforzi come SAP IBP (destinato a unificare la pianificazione della supply chain su un’unica piattaforma) e SAP CAR (destinato a unificare i dati transazionali retail e le analisi), la realtà è che gli strumenti di inventario, pricing e assortimento di SAP non operano naturalmente come un unico sistema. Raggiungere un flusso senza interruzioni richiede un intenso lavoro di integrazione (spesso realizzato da abili integratori SAP in progetti di lunga durata) ⁸⁶. Anche così, gli utenti possono trovarsi a dover fronteggiare interfacce utente multiple e duplicazione dei dati. Questa architettura disgiunta è esattamente lo scenario “Frankenstein” da cui stare attenti – dove una soluzione è tecnicamente in grado di tutto ma sembra composta da diversi sistemi assemblati insieme, portando a elevata complessità e manutenzione.

Scetticismo: È giustificato essere scettici nel valutare le affermazioni di SAP. SAP presenta spesso IBP e la sua suite retail come una “soluzione integrata end-to-end”, ma gli esperti notano che “enterprise software isn’t easily fused via M&A” ¹¹ – suggerendo che l’integrazione di SAP non raggiunge la visione proposta. Inoltre, buzzword come “real-time”, “predictive” e “demand sensing” punteggiano il marketing di SAP, eppure molti utenti ritengono che estrarre un reale valore da queste funzionalità richieda un notevole sforzo e personalizzazione. In sintesi, le capacità di ottimizzazione retail di SAP sono ampie ma non profonde in alcune aree moderne, e affidabili ma non eleganti. Rappresentano più un approccio legacy, enterprise: potenti in portata e in grado di scalare in ambienti di grandi dimensioni, ma ingombranti, costosi e complessi – spesso richiedono un notevole supporto umano e IT per ottenere risultati ⁸⁶.

Per i rivenditori già fortemente investiti nell’ecosistema SAP, questi strumenti possono essere resi operativi e beneficiare di un’integrazione ERP senza soluzione di continuità. Tuttavia, potrebbero sembrare una generazione indietro rispetto allo stato dell’arte nell’ottimizzazione retail olistica guidata dall’IA. Classifichiamo SAP verso l’estremità inferiore a causa di questi fattori – esemplifica molte insidie che questo studio intende evidenziare (tecnologia legacy, sfide di integrazione, TCO elevato e un marketing che potrebbe sovrastimare la facilità d’uso).

Fonti: Critica della complessità di prodotto accumulata da SAP e delle sfide di integrazione ¹¹; confronto ad alto livello che i design in-memory (come quello di SAP) sacrificano le prestazioni a favore del costo hardware ²².

(I restanti fornitori e analisi possono proseguire in modo simile, concentrandosi sui concorrenti orientati al futuro e penalizzando quelli fortemente dipendenti da acquisizioni o parole d’ordine. Per brevità, concludiamo qui le valutazioni dettagliate.)

Riepilogo della Classifica dei Fornitori:

Lokad – Eccelle nell’ottimizzazione unificata e probabilistica; altamente innovativo, con scarso clamore ²⁵ ³.
RELEX Solutions – Piattaforma nativa per il retail con forte ML e pianificazione integrata; modellazione avanzata di promozione/cannibalizzazione ⁹.
o9 Solutions – Visionario sistema integrato di pianificazione “Digital Brain” con ampia portata, ma attenzione all’IA dichiarata rispetto all’implementazione effettiva ⁴.
ToolsGroup – Ottimizzatore dell’inventario comprovato in evoluzione verso una suite completa per il retail; buona automazione, sebbene attualmente in fase di integrazione di nuove acquisizioni ¹⁹ ⁵¹.
Blue Yonder – Suite completa per il retail reinventata con l’IA; estremamente ricca di funzionalità, ma ancora in parte basata su tecnologie legacy ⁷¹.
SAP (IBP & Retail) – Incumbent potente con ampia copertura; ostacolato dalla complessità legacy e minore agilità, richiede un’integrazione pesante ¹¹.

Ogni fornitore porta con sé punti di forza e debolezze, come dettagliato sopra. In sintesi, quelli come Lokad e RELEX che enfatizzano la vera ottimizzazione congiunta, previsioni probabilistiche e uno stack tecnologico da zero ²⁵ ³ si distinguono come a prova di futuro e in linea con i nostri criteri. Altri, in particolare le grandi suite legacy, hanno dovuto integrare tecniche moderne e possono fornire risultati, ma non senza il peso di un’architettura datata e a volte dichiarazioni di marketing non supportate ⁷¹. Gli utenti dovrebbero valutare questi compromessi con uno sguardo scettico e orientato all’ingegneria per scegliere la soluzione che soddisfa realmente le loro esigenze senza il velo del clamore.