Optimierungssoftware für die Luftfahrt-MRO

Zuletzt geändert: 2. Februar 2025

Einleitung

Luftfahrt-Wartungs-, Reparatur- und Überholungs-(MRO)-Lieferketten haben es mit extremer Komplexität zu tun. Fluggesellschaften und MRO-Anbieter verwalten tiefe Long-Tail-Teilebestände mit intermittierender, spärlicher Nachfrage und stark variablen Lieferzeiten und Preisen. Unvorhersehbare Ausfälle und zufällige BOMs für Reparaturen bedeuten, dass der Verbrauch ohne Vorwarnung ansteigen kann. Teile haben oft strenge Lebenszyklen (z.B. maximale Zyklen oder Flugstunden) und Kritikalitätsklassifizierungen (“No-Go”-Teile, die Flugzeuge am Boden halten vs. “Go-If”- oder aufschiebbare Artikel). Diese Faktoren machen Prognosen und Lagerentscheidungen berüchtigt schwierig - ein heikler Balanceakt zwischen der Vermeidung von AOG (Flugzeug am Boden) Vorfällen und der Minimierung von überschüssigem Inventar.

Mehrere Softwareanbieter behaupten, diese Herausforderungen mit spezialisierten Optimierungswerkzeugen zu lösen. Diese Studie nimmt eine skeptische Tiefenprüfung der führenden “Luftfahrt-MRO-Optimierungslösungen” vor. Wir werden die Technologie jedes Anbieters kritisch bewerten: Bieten sie wirklich state-of-the-art Fähigkeiten wie probabilistische Prognosen (für Nachfrage und Lieferzeiten), wirtschaftliche Optimierung (Maximierung des Preis-Leistungs-Verhältnisses bei Lagerentscheidungen) und hohe Automatisierung, um mit Zehn- oder Hunderttausenden von Teilenummern umzugehen? Marketingbehauptungen von “KI/ML-getriebenen” Verbesserungen - wie dramatische Prozentsätze der Lagerreduzierung oder Servicelevel-Steigerungen - werden auf ihren Gehalt hin überprüft. Wir suchen speziell nach Beweisen für fortschrittliches Engineering (oder dessen Fehlen) hinter diesen Behauptungen und ob die Tools auf automatisierte Analysen im Gegensatz zu umständlichen benutzerdefinierten Parametern angewiesen sind. Schließlich berücksichtigen wir die Integrationsrealitäten in der chaotischen IT-Landschaft der Luftfahrt-MRO und stellen alle “Plug-and-Play”-Behauptungen in Frage.

Das Ziel ist es, MRO-Executives mit einer technologischen Neigung einen unverblümten, detaillierten Überblick über die Angebote des Marktes zu geben - echte Innovation von Schlagworten zu trennen.

Anbieter-Rankings (Zusammenfassung)

1. Lokad – Spitzenklasse probabilistische Prognose und Automatisierung für die Luftfahrt. Lokad führt mit Spitzentechnologie wie probabilistischer Nachfrage-/Lieferzeitprognose und differentieller Programmierung, die durch jahrelange Forschung und Entwicklung in der Luftfahrt entstanden ist ¹. Es legt Wert auf wirtschaftliche Optimierung (Kosten vs. Service) und minimale manuelle Abstimmung, was es zu einem Vorreiter für wirklich state-of-the-art MRO-Lagerplanung macht.

2. PTC Servigistics – Umfassendes Legacy-Suite mit modernen Verbesserungen. Servigistics bietet das breiteste Funktionsspektrum (Multi-Echelon-Optimierung, fortgeschrittene Prognose, IoT-Integration) und wird weit verbreitet in der Luft- und Raumfahrt & Verteidigung eingesetzt ². Es wendet “KI/ML” unter der Haube an und bewältigt komplexe Szenarien, obwohl einige Algorithmen Jahrzehnte der Entwicklung zurückreichen. Sehr leistungsfähig, aber seine Komplexität kann eine schwerere Konfiguration und Abhängigkeit von Experteneinrichtung bedeuten.

3. Syncron – Service-Teile-Spezialist mit wachsenden KI-Fähigkeiten. Syncrons Cloud-Plattform ist dem Service-Teile-Planung für Hersteller und jetzt auch der Luftfahrt gewidmet. Es preist KI, maschinelles Lernen und fortgeschrittene Simulationen an, um komplexe, intermittierende Nachfragemuster zu bewältigen ³. Probabilistische Funktionen entstehen, und es konzentriert sich auf wirtschaftliche Lageroptimierung, obwohl die Tiefe in luftfahrtspezifischen Eigenheiten noch in Entwicklung ist (historisch stark im OEM-Aftermarket).

4. ToolsGroup (SO99+) – Bewährte stochastische Modellierung, aber alternde “KI”-Narrative. ToolsGroup hat die Prognose von intermittierender Nachfrage und Multi-Echelon-Lageroptimierung vorangetrieben ⁴. Seine probabilistischen Modelle bewältigen den “Long Tail” von Ersatzteilen gut. Allerdings scheinen Behauptungen, “KI-gesteuert” zu sein, übertrieben - Analysen deuten darauf hin, dass seine Technologie größtenteils traditionelle Statistik (Modelle vor 2000) mit einigen Updates ist ⁵. Dennoch liefert es solide Automatisierung für die Planung von Großteilen.

5. Armac Systems (RIOsys) – Luftfahrtorientierter Optimierer für Rotables und Ersatzteile. Armac (im Besitz von SR Technics) ist ein Nischenführer speziell für Fluggesellschaften/MRO-Inventar. Sein RIOsys-Tool berechnet optimale Lagerbestände sowohl für Rotables als auch für Verbrauchsmaterialien selbst unter ungeplantem (zufälligem) Bedarf und Multi-Standort-Netzwerken ⁶. Es integriert betriebliches Wissen (z.B. Zuverlässigkeitsdaten) in das Modell und verfeinert kontinuierlich Empfehlungen. Die domänenspezifische Stärke ist hoch, obwohl das Unternehmen kleiner ist und technische Details (KI/ML) weniger öffentlich betont werden.

6. Baxter Planning (Prophet by Baxter) – Grundlagen der Service-Teile-Planung mit Kostenfokus. Baxters Lösung umfasst Prognose, Lagerplanung und automatisierte Nachfüllung. Es verwendet einen “Total Cost Optimization”-Ansatz, der die Kritikalität von Teilen, den Standort und die Dringlichkeit des Kunden berücksichtigt, um Service und Kosten auszugleichen ⁷. Es ist ein solides, pragmatisches Tool (20+ Jahre im Service-Teile-Bereich), obwohl es mehr auf traditionelle Prognosemethoden und benutzerdefinierte Parameter als auf echte KI-gesteuerte Automatisierung setzt.

7. Smart Software (Smart IP&O) – Erweiterte Prognose-Engine für intermittierende Nachfrage. Smart Software ist bekannt für seine probabilistische Prognose von Ersatzteilen mit einer patentierten Bootstrapping-Methode ⁸. Es generiert Tausende von Nachfrageszenarien, um die Variabilität zu erfassen, was zu einer genauen vollständigen Verteilung der Nachfrage über die Lieferzeiten führt. Dies führt zu optimierten Lagerbeständen für intermittierende Teile. Allerdings liegt der Fokus von Smart auf Prognose und Sicherheitsbestandsberechnungen; es ist eine engere Lösung (oft eine Ergänzung zu einem ERP) als eine vollständige End-to-End-MRO-Plattform. Integration und Benutzeraufwand zur Umsetzung seiner Prognosen sind noch erforderlich.

8. IBM (MRO Inventory Optimization, ehemals Oniqua) – Analytik-getrieben, Fokus auf anlagenintensive Industrien. IBMs MRO IO (übernommen von Oniqua) ist eine Cloud-Plattform, die statistische Analyse, präskriptive Analytik und Optimierung für Wartungsersatzteile kombiniert ⁹. Es behandelt intermittierende Nachfrage mit eingebauter Prognose und kritikalitätsbasierten Empfehlungen, mit dem Ziel, Ausfallzeiten zu minimieren ¹⁰. Das Tool ist hervorragend darin, Überschuss gegenüber Mangel zu identifizieren und Planer über “Scores” und Arbeitswarteschlangen zu leiten. Obwohl es einige Automatisierung verwendet, neigt der Ansatz mehr zu Entscheidungsunterstützungs-Dashboards - Benutzer müssen Erkenntnisse (z.B. nach Kritikalität, Lieferzeit) überprüfen und handeln ¹¹. Seine Technologie ist solide, aber nicht auffällig - mehr schwere Analytik als “KI-Magie”, und erfordert oft erhebliche Datenbereinigung (eine IBM-Stärke) und Integrationsarbeit.

9. SAP Service Parts Planning (SPP) – Fähiges Modul mit schwerer Konfiguration. SAPs eigene Ersatzteile-Planungslösung (Teil von SAP SCM/APO, jetzt Übergang zu IBP) bietet Multi-Echelon-Lageroptimierung und unterstützt Methoden wie Croston’s für intermittierende Nachfrage ¹². Theoretisch kann es die Komplexität der Luftfahrt bewältigen, und einige große OEMs haben seine Funktionalität mitgestaltet. In der Praxis erfordert SAP SPP umfangreiche benutzerdefinierte Einstellungen (Auswahl von Prognosemodellen, Serviceklassenziele usw.) und erhebliche Anpassungen, um den Bedürfnissen der Luftfahrt gerecht zu werden. Es ist in der Regel weniger automatisiert - Planer müssen Parameter konfigurieren (z.B. Lebenszykluscodes, Ablösungsketten, Min/Max) anstatt dass das System selbst lernt. Als ERP-integrierte Option ist es zuverlässig, aber nicht an der Spitze der algorithmischen Innovation.

10. Oracle Spares Management – Grundlegende Ersatzteile-Planung innerhalb von Oracle ERP. Oracle bietet ein Service Parts Modul (in E-Business Suite und Cloud SCM) an, das die Nachfrageprognose, die Lagerbestandsplanung usw. abdeckt ¹³. Es beinhaltet standardmäßige intermittierende Nachfragetechniken und Bestelloptimierung über ein Netzwerk. Wie SAP neigt es dazu, sich auf regelbasierte Setups und Benutzereingaben zu verlassen - z.B. definieren Planer Prognosestrategien (Croston, exponentielles Glätten) und Lagerbestandspolitiken. Oracles Lösung erledigt die Arbeit für einige, aber wir fanden keine Beweise für bahnbrechende KI oder probabilistische Optimierung; es ist im Allgemeinen einen Schritt hinter den spezialisierten Anbietern in Bezug auf Technologie.

Als nächstes gehen wir detailliert auf die Technologie, Fähigkeiten und Behauptungen jedes Anbieters ein und heben hervor, wo sie glänzen und wo Skepsis angebracht ist.

Lokad – Probabilistische “Quantitative Supply Chain” für die Luftfahrt

Lokad ist ein neuerer Anbieter (gegründet in den 2010er Jahren), der sich aggressiv auf die Optimierung von Luft- und Raumfahrt & MRO als Kernspezialität konzentriert hat. Sein Ansatz ist unverhohlen datengetrieben. Lokads Plattform konzentriert sich auf probabilistische Prognosen und das, was sie “prädiktive Optimierung” nennen. Anstatt eine einzelne Nachfrage zu prognostizieren, modelliert Lokad die vollständige Wahrscheinlichkeitsverteilung von Nachfrage, Lieferzeiten und sogar Ausschussraten von Teilen ¹. Dies ist entscheidend für die hohe Unsicherheit in der Luftfahrt: zum Beispiel kann ein Teil normalerweise 5.000 Stunden halten, aber gelegentlich viel früher ausfallen - ein probabilistisches Modell erfasst dieses Risiko. Lokad berechnet dann Lagerhaltungspolitiken, die die Gesamtkosten (Lagerhaltungskosten, Ausfallkosten, AOG-Strafen) minimieren, die diese Unsicherheiten berücksichtigen.

Ein herausragender Aspekt der Technologie von Lokad ist das differentielle Programmieren ¹. Das bedeutet im Wesentlichen, dass sie Techniken aus dem maschinellen Lernen verwenden, um aus komplexen Supply-Chain-Datenmustern zu “lernen”. So können beispielsweise Wartungspläne, Zuverlässigkeitskurven (MTBUR – Mean Time Between Unscheduled Removal), Reparaturzykluszeiten usw. in ein neuronales Netzwerk-ähnliches Modell einbezogen werden, anstatt in festgelegte Regeln. Lokad behauptet, dass dies das automatische Extrahieren von Mustern aus den Daten ermöglicht, die traditionelle fest codierte Formeln möglicherweise übersehen ¹. Es ist ein neues Konzept in der Supply Chain, und obwohl es schwer extern zu überprüfen ist, deutet es auf ernsthafte technische Arbeit jenseits von Schlagworten hin.

Wichtig ist, dass Lokad technische Details zu ihrem Ansatz liefert - eine erfrischende Abwechslung von vagen KI-Behauptungen. In einer Pressemitteilung mit Revima (ein APU/Landing Gear MRO) erwähnen sie explizit probabilistische Prognosen für Nachfrage, Lieferzeit und Ausschuss, kombiniert mit differentiellem Programmieren zur Modellierung komplexer Reparaturprozesse ^{1 1}. Dies sind konkrete Techniken, nicht nur Marketing-Sprech. Die Tatsache, dass der CEO von Lokad ein aktiver Blogger über Supply-Chain-Mathematik ist, verleiht Glaubwürdigkeit (sie kritisieren häufig traditionelle Methoden und veröffentlichen sogar Vergleiche).

Aus Sicht der Automatisierung ist Lokads Lösung hochautomatisiert sobald die Daten vorhanden sind. Sie wird als Software-plus-Services (“Supply Chain as Code”-Konzept) geliefert: Ihr Team hilft bei der Konfiguration eines benutzerdefinierten Optimierungsmodells mit ihrer Skriptsprache (Envision). Danach nimmt das System kontinuierlich Daten auf (z.B. tägliche Teiletransaktionen, Entfernungen usw.) und generiert Lagerbestandsempfehlungen, Bestellungen, Priorisierung von Reparaturaufträgen usw., mit minimaler manueller Intervention. Es ist darauf ausgelegt, Zehntausende oder Hunderttausende von P/Ns zu verarbeiten, indem es den Algorithmen erlaubt, optimale Richtlinien für jeden zu berechnen, anstatt dass Planer Tausende von Min/Max-Einstellungen pflegen müssen. Ein leitender Angestellter eines Luftfahrt-MRO bestätigt „Lokad hat die richtigen Werkzeuge und Unterstützung bereitgestellt, um… die Unsicherheit durch einen probabilistischen Ansatz zu reduzieren,“ und erreicht anspruchsvolle Füllratenziele mit reduziertem Risiko ¹⁴.

Lokad ist auch ehrlich in Bezug auf die Integration: Sie versprechen keine reine “Plug-and-Play”-Fantasie, sondern erkennen an, dass Luftfahrtdaten unordentlich sind. Stattdessen nutzen sie oft alle verfügbaren Datenquellen, auch wenn sie unvollkommen sind. Zum Beispiel könnten sie OEM-bereitgestellte Zuverlässigkeitsmetriken (MTBUR) und die historischen Entfernungsdaten des Betreibers verwenden, und sie entsprechend der Vorhersagekraft für jedes Teil gewichten ^{15 16}. Diese Nuanciertheit - die Verwendung mehrerer Datenquellen zur Triangulation - zeigt ein fortgeschrittenes Verständnis der Besonderheiten der Luftfahrt (z.B. die Verwendung von OEM-Daten, wenn In-Service-Daten spärlich sind, und umgekehrt).

Skeptischer Standpunkt: Die Behauptungen von Lokad werden im Allgemeinen durch Beweise gestützt (Fallstudien mit Air France KLM, Revima, etc., und detaillierte technische Blogs). Man sollte dennoch kritische Fragen stellen: zum Beispiel, wie einfach kann ein typisches MRO Lokads Lösung ohne ein Team von Datenwissenschaftlern übernehmen? Lokad arbeitet in der Regel eng mit Kunden über ihre eigenen Experten zusammen, was großartig für die Ergebnisse ist, aber zunächst als ein beratungsintensives Modell anstatt reiner Software gesehen werden könnte. Auch wenn probabilistische Modelle ideal für intermittierende Nachfrage sind, hängt ihre Genauigkeit von der Datenqualität ab - Müll rein, ausgeklügelter Müll raus bleibt ein Risiko. Lokads Ergebnisse wie “Bestandsreduzierung um 60%” in einem Fall ¹⁷ sollten mit gesunder Skepsis betrachtet werden - solche Ergebnisse könnten außergewöhnlich sein oder gegen eine sehr schlechte Ausgangsbasis gemessen werden. Dennoch scheint Lokad unter den Anbietern am meisten auf moderne Prognose- und Optimierungswissenschaft zu setzen. Es verlässt sich nicht darauf, dass Benutzer willkürliche Service-Level-Ziele oder ABC-Klassen festlegen; stattdessen automatisiert es Entscheidungen, indem es die wirtschaftlichen Trade-offs für jedes Teil berechnet. Dieses Maß an Automatisierung und probabilistischer Strenge macht es zu einer erstklassigen Wahl für diejenigen, die bereit sind, eine neuere Lösung zu akzeptieren.

PTC Servigistics – Schwergewichts-Champion mit aktualisierter Technik

Servigistics ist der Veteran in diesem Bereich - seine Abstammung geht zurück auf Branchenpioniere (Xelus, MCA Solutions), die in Servigistics aufgingen und dann 2012 von PTC übernommen wurden ¹⁸. Es ist bei weitem die am weitesten verbreitete Service Parts Management (SPM) Software unter großen Luft- und Raumfahrt- & Verteidigungsorganisationen. Qantas, Boeing, Lockheed Martin, die U.S. Air Force - solche Namen erscheinen oft als Servigistics-Nutzer ¹⁹. Mit diesem Stammbaum setzt Servigistics einen hohen Maßstab in Bezug auf Breite und Tiefe der Funktionen.

Aus Sicht der Fähigkeiten listet Servigistics ziemlich jede Funktion auf, die ein MRO oder Aftermarket-Logistikteam wünschen könnte: Nachfrageprognose spezialisiert auf geringes Volumen, sporadische Nachfrage, Multi-Echelon-Bestandsoptimierung (Positionierung von Lagerbeständen über, sagen wir, Zentrallager, Vorwärtsbasen, Reparaturwerkstatt, etc.), Multi-Source-Beschaffungsplanung, Reparatur vs. Kaufentscheidungen und sogar ein integriertes Teilepreismodul ²⁰. Bemerkenswert ist, dass PTC Servigistics auch über die IoT-Integration erweitert hat - sie nutzen ihre ThingWorx-Plattform, um vernetzte Gerätedaten (z.B. Nutzungs- oder Sensordaten von Flugzeugen/Motoren) einzuspeisen, um Ausfälle von lebensdauerbegrenzten Teilen vorherzusagen und proaktiv Ersatz zu planen ^{21 22}. Dies beginnt, das “Random BOM”-Problem zu adressieren, indem Teileentfernungen auf der Grundlage tatsächlicher Zustandsüberwachung und nicht nur historischer Statistiken prognostiziert werden.

Servigistics behauptet, moderne Datenwissenschaft zu integrieren: “Prognose-, Optimierungs- und Analysemodule nutzen KI, maschinelles Lernen und Big Data” ²³. Allerdings sind die Details darüber, wie genau KI/ML verwendet wird, in öffentlichen Materialien spärlich. Angesichts der langen Geschichte des Tools ist es wahrscheinlich, dass ein Großteil des Prognosemotors noch auf klassischen statistischen Methoden basiert (Croston’s Methode, exponentielle Glättungsvarianten für intermittierende Nachfrage, vielleicht Bayessche Schätzung für geringe Nachfrage), die schrittweise verbessert wurden. Die Erwähnung der Zusammenarbeit mit Akademikern wie Dr. John Muckstadt deutet auf die Verwendung bewährter analytischer Modelle für die Multi-Echelon-Optimierung hin ²⁴. Muckstadts Algorithmen (aus seinem Buch “Service Parts Management”) sind eher Operations Research (mathematische Optimierung) als maschinelles Lernen - was in Ordnung ist, oft optimal für diese Probleme. Die “KI/ML” könnte eher eine neuere Hülle sein - möglicherweise wird maschinelles Lernen für Dinge wie Anomalieerkennung in der Nachfrage oder Klassifizierung von Teilen (z.B. Gruppierung ähnlicher Nachfragemuster) verwendet, anstatt für die Kernprognose. Man sollte ein wenig skeptisch sein, dass Servigistics plötzlich zu einer “KI”-Plattform wurde; es ist genauer gesagt eine sehr ausgeklügelte OR (Operations Research) Plattform mit einigen neuen KI-fähigen Funktionen an den Rändern.

Probabilistische Prognose: Macht Servigistics das? Historisch gesehen konnte es eine Nachfrageverteilung für jedes Teil erzeugen (zum Beispiel über Bootstrapping oder vordefinierte statistische Verteilungsanpassung), um optimale Sicherheitsbestände zu berechnen. Multi-Echelon-Optimierung erfordert grundsätzlich probabilistische Eingaben (um die Wahrscheinlichkeiten von Lagerausfällen an verschiedenen Standorten zu berechnen). Die Dokumentation von PTC verweist auf “Arten von Wahrscheinlichkeitsverteilungen, die bei Lagerentscheidungen genutzt werden” ²⁵, was darauf hindeutet, dass das System mehr als nur eine einzige Durchschnittsprognose berücksichtigt. Wir können vernünftigerweise annehmen, dass es irgendeine Form von probabilistischer Prognose oder zumindest Szenariosimulation für sporadische Nachfrage durchführt (MCA Solutions, einer seiner Vorgänger, war bekannt für die Monte-Carlo-Simulation in der Planung). Der Unterschied zu einem modernen Ansatz besteht darin, ob diese Verteilungen automatisch gelernt oder über Regeln ausgewählt werden. In Servigistics legt ein Planer in der Regel jede Teil auf eine Prognosemethode fest (oder das System wählt automatisch aus einer Reihe von Methoden aus) und wählt dann Service-Level-Ziele aus. Es ist viel benutzerdefinierte Richtlinie möglich - z.B. können Planer Teile nach Kritikalität oder Wert segmentieren und verschiedene Füllratenziele zuweisen (das System hat eine reiche Segmentierungsfähigkeit) ²⁶. Wenn dies nicht vollständig automatisiert ist, könnte dies eine Schwäche sein: das Tool kann optimieren, sobald Sie diese Parameter eingeben, aber die Bestimmung, welches Service-Level jeder von Zehntausenden von Teilen haben sollte, wird oft dem Urteil des Benutzers oder einfachen Regeln überlassen (wie “95% für No-Go-Teile, 80% für Go-If-Teile”). Wirklich optimale Lösungen würden diese Trade-offs dynamisch berechnen. Es ist unklar, ob Servigistics eine automatisierte “Service-Level-Optimierung” hat, die zum Beispiel die Gesamtverfügbarkeit für ein gegebenes Budget maximiert - wahrscheinlich kann es das, aber viele Benutzer nutzen diesen Modus möglicherweise nicht aufgrund der Komplexität.

Servigistics behandelt auch Aspekte des Teillebenszyklus und Reparaturschleife. Für Rotables (reparierbare Teile) kann es die Reparaturpipeline planen und Umschlagzeiten und Ausbeuten berücksichtigen. Die neuere Erweiterung “Connected Forecasting” prognostiziert explizit die Entfernung von Teilen wie Life Limited Parts (LLPs) basierend auf ihrer verbleibenden Lebensdauer und Nutzungsdaten ²⁷ - eine sehr wichtige Fähigkeit in der Luftfahrt, wo Sie wissen, dass ein Teil nach X Zyklen ersetzt werden muss. Dies hilft, die unregelmäßige Nachfrage zu mildern, indem einige deterministische Signale (z.B. geplante Entfernungen) in die Prognose eingespeist werden.

Bei der Integration: PTC hat sich mit großen MRO ERP-Anbietern wie IFS und Trax zusammengetan, um Servigistics zu integrieren ²⁸. Dennoch ist die Integration eines so umfassenden Tools in das Wartungssystem einer Fluggesellschaft ein großes Projekt (oft 6-12+ Monate). Jegliche “Plug-and-Play”-Behauptungen von Verkäufern sollten mit einer Prise Salz genommen werden. In Wirklichkeit muss man Dutzende von Datenfeldern zuordnen (Installationsbasisdaten, Teilekataloge, BOMs für Wartungsaufgaben, Reparaturzyklusdaten usw.) und oft die Datenqualität bereinigen. Servigistics hat wahrscheinlich Standardadapter für Systeme wie SAP oder Oracle, aber kundenspezifische Arbeit ist die Norm - konsistent mit jeder Unternehmenslösung.

Hauptkritikpunkte: Servigistics ist extrem leistungsfähig, aber ist es einfach, einen Mehrwert daraus zu ziehen? Viele Altinstallationen werden untergenutzt und nutzen nur grundlegende Funktionen (wie die Ein-Ebenen-Planung mit festgelegten Sicherheitsbeständen), weil die vollständige Optimierung ohne Expertenbenutzer überwältigend sein kann. Es lohnt sich, einen Anbieter zu hinterfragen, wie automatisiert das System in der Praxis wirklich ist - z.B., erkennt es automatisch eine Änderung in der Lieferzeitvariabilität und passt die Nachbestellpunkte an, oder muss ein Planer eingreifen? Die Präsenz vieler “Planungsparameter” deutet darauf hin, dass eine Menge Abstimmung möglich ist ²⁹, was gut oder schlecht sein kann. Zum Beispiel erlaubt Servigistics das Überschreiben der berechneten EOQ oder das Erzwingen bestimmter Prognoseperioden ²⁹, was darauf hindeutet, dass den Berechnungen out-of-the-box von den Benutzern nicht immer vertraut wird.

Zusammenfassend ist Servigistics die funktionsreichste Option und hat sich weiterentwickelt, um moderne Elemente (IoT-Daten, etwas KI) einzubeziehen. Es bietet modernste Fähigkeiten, aber ob es modernste Lösungen bietet, hängt von der Umsetzung ab - ein Bereich, in dem man vorsichtig sein sollte. Für ein MRO mit den Ressourcen, es vollständig zu implementieren, kann es hervorragende Leistungen erbringen (94% Teileverfügbarkeit bei Qantas wurde berichtet ³⁰). Aber kleinere Operationen könnten es als zu schwer empfinden. Seine Marketingansprüche (Führer in jedem Analystenbericht usw.) sind typisch und teilweise wahr angesichts des Marktanteils, aber potenzielle Käufer sollten über die Auszeichnungen hinausblicken und sicherstellen, dass sie die Prozessreife haben, um dieses leistungsstarke, aber komplexe Tool zu nutzen.

Syncron - Cloud-Native Service Parts Planning mit KI-Versprechen

Syncron ist ein weiterer wichtiger Akteur, der aus einem anderen Blickwinkel kommt - er begann mit Aftermarket-Service-Teilen von Herstellern (insbesondere Automobil- und Industriemaschinen) und hat sich in den letzten Jahren auf Luft- und Raumfahrt/Verteidigung ausgeweitet. Syncrons Wertversprechen konzentriert sich darauf, eine zweckgebundene, cloudbasierte Plattform für Service-Teile zu sein, die mehrere Module kombiniert (Bestandsoptimierung, Preisoptimierung und sogar ein IoT-basiertes Modul zur Vorhersage der Betriebszeit) ^{31 32}. Im Kontext der Luftfahrt-MRO gewinnt Syncron an Zugkraft - zum Beispiel hat ATR (der regionale Flugzeughersteller) kürzlich Syncron für das Bestandsmanagement über seine globale Flottenunterstützung ausgewählt ^{33 3}.

Technologisch wirbt Syncron für den Einsatz von KI, maschinellem Lernen und fortgeschrittener Analytik in seiner Parts Planning-Lösung ³. Konkret erwähnen sie, dass die Software “Nachfragetrends verfolgt und fortgeschrittene Simulationen konfiguriert, um den Servicebedarf für Teile zu planen und vorherzusagen” ³. Dies deutet darauf hin, dass Syncron wahrscheinlich auch eine Art von Monte-Carlo-Simulation oder probabilistischer Planung verwendet - wahrscheinlich erzeugt es Szenarien von Nachfrage und Angebot, um den Bestand zu optimieren. In einem IDC MarketScape wurde Syncron für “dynamische Nachfüllung, probabilistische Planung/Prognose” unter seinen Stärken hervorgehoben ³⁴, was darauf hindeutet, dass es nicht nur deterministische oder regelbasierte Methoden verwendet. Im Gegensatz zu einigen älteren Tools bedeutet die Tatsache, dass Syncron cloudbasiert ist, dass es große Datensätze verarbeiten und umfangreiche Simulationen im Hintergrund durchführen kann, ohne dass der Kunde die IT-Infrastruktur verwalten muss.

Ein bemerkenswerter Aspekt von Syncrons Philosophie ist die Servitization - Unternehmen dabei zu helfen, die Betriebszeit als Service zu behandeln. In praktischer Hinsicht verknüpft die Syncron-Plattform Service-Teile-Prognose mit Inputs des Field Service Managements und IoT-Signalen zur vorausschauenden Wartung (über ihr Uptime™-Modul). Für die Luftfahrt könnte dies bedeuten, dass Daten zur Flugzeugzustandsüberwachung verwendet werden, um die Teilenachfrage vorherzusagen. Es ist ähnlich dem, was PTC mit ThingWorx macht, aber Syncron hat es als Teil ihrer Suite speziell für den After-Sales-Service verpackt. Dieser Ansatz stimmt mit Trends wie Power-by-the-Hour in der Luftfahrt überein, wo Verfügbarkeit alles ist.

In Bezug auf die Optimierung optimiert Syncron den Bestand durch Ausgleich von Verfügbarkeit gegen Kosten. Sie behaupten ausdrücklich Verbesserungen wie eine 12-17,5%ige Erhöhung der Teileverfügbarkeit und eine 15%ige Reduzierung der Bestandskosten für Kunden ³⁵. Diese Zahlen, wie alle solchen Behauptungen, sollten mit Vorsicht betrachtet werden - sie könnten aus ausgewählten Fallstudien stammen. Es gibt wenig technische Details öffentlich über die Algorithmen hinter Syncrons Optimierung. Man kann jedoch ableiten, dass sie eine Kombination aus statistischen Prognosemodellen, maschinellem Lernen zur Mustererkennung und einigen heuristischen oder Solver für die Mehr-Ebenen-Bestückung verwenden. Syncron Inventory war historisch stark in der Optimierung von Vertriebsnetzwerken (für OEMs mit Händlernetzwerken usw.), so dass die Optimierung an mehreren Standorten in seiner DNA liegt.

Automatisierung und Benutzeraufwand: Syncron automatisiert wahrscheinlich viele Routineaufgaben - als moderne Software wurde es für die Cloud und Benutzerfreundlichkeit konzipiert. Es wählt wahrscheinlich automatisch geeignete Prognosemodelle aus und aktualisiert sie, wenn sich die Daten ändern, anstatt von den Benutzern zu erwarten, dass sie die Prognosemethode jedes SKU manuell anpassen (ein Fluch älterer Systeme). Das heißt, die typische Benutzerbasis von Syncron (Hersteller) legt oft noch Geschäftsregeln fest - z.B. Teile nach Lebenszyklus oder Kritikalität klassifizieren, um verschiedene Richtlinien anzuwenden. Wir sollten überprüfen, ob Syncron eine vollständig autonome Optimierung ermöglicht. Es wird erwähnt, dass die Preis- und Bestandsmodule von Syncron derzeit separate Datenbanken verwenden, die eine Integration erfordern ³², was auf einige Altlasten hinweist. Es ist möglicherweise nicht so nahtlos über die Module hinweg, wie beworben.

Eine Stärke, die Syncron betont, ist das Management des Teile-Lebenszyklus: die Einführung neuer Teile, die Ausmusterung, die Nachfolge. In der Luftfahrt, wo Teile durch neuere Versionen oder PMA-Alternativen ersetzt werden, ist dies entscheidend. Syncron hat sich mit ähnlichen Problemen in der Automobilindustrie auseinandergesetzt (wo Modelländerungen die Teilenachfrage beeinflussen) - vermutlich kann das System die Nachfragerückgang für ältere Teile und den Anstieg für neue Teile mit Analogien oder verknüpften Prognosen vorhersagen.

Überprüfung der Behauptungen: Syncron hat relativ weniger öffentliche technische Whitepapers, daher ist ein Teil unserer Skepsis, dass wir uns auf das verlassen müssen, was sie behaupten und auf einige Referenzen. Die Pressemitteilung von ATR deutet darauf hin, dass die Lösung bei der Instabilität der Lieferkette und der Skalierung der Operationen helfen wird ³⁶ - aber das ist allgemein. Der Schlüsseltechnologieanspruch ist die Kombination von KI/ML + Simulation ³. Wir würden Syncron fragen: Liefern sie Beweise für ML-Modelle in Aktion? Zum Beispiel, verwenden sie neuronale Netzwerke, um Nachfrageursachen (wie Nutzungsraten oder Ausfälle) zu erkennen oder nur Zeitreihenmethoden? Auch, wenn sie “KI” sagen, ist es nur ein Label für ihre statistischen Modelle oder wirklich neue Techniken? Ohne weitere Details bleiben wir vorsichtig.

Im Gegensatz zu einigen Wettbewerbern stützt sich Syncron jedoch nicht auf alte Architekturen - es ist eine Plattform des 21. Jahrhunderts von Grund auf. Dies bedeutet wahrscheinlich eine bessere Benutzeroberfläche und möglicherweise eine schnellere Implementierung (ihre Integration in ERP verwendet moderne APIs und sie übernehmen oft die schwere Arbeit für die Kunden). Dennoch ist “Plug-and-Play” unrealistisch: Die Implementierung von ATR hat zum Beispiel wahrscheinlich erfordert, dass Syncron auf die kundenspezifischen SAP- und Wartungssysteme von ATR abgestimmt wird. Das Syncron-Team hat aktiv mit ATR zusammengearbeitet, um Verbesserungen für die “einzigartigen Anforderungen” der Luftfahrt zu erarbeiten ³⁷ - was darauf hindeutet, dass einige spezifische Bedürfnisse der Luftfahrt erst erfüllt wurden, als sie zusammenarbeiteten. Dies ist sowohl gut (der Anbieter ist bereit, sich anzupassen) als auch vorsichtig (das Produkt war anfangs nicht vollständig auf alle Komplexitäten der Luftfahrt vorbereitet).

Zusammenfassend lässt sich sagen, dass Syncron sich mit probabilistischen und KI-Elementen in Richtung des neuesten Standes der Technik bewegt und eine starke Automatisierungsorientierung hat. Es hat vielleicht noch nicht die tiefe Erfahrung in der Luftfahrt wie Servigistics, aber es wird schnell zu einem Top-Konkurrenten, wie neue Kunden in der Luftfahrt zeigen. Führungskräfte im MRO-Bereich sollten die ML-Behauptungen von Syncron überprüfen (nach Spezifika oder Demos fragen, wie es eine unregelmäßige Teile-Nummer prognostiziert) und sicherstellen, dass alle versprochenen Verbesserungen bei Bestand/Service mit Daten kommen - nicht nur mit Branchendurchschnitten. Wie bei anderen, sollten glänzende Prozentsätze (z.B. “15% Reduzierung der Bestandskosten”) als grobe Richtlinie behandelt werden; die tatsächlichen Ergebnisse werden davon abhängen, wie unorganisiert der Ausgangsprozess war. Insgesamt rangiert Syncron hoch aufgrund seiner modernen Architektur und dem Fokus auf intelligente Automatisierung, gemildert durch die Notwendigkeit, seine Technologie über die Schlagworte hinaus zu beweisen.

ToolsGroup – Starke Algorithmen für intermittierende Nachfrage, aber wie “intelligent”?

ToolsGroup ist ein etablierter Anbieter (gegründet 1993), der für seine Flaggschiff-Software SO99+ (Service Optimizer 99+) bekannt ist. Es hat eine bedeutende Präsenz in der Aftermarket-Teileplanung in verschiedenen Branchen - von Autoteilen bis hin zu Industrieausrüstung, und es wurde auch in Luft- und Raumfahrt/Verteidigungskontexten eingesetzt. Die Kernstärke von ToolsGroup war schon immer die Bewältigung des “langen Schwanzes” der Nachfrage mit dem, was sie ein probabilistisches Modell nennen. Sie betonen, dass herkömmliche Tools bei intermittierender Nachfrage versagen, während ToolsGroup “das Problem der Service-Teileplanung mit einer außergewöhnlichen Fähigkeit zur Prognose intermittierender Nachfrage und globaler Optimierung von mehrstufigem Bestand” löst ⁴.

Die Technologie hinter der Prognose von ToolsGroup ist tatsächlich probabilistisch. Historisch gesehen haben sie einen proprietären Ansatz verwendet, bei dem sie anstelle einer Prognose einer Zahl die Nachfrage als Wahrscheinlichkeitsverteilung für jede SKU modellieren. Dies könnte durch eine Monte-Carlo-Simulation oder durch eine analytische Anpassung einer Verteilung geschehen (einige Quellen deuten darauf hin, dass ToolsGroup möglicherweise eine Form des Bootstrapping oder eine Variation der Croston-Methode in Kombination mit einer Variabilitätsanalyse verwendet). Für jedes Teil berechnet die Software anhand der Nachfrageverteilung und der Lieferzeit den zur Erreichung eines Ziel-Servicelevels erforderlichen Bestand oder umgekehrt das erreichbare Servicelevel für ein gegebenes Bestandsbudget. Dieser Ansatz war in den 1990er/2000er Jahren etwas bahnbrechend, als die meisten Planungssysteme einfache Methoden verwendeten. Er ermöglicht es, Servicelevels auch für extrem langsam bewegliche Artikel sehr eng zu managen. ToolsGroup führte auch das Konzept der “servicelevelgetriebenen Planung” ein, bei dem Sie das gewünschte Servicelevel pro SKU angeben und das Tool ermittelt den benötigten Bestand, anstatt dass die Planer den Sicherheitsbestand schätzen.

Die moderne Kritik jedoch ist, ob ToolsGroup über seine früheren Modelle hinaus signifikant innoviert hat. Das Unternehmen vermarktet sich nun als “KI-gesteuert” und spricht von Dingen wie “Nachfrageerfassung” und maschinellem Lernen. Aber eine Marktstudie von Lokad weist darauf hin, dass die öffentlichen Materialien von ToolsGroup immer noch auf ältere Techniken hinweisen und sogar eine Inkonsistenz bemerken: ToolsGroup begann mit der Werbung für probabilistische Prognosen, verwies aber immer noch auf Verbesserungen des MAPE (Mean Absolute Percentage Error), was “nicht auf probabilistische Prognosen anwendbar ist” ⁵. Dies deutet auf ein bisschen Marketinglack hin - man würde den Prognosefehler nicht mit MAPE messen, wenn man sich wirklich auf Verteilungsprognosen konzentrieren würde. Mit anderen Worten, ToolsGroup könnte immer noch hauptsächlich eine einzelne Prognose für jeden Artikel erstellen (für Geschäftsberichte), wobei probabilistische Ideen unter der Haube für Bestandsberechnungen verwendet werden. Die Erwähnung von “Nachfrageerfassung” (normalerweise bedeutet dies die Verwendung von sehr kurzfristigen Signalen wie Aufträgen oder IoT-Daten zur Anpassung von Prognosen) wird auch als wenig unterstützt in der wissenschaftlichen Literatur ³⁸ herausgefordert - was darauf hindeutet, dass ToolsGroup möglicherweise das Schlagwort verwendet, aber nicht unbedingt eine bewährte fortschrittliche Methode.

Nichtsdestotrotz sind die Fähigkeiten von ToolsGroup solide. Es unterstützt die Optimierung auf mehreren Ebenen, d.h. es kann empfehlen, wo Teile in einem Netzwerk gelagert werden sollen, um Serviceziele mit minimalem Bestand zu erreichen. Es kann auch die Umpositionierung von Beständen und die Neuausrichtung handhaben, was im MRO-Bereich nützlich ist, wenn Teile möglicherweise zwischen Basen oder Regionen verschoben werden. Die Lösung von ToolsGroup wird oft mit ERPs wie SAP integriert - einige Unternehmen verwenden SO99+ neben SAP, um die Einschränkungen der SAP-Planung zu überwinden (ToolsGroup wirbt sogar damit, dass es SAP APO mit probabilistischer Prognose erweitern kann ³⁹). Es ist im Allgemeinen hochautomatisiert: Sobald es konfiguriert ist, überwachen die Planer hauptsächlich Ausnahmen. Das Tool wird Tausende von SKU-Standort-Kombinationen durchgehen und nur Artikel markieren, bei denen vielleicht das Servicelevel zu rutschen droht oder ein Nachfragesprung aufgetreten ist, der einen Eingriff erfordert.

Zu den Besonderheiten des MRO-Kontexts: ToolsGroup kann sicherlich intermittierende Nachfrage modellieren, aber berücksichtigt es Dinge wie Teilekritikalität oder Lebenszyklus? ToolsGroup neigt dazu, generisch zu sein; Benutzer können jedoch unterschiedliche Servicelevel-Ziele oder Kosten für verschiedene Teilekategorien eingeben. Es kennt vielleicht nicht nativ die “Go/No-Go”-Kritikalität, aber ein Kunde könnte dies einfach durch Festlegen eines nahezu 100%igen Ziel-Servicelevels für “No-Go”-Artikel und niedriger für andere einbeziehen. Die Optimierung folgt dann dieser Vorgabe. Ähnlich verhält es sich mit Lebenszyklen: ToolsGroup hat vielleicht kein Out-of-the-Box-Modul, um auf Basis der verbleibenden Lebensdauer zu prognostizieren (wie es Servigistics oder Syncron mit IoT-Daten tun), aber man kann manuell Prognosen für bekannte geplante Ersatzteile anpassen. Es ist eher ein Toolkit, das an verschiedene Bedürfnisse angepasst werden kann, als eine speziell auf die Luftfahrt zugeschnittene Lösung.

Ein Bereich, den man im Auge behalten sollte, sind die Behauptungen von ToolsGroup über typische Ergebnisse: Sie behaupten zum Beispiel, dass Kunden eine Reduzierung der verlorenen Verkäufe um 20-50%, eine Reduzierung des Bestands um 10-30% und Servicelevels von 95-99% erreichen ⁴⁰. Während diese Bereiche plausibel sind, sind sie breit gefächert und eindeutig marketinggetrieben. Solche Verbesserungen stammen wahrscheinlich von Unternehmen, die vorher keine echte Optimierung hatten - die Implementierung eines beliebigen anständigen Tools würde große Gewinne bringen. Das bedeutet nicht unbedingt, dass ToolsGroup diese im Vergleich zu seinen Mitbewerbern einzigartig erreicht. Oft gibt es keine unabhängige Studie, um diese Prozentsätze zu überprüfen, daher bleiben wir skeptisch, sie auf den ersten Blick zu akzeptieren (das Fehlen von Kontext wie “im Vergleich zu welcher Basislinie?” oder “über welchen Zeitraum?” ist aufschlussreich).

Benutzerdefiniert vs. Automatisierung: ToolsGroup ist in der Prognose relativ automatisiert, erlaubt aber eine Menge Konfiguration. So können Planer zum Beispiel die Servicelevel-Ziele pro Artikel oder Gruppe festlegen. Wenn ein Unternehmen nicht weiß, wie es diese festlegen soll, könnte es zu alten Gewohnheiten zurückkehren (ABC-Klassifizierung usw.), was die Auswirkungen der Technologie einschränkt. Idealerweise würde man die Optimierung von ToolsGroup verwenden, um diese Ziele optimal zu bestimmen - ich glaube, ToolsGroup hat Funktionen wie das Ausbalancieren von Bestandsinvestitionen vs. Service über das Portfolio hinweg, was eine Form der wirtschaftlichen Optimierung ist. Aber es könnte erforderlich sein, ihre Beratung oder erweiterte Funktionen zu nutzen, um es richtig einzurichten.

Der Integrationsaufwand für ToolsGroup ist moderat - sie benötigen Feeds von Nutzungsverlauf, Stücklisten usw. Es ist nicht ganz Plug-and-Play mit etwas wie AMOS oder Rusada (gängige MRO-Systeme), also erwarten Sie ein Projekt, obwohl viele Integrationsstecker existieren, da ToolsGroup eine lange Geschichte hat.

Fazit: ToolsGroup ist eine fähige, vertrauenswürdige Lösung für die Optimierung von Ersatzteilen. Es qualifiziert sich definitiv als Stand der Technik um 2010 herum und hält immer noch gut stand. Aber im Jahr 2025 sollte man sich fragen, wie viel es neuere KI/ML-Techniken integriert hat. Die verfügbaren Beweise deuten auf viele Schlagworte hin, aber nicht auf viel konkret neue veröffentlichte Methodik. Das bedeutet nicht, dass es nicht funktioniert - es funktioniert, aber das “KI”-Label könnte einfach bedeuten, dass es ausgefeilte Statistiken verwendet (was in Ordnung ist). Für einen MRO-Manager könnte ToolsGroup eine risikoärmere Wahl sein (etabliertes Produkt, viele Referenzkunden). Seien Sie sich nur bewusst, dass Sie vielleicht kein wirklich neues System bekommen; Sie bekommen ein sehr gutes traditionelles System. Wenn das Unternehmen “KI” anpreist, fragen Sie nach, was genau im Produkt KI-gesteuert ist und wie es ihre bereits guten probabilistischen Modelle verbessert. Stellen Sie außerdem sicher, dass Ihr Team seine Stärken (wie die Optimierung auf mehreren Ebenen) voll ausschöpft und es nicht zu einem einfachen Planungstool herunterstuft.

Armac Systems (RIOsys) – Speziell für die Luftfahrt, Optimierung von Rotables und Reparaturen

Armac Systems ist einzigartig auf dieser Liste, da es speziell aus der Welt der Luftfahrt-MRO hervorgegangen ist. Es handelt sich um einen kleineren Anbieter (mit Sitz in Irland, seit Ende der 2010er Jahre im Besitz von SR Technics ⁴¹), der sich zu 100% auf die Optimierung von Luftfahrtbeständen konzentriert. Das Flaggschiff von Armac, RIOsys (Rotable Inventory Optimization system), ist für Fluggesellschaften und MROs konzipiert, die sowohl mit verbrauchbaren Ersatzteilen als auch mit hochwertigen rotable Komponenten umgehen.

Was Armac auszeichnet, ist seine Domänenspezifität. Die Software wird als “luftfahrtspezifische Bestandsplanung und -optimierung” beschrieben, die darauf abzielt, die Verfügbarkeit von Ersatzteilen zu minimalen wirtschaftlichen Kosten zu maximieren ⁶. Sie erkennt ausdrücklich das typische Luftfahrtszenario an: “Ungeplanter Teilebedarf, zahlreiche Komponenten und Multi-Site-Betrieb sind die Norm” ⁴². Das Tool hilft dabei, optimale Bestandsmengen sowohl für rotable als auch für verbrauchbare Teile zu berechnen, d.h. es kann nicht nur bestimmen, wie viele Teile gekauft werden sollen, sondern auch, wie viele als Ersatzteile vs. Reparaturpipeline usw. gehalten werden sollen, um die Zuverlässigkeitsziele für den Versand zu erfüllen. Es wird auch erwähnt, dass betriebliches Wissen in Ihr Bereitstellungsmodell eingebaut und kontinuierlich verfeinert wird ⁴³. Dies deutet darauf hin, dass das System lernt oder seine Parameter aktualisiert, wenn mehr Daten eintreffen (zum Beispiel, wenn Sie tatsächliche Ausbauraten von Komponenten beobachten, verfeinert es die Prognose oder den empfohlenen Bestand für diese Komponente).

Ein wahrscheinlicher Aspekt von Armacs Ansatz ist die Nutzung von Zuverlässigkeitsdaten aus dem Ingenieurwesen. Die Luftfahrtwartung hat Konzepte wie MTBF/MTBUR, Zuverlässigkeitskurven und Ausbauraten pro 1000 Flugstunden. Armac verwendet diese wahrscheinlich, um die Nachfrage vorherzusagen, anstatt nur eine Zeitreihenextrapolation durchzuführen. Wenn beispielsweise eine Fluggesellschaft 100 A320 betreibt und eine bestimmte Pumpe eine MTBUR von 5000 Flugstunden hat, können Sie ungefähr vorhersagen, wie viele Ausfälle pro Jahr zu erwarten sind (mit Variabilität). Dies ist sehr spezifisch für MRO und unterscheidet sich von der Prognose, sagen wir, dem Verkauf von Ersatzteilen an Kunden. Armacs Partnerschaft mit der Wissenschaft und “Big-Data-Business-Intelligence-Techniken” ⁴¹ deutet darauf hin, dass sie Modelle erforscht und implementiert haben, die auf diese Art von Zuverlässigkeitsprognose ausgerichtet sind.

Armac bedient auch indirekt die “Go/No-Go”-Kritikalität, indem es sich auf die technische Zuverlässigkeit des Versands konzentriert. In einer Fluggesellschaft ist die Zuverlässigkeit des Versands (der Prozentsatz der Flüge, die ohne durch Wartung verursachte Verspätung oder Stornierung abfliegen) ein Schlüsselindikator. Die Verfügbarkeit von Ersatzteilen, insbesondere von No-Go-Artikeln, treibt dies direkt an. Armacs Fallstudien (wie Iberia) zeigen, dass das Ziel darin bestand, die Materialverfügbarkeit zu verbessern und gleichzeitig die Kosten zu senken ⁴⁴. Der CEO von Armac betonte die Verbesserung der Verfügbarkeit von Ersatzteilen zu den niedrigsten wirtschaftlichen Kosten ⁴⁵. Sie führen also ganz klar eine wirtschaftliche Optimierung durch: Sie stellen sicher, dass kritische Teile immer vorrätig sind (um AOG zu vermeiden), aber sie überbestücken nicht überall.

Eine interessante Anmerkung: Armacs RIOsys integriert sich mit bestehenden ERPs (wie SAP), um eine “zusätzliche Schicht an Intelligenz” ⁴⁶ zu bieten. Dies zeigt, dass sie das Transaktionssystem nicht ersetzen, sondern es ergänzen - ein häufiges Thema in der Optimierungssoftware. Die Integration mit SAP war ein Verkaufsargument (sie haben die SAP-Zertifizierung erreicht usw.), aber wiederum erfordert die Integration Arbeit.

Armac bietet wahrscheinlich viel Automatisierung für Planer, in dem Sinne, dass es Empfehlungen generiert (z.B. lagern Sie dieses Teil an Basis X, verschieben Sie diese überschüssigen Einheiten von Basis Y nach Z, reparieren Sie jetzt diese vielen Einheiten usw.). Es hat wahrscheinlich auch benutzerfreundliche Dashboards, die Überschüsse und Mängel hervorheben und bei der Priorisierung von Maßnahmen helfen ⁴⁷. Dies ist entscheidend für kleinere Planungsteams - das Tool muss ihnen sagen, was sie heute tun sollen. Der Einsatz von Armac bei Iberia half angeblich dabei, “Überschüsse und Mängel zu identifizieren und tägliche Aktivitäten zu priorisieren” für Bestandsplaner ⁴⁷. Das deutet auf ein hohes Maß an systemgeleiteter Entscheidungsfindung hin - ein Zeichen für starke Automatisierung.

Auf der skeptischen Seite, weil Armac kleiner ist und nicht so sichtbar im Marketing, gibt es weniger unabhängige Bewertungen. Es klingt sehr kompetent für die Luftfahrt, aber verwendet es wirklich modernste Algorithmen? Oder liegt sein Erfolg hauptsächlich darin, dass es maßgeschneidert ist (mit vielen Expertenregeln und Vorlagen speziell für Fluggesellschaften)? Zum Beispiel könnte Armac ziemlich standardisierte statistische Modelle verwenden, die aber mit den richtigen Parametern für Luftfahrtszenarien vorab konfiguriert sind. Das ist immer noch wertvoll, aber nicht “magisch”. Die Erwähnung von “kontinuierlich verfeinerten” Modellen ⁴³ deutet darauf hin, dass ein gewisses maschinelles Lernen oder zumindest iterative Kalibrierung stattfindet, was gut ist.

Eine mögliche Schwäche könnte die Skalierung und Ressourcen sein: Als kleinerer Anbieter kann Armac in die neueste KI-Forschung in demselben Tempo wie beispielsweise PTC oder Lokad investieren? Wahrscheinlich nicht, aber da sie fokussiert sind, benötigen sie möglicherweise keine ausgefallene KI, wenn ihre entwickelte Lösung bereits gut in den Bereich passt. Außerdem könnte die Tatsache, dass sie im Besitz von SR Technics (einem großen MRO) sind, bedeuten, dass sie tiefgreifendes Domain-Feedback haben, aber auch, dass ihr Horizont möglicherweise auf die Bedürfnisse dieses Eigentümers beschränkt ist.

Armac preist “KI” nicht lautstark in ihren Pressemitteilungen an - sie verwenden Begriffe wie “neue Generation, intelligente Bestandsplanung” und “Big-Data-Techniken” ⁴¹, die Schlagworte sind, aber nicht sehr spezifisch. Es lohnt sich, Armac nach Einzelheiten zu fragen: Simulieren sie die Variabilität des Reparaturzyklus? Optimieren sie sowohl die Füllrate als auch die Anlagenauslastung? Wie gehen sie mit der Obsoleszenz von Teilen um (warnt das System, wenn ein Teil ausläuft, damit Sie es nicht überbestücken)? Angesichts ihrer Nische haben sie wahrscheinlich Funktionen für die Planung des Lebensendes und die Optimierung der Rotationspool, die andere vielleicht nicht betonen.

Die Integration bleibt eine Herausforderung: Auch mit einer SAP-Integration verwenden nicht alle Fluggesellschaften Standard-Systeme. Viele verwenden spezialisierte MRO-Systeme wie AMOS, Ultramain usw. Armac müsste diese abbilden oder sich auf Datenexporte verlassen. Nicht Plug-and-Play, aber ihr Team hat dies wahrscheinlich für ähnliche Kunden getan.

Abschließend ist Armac Systems’ RIOsys eine starke Wahl speziell für die Luftfahrt-MRO, die wahrscheinlich viel Wert mit relativ weniger Konfiguration bietet, wenn Sie ihrem typischen Profil entsprechen (Fluggesellschaft mit mehreren Wartungsbasen, Mischung aus rotierenden und verbrauchbaren Ersatzteilen). Es kann als modernste in Bezug auf die Domain-Ausrichtung betrachtet werden - es kennt Ihr Problem genau. Auf reiner Technologieebene verwendet es wahrscheinlich fortgeschrittene Analysen (wenn nicht modernste KI, zumindest sehr spezialisierte Algorithmen). MRO-Manager, die Armac bewerten, sollten überprüfen, ob das Tool tatsächlich alle modernen Bedürfnisse abdeckt (vielleicht fragen, ob sie probabilistische Prognosen oder Optimierungslöser verwenden, usw.). Die nachgewiesene Erfolgsbilanz (Einsparungen in Höhe von “Millionen für Luftfahrtorganisationen” werden behauptet ⁴¹) verleiht Armac Glaubwürdigkeit. Gehen Sie einfach mit einer “Vertrauen, aber überprüfen”-Einstellung an ihre ROI-Aussagen heran und stellen Sie sicher, dass Sie die IT-Unterstützung haben, um sie in Ihre Umgebung zu integrieren.

Baxter Planning (Prophet von Baxter) - Kostenorientierte Planung mit Mensch-in-der-Schleife

Baxter Planning ist ein etablierter Anbieter im Bereich Service-Teile-Management und seit den 1990er Jahren tätig. Ihre Lösung, oft als Prophet bezeichnet, zielt auf eine breite Palette von Branchen (Technik, Medizintechnik usw.) ab und beinhaltet den MRO/Luftfahrtsektor in gewissem Maße (obwohl ihr stärkster Fußabdruck in Technik und Telekommunikations-Hardware-Service-Teilen liegt). Baxters Ansatz basiert auf praktischer Planungserfahrung - der Gründer war selbst ein Service-Teile-Planer - so dass die Software reale Prozesse widerspiegelt. Das bedeutet, dass sie die End-to-End-Planung abdeckt: Prognose, Bestandsoptimierung, Nachschub, Reparaturplanung, Lebenszyklusmanagement, Überschussmanagement, usw., in einem System ⁷.

Ein zentraler Grundsatz von Baxters Methode ist die “Gesamtkostenoptimierung” ⁴⁸. Sie berücksichtigen explizit die Teilekosten, den Standort und die Kunden-/Anlagenkritikalität bei der Bestandsplanung. Mit anderen Worten, ihr Motor versucht, die Gesamtkosten des Bestands zu minimieren, während er die Serviceziele erfüllt. Zum Beispiel könnte das System bei einem sehr teuren und nur mäßig kritischen Teil eine längere Vorlaufzeit akzeptieren (vielleicht auf Notbestellungen angewiesen), anstatt viele auf dem Regal zu lagern. Umgekehrt könnte der Prophet für ein No-Go-Teil an einem abgelegenen Standort empfehlen, Ersatzteile zu lagern, trotz geringer Nachfrage, weil die Kosten für einen Ausfall (AOG, Ausfallzeit) zu hoch sind. Dies ist eine wirtschaftliche Optimierungsphilosophie und ist das, was “Preis-Leistungs-Verhältnis” bei Lagerentscheidungen bedeutet. Baxter verdient Anerkennung dafür, dass er dieses Denken eingebaut hat.

Allerdings scheint Baxter dies durch eine Menge von benutzergesteuerten Einstellungen, die durch Automatisierung ergänzt werden, zu erreichen. Ihr System ermöglicht es den Planern, Attribute wie Teilekritikalität, Support-Verpflichtungen (SLAs) einzugeben, und die Software wird innerhalb dieser Beschränkungen optimieren. Aber macht es probabilistische Prognosen? Aus öffentlichen Informationen geht das nicht sehr klar hervor. Als ältere Lösung hat es wahrscheinlich mit traditionellen Prognosen (gleitende Durchschnitte, exponentielle Glättung) begonnen und vielleicht später Crostons oder Bootstrap für intermittierende Nachfrage hinzugefügt. Es ist vielleicht nicht so explizit probabilistisch wie Lokad oder Smart. Stattdessen könnte Baxter den Bestand durch Szenarioanalyse oder Service-Level-Formeln optimieren.

Bei intermittierender Nachfrage erkennt Baxter definitiv das Problem - ihre Literatur würde über langsam bewegliche Teile sprechen, die eine besondere Behandlung benötigen. Die Frage ist, ob sie sich darauf verlassen, dass der Planer diese Teile klassifiziert und eine Methode auswählt, oder ob das System sich anpasst. Angesichts der Ära, in der es gebaut wurde, vermute ich eher Ersteres: Der Planer legt zum Beispiel eine Prognosemethode fest (vielleicht hat Prophet ein “intermittierendes Nachfrageprognose”-Modul, das eine bestimmte Technik verwendet), und dann verwendet das System das, um die Lagerbestände zu berechnen.

Baxters Tool legt Wert auf Automatisierung in der Ausführung: Dinge wie Supply Order Automation (automatische Generierung von POs, Reparaturaufträgen) und Redeployment (Verschiebung von überschüssigem Lagerbestand dorthin, wo er benötigt wird) sind in seiner Funktionsliste ⁴⁹. Dies ist entscheidend, wenn man mit Tausenden von Teilen umgeht - man möchte, dass das System automatisch empfohlene Aktionen auslöst und die Planer nur bei Ausnahmen einbezieht. Nach den meisten Berichten kann Prophet eine große Skala (Zehntausende von Teilen an vielen Standorten) bewältigen, weil einige ihrer Kunden große Technologieunternehmen mit globalen Ersatzteillagern sind.

Ein Punkt, auf den man achten sollte, ist, dass Baxter Planning historisch gesehen viel Kundenanpassung betrieben hat. Als kleineres privates Unternehmen haben sie oft Funktionen für spezifische Bedürfnisse angepasst oder hinzugefügt. Das bedeutet, dass Ihre Erfahrungen variieren können - ein Unternehmen könnte Baxters fortgeschrittene Min-Max-Optimierung nutzen, ein anderes könnte es in einem einfacheren Min-Max-Modus verwenden. Es ist flexibel, aber diese Flexibilität deutet auch darauf hin, dass es Sie out-of-the-box vielleicht nicht in eine “Best Practice” zwingt - es gibt Ihnen Werkzeuge.

Baxter vermarktet nicht lautstark KI/ML. Sie sind eher zurückhaltend, was ein Pluspunkt sein kann (weniger Hype). Aber das bedeutet auch, wenn Sie nach modernster Prognose suchen, müssen Sie fragen: Halten sie Schritt mit neuen Methoden? Es ist möglich, dass sie in neueren Versionen neuere Algorithmen eingebaut haben, aber diese sind nicht gut publiziert.

Angesichts von Baxters Klientel haben sie vielleicht nicht so viele luftfahrtspezifische Funktionen eingebaut. Zum Beispiel, behandeln sie harte Lebensdauergrenzen (wo ein Teil nach X Nutzungen verworfen wird)? Vielleicht als benutzerdefiniertes Feld, aber nicht sicher, ob die Optimierung natürlich dafür sorgt (über die Prognose der Nachfrage, wenn der Ersatz fällig wird). Sie behandeln Lebenszyklus-Status (neue, auslaufende Teile) und können die Planung des letzten Kaufs für Obsoleszenz durchführen, was in der Luftfahrt relevant ist, wenn Teile aus der Produktion gehen.

Bei Ergebnisbehauptungen neigt Baxter dazu, keine sensationellen Prozentsätze zu veröffentlichen. Sie konzentrieren sich darauf, wie sie Planern helfen, Ziele zu erreichen, anstatt “wir haben den Bestand um X% reduziert”. Dies könnte tatsächlich auf einen realistischen Ansatz hindeuten: Verbesserungen treten auf, aber sie hängen davon ab, wie das Tool verwendet wird.

Integration: Prophet von Baxter sitzt in der Regel neben einem ERP/MRO-System. Die Integration ist vergleichbar mit anderen - Einbringung von Nutzung, Bestand, BOM, etc. Baxter hat wahrscheinlich vorgefertigte Anschlüsse für gängige Systeme (sie erwähnen die Unterstützung von flachen Liefernetzwerken und die Integration mit anderen Unternehmenssystemen). Niemand sollte jedoch Plug-and-Play erwarten; es wird einige IT-Arbeit benötigt.

Im Skeptizismus sollte man prüfen, ob Baxters Lösung wirklich optimiert oder eher eine Entscheidungsunterstützung ist, die immer noch kritische Entscheidungen den Menschen überlässt. Die Erwähnung, dass viele Baxter-Kunden sich eher auf die Kostenoptimierung von Vorlauf-Lagerstandorten als auf Multi-Echelon konzentrieren, deutet darauf hin, dass das Tool möglicherweise oft in einem einfacheren Modus verwendet wird (Optimierung jedes Standorts einzeln auf ein Kostenziel). Es wird darauf hingewiesen, dass einige Kundennetzwerke flach sind, so dass Multi-Echelon kein Anliegen war. Aber für eine Fluggesellschaft mit einem zentralen Lager und Außenstationen ist Multi-Echelon wichtig; hoffentlich kann Baxter das bei Bedarf bewältigen.

Zusammenfassend bietet Baxter Planning ein gut abgerundetes, wenn auch traditionelles, Service-Teile-Planungssystem an. Es ist zuverlässig, konzentriert sich auf Kosten- und Service-Trade-offs und automatisiert viele Aufgaben. Es hat vielleicht nicht die schillerndsten KI-Funktionen, aber es hat Tiefe in praktischer Funktionalität. MRO-Manager sollten Baxter als eine “sichere Hand” Lösung sehen - wahrscheinlich, um Dinge durch Anwendung bewährter Methoden zu verbessern. Seien Sie sich nur bewusst, dass Sie vielleicht nicht an die Spitze der Analytik springen; Sie erhalten einen soliden, vielleicht etwas konservativen, Ansatz. Wenn Ihre Organisation mehr Kontrolle und Transparenz bevorzugt (im Gegensatz zu einer Black-Box-KI), könnte Baxters Stil tatsächlich bevorzugt werden. Sein Skeptizismus-Punkt: Stellen Sie sicher, dass das System nicht zu sehr von statischen Benutzereingaben abhängig ist (z.B. sollte es nicht verlangen, dass Sie eine Menge von Teileparametern manuell pflegen). Fragen Sie, wie es sich an Veränderungen anpasst (passt es die Prognosen automatisch in jedem Zyklus an, lernt es Saisonalität oder Nutzungsraten, etc.?). Wenn es passt, kann Baxter stetige Vorteile liefern, ohne Wunder zu versprechen.

Smart Software (Smart IP&O) – Nischenexperte in der Prognose von intermittierender Nachfrage

Smart Software ist ein kleinerer Anbieter, der sich einen Ruf für die Bewältigung eines der schwierigsten Teile des Problems erarbeitet hat: die Prognose von intermittierender Nachfrage. Ihre Lösung, die nun als integrierte Plattform namens Smart IP&O (Inventory Planning & Optimization) angeboten wird, stammt aus akademischen Arbeiten zur Verbesserung der Methode von Croston. Tatsächlich hat Smart Software eine patentierte Bootstrapping-Methode für die Prognose von intermittierender Nachfrage eingeführt, die einen Preis von APICS ⁸ gewonnen hat. Diese Methode ist gut in White Papers dokumentiert und erzeugt im Wesentlichen viele synthetische Nachfrageszenarien auf der Grundlage der Historie, um eine vollständige Verteilung der Nachfrage über eine Vorlaufzeit zu erstellen ^{8 50}. Das Ergebnis ist eine Wahrscheinlichkeitskurve, wie viele Einheiten benötigt werden könnten, anstatt einer einzigen Schätzung. Damit können Sie nahezu optimale Lagerbestände für eine gewünschte Service-Wahrscheinlichkeit planen.

Für die Luftfahrt MRO, wo 80%+ der Teile langsam bewegend sein könnten mit vielen Nullen in der Nachfrage ^{51 52}, kann die Prognosegenauigkeit von Smart ein Spielwechsler sein. Traditionelle Prognosen (gleitende Durchschnitte, etc.) versagen kläglich bei solchen Daten. Smarts probabilistischer Ansatz behandelt die “klumpige” Natur, indem er sie nicht glättet, sondern sie akzeptiert. Er kann ungewöhnliche Muster wie “wir sehen normalerweise 0, aber gelegentlich 5 Einheiten in einem Spike” sehr gut modellieren.

Die Technologiedetails von Smart sind erfrischend konkret: sie erwähnen, dass sie keine bestimmte Verteilung annehmen (also zwingen sie nicht blind Normal- oder Poisson-Verteilungen) und verwenden stattdessen empirische Daten, um Ergebnisse zu simulieren ⁵³. Sie weisen speziell darauf hin, dass die Nachfrage oft „nicht einer einfachen Normalverteilung entspricht“, daher ihr Bootstrapping-Ansatz ⁸. Sie erzeugen dann die „gesamte Verteilung der kumulierten Nachfrage über die gesamte Vorlaufzeit eines Artikels“ ⁵⁴. Damit ist die Berechnung des Sicherheitsbestands für, sagen wir, ein 95% Servicelevel einfach und genau - einfach das 95. Perzentil dieser Verteilung.

Die Lösung von Smart Software geht über reine Prognosen hinaus; ihre IP&O-Plattform umfasst auch Module für Bestandsoptimierung und Nachfrageplanung. Der Kernunterschied besteht jedoch weiterhin im Prognoseteil. Der Optimierungsteil verwendet wahrscheinlich diese Prognoseverteilungen, um Nachbestellpunkte, Bestellmengen usw. zu berechnen, um den Bestand zu minimieren und dabei die Serviceziele zu erreichen. Es ist möglicherweise weniger ausgefeilt in Bezug auf die Optimierung auf mehreren Ebenen oder Dinge wie reparierbare Teileschleifen. Man könnte die Ausgabe von Smart in ein anderes System für diese Zwecke integrieren oder jeden Standort separat in Smart verwalten (der Fokus lag historisch gesehen auf einer einzigen Ebene, aber sie könnten in IP&O Funktionen für mehrere Standorte hinzugefügt haben).

Ein Vorteil der Größe und des Fokus von Smart ist, dass sie oft mit beliebten EAM/ERP-Systemen in der Wartung integrieren. Zum Beispiel listen sie Integrationen mit IBM Maximo, SAP, Oracle usw. auf ⁵⁵. Dies deutet darauf hin, dass Sie ihren Prognosemotor relativ einfach an Ihr bestehendes System anflanschen können. Im Grunde würden Sie Smart verwenden, um Bestandsparameter zu berechnen (wie Min/Max oder Sicherheitsbestand für jedes Teil) und diese dann zurück in das ERP zur Ausführung zu schieben. Dies ist ein anderes Paradigma als das vollständige Ersetzen Ihres Planungssystems.

Nun zu ihren Behauptungen: Smart zitiert oft, dass Unternehmen, die ihre Lösung verwenden, “den Bestand im ersten Jahr um ~20% reduzieren und die Teileverfügbarkeit um 10-20% erhöhen” ⁵⁶. Diese sind im Rahmen des Möglichen und weniger bombastisch als einige Behauptungen, die wir sehen (und sie stimmen mit typischen Verbesserungen durch bessere Prognosen überein). Es impliziert, dass Unternehmen zuvor entweder “für den Fall der Fälle” überbestückt oder falsche Artikel bestückt haben; durch die Optimierung haben sie 20% des Bestands freigesetzt und dabei tatsächlich den Service verbessert. Dennoch bestätigt keine unabhängige Quelle diese genauen Zahlen für jeden Fall - betrachten Sie es also als Durchschnitt der Erfolgsgeschichten. Es ist nicht garantiert, aber es ist plausibel, wenn ein Unternehmen zuvor keine probabilistische Planung hatte.

Da Smart hochspezialisiert ist, ist der Skeptizismus, den man anwenden sollte: Kann es den gesamten Umfang der Bedürfnisse der Luftfahrt MRO abdecken? Prognosen zu erstellen und Bestandsniveaus festzulegen, ist eine Sache; aber wie steht es mit der Verwaltung von Reparaturdurchlaufzeiten, dem Pooling von Rotables oder dem dynamischen Ausgleich von Beständen über die Basen hinweg? Smart IP&O hat vielleicht nicht all diese Extras eingebaut. Es könnte einen ziemlich standardisierten Prozess annehmen, bei dem der Bestand jedes Standorts auf ein Ziel-Servicelevel geplant wird und das war’s. Es optimiert möglicherweise nicht, welche Standorte Bestand halten sollten, wenn Sie ein Netzwerk haben - zumindest nicht in dem Maße, wie es ein Multi-Echelon-Tool tun würde. Außerdem berücksichtigt es wahrscheinlich nicht explizit Zuverlässigkeitsingenieurmetriken (es sei denn, Sie speisen diese irgendwie in die Nachfragehistorie ein).

Eine weitere Vorsicht ist Automatisierung vs. Benutzereingabe: Smarts Tools berechnen Zahlen, aber der Benutzer muss oft die Servicelevel-Ziele festlegen (obwohl sie “nahezu 100% Genauigkeit” beanspruchen, also streben sie vielleicht nach hohem Service und optimieren die Kosten). Smart zwingt Sie nicht, für jede SKU ein Prognosemodell auszuwählen; der Algorithmus arbeitet automatisch auf den Daten. Das ist gut. Aber Sie müssen immer noch Ausnahmen verwalten - z.B., wenn ein Teil veraltet wird, müssen Sie das System informieren oder die Prognose manuell anpassen. Die “Gen2”-Technologie, die sie erwähnen ⁵⁷, könnte mehr automatische Identifikation von Nachfrageursachen beinhalten, aber Details sind nicht öffentlich.

Die Integration (wieder) erfordert Aufwand. Smart liefert die Wissenschaft, aber Sie müssen ihm Daten füttern (saubere historische Nachfrage, etc.) und dann seine Ausgabe nehmen und implementieren. Wenn eine Organisation nicht bereit ist, den generierten Prognosen oder Sicherheitsbeständen zu vertrauen, könnte sie diese überschreiben, was den Nutzen reduziert. Smarts Erfolgsgeschichten beinhalten in der Regel ein engagiertes Team, das die Empfehlungen des Tools vollständig nutzt.

Insgesamt ist Smart Software eine Art Spezialwerkzeug, das die Planungsfähigkeit eines MRO erweitern kann. Es ist wohl der Stand der Technik bei der intermittierenden Nachfrageprognose - selbst einige größere Anbieter könnten in diesem speziellen Bereich weniger fortschrittliche Methoden verwenden. Wenn ein MRO das Gefühl hat, dass ihre größte Herausforderung die Prognosegenauigkeit für Tausende von sporadischen Teilen ist, ist Smart eine attraktive Lösung. Aber wenn die größere Herausforderung darin besteht, eine komplexe Reparatur-Supply-Chain zu optimieren, könnte Smart allein nicht ausreichen; es könnte ein Teil eines größeren Puzzles sein (vielleicht in Verbindung mit einem ERP oder einem anderen Planungssystem).

Für MRO-Manager mit einem technischen Schwerpunkt lohnt es sich, Smart IP&O nicht als vollständigen Ersatz für Planungssysteme zu betrachten, sondern als “Prognosemotor in einer Box”. Der Skeptizismus, den man aufrechterhalten sollte: Stellen Sie sicher, dass die Organisation auf diese Prognosen reagieren kann (haben Sie Prozesse, um die Lagerempfehlungen auszuführen?), und hinterfragen Sie Smart, wie es mit Dingen wie Lieferzeitvariabilität umgeht (sie sind großartig bei der Nachfragevariabilität; hoffentlich simulieren sie auch Lieferzeiten, oder zumindest erlauben sie Variabilitätspuffer). Klären Sie auch, wie es sich aktualisiert - wenn neue Daten hereinkommen, die einen Anstieg zeigen, wie schnell reagiert es und vermeidet es eine Überreaktion? Angesichts ihrer akademischen Strenge stehen die Chancen gut, dass sie darüber nachgedacht haben, aber es ist gut, dies zu überprüfen.

IBM MRO Inventory Optimization (Oniqua) - datengesteuerte Entscheidungsunterstützung

IBM’s MRO Inventory Optimization, im Wesentlichen das Produkt, das IBM 2018 von Oniqua erworben hat, wird als Analyseplattform für anlagenintensive Branchen wie Bergbau, Energie, Fertigung und ja, Luft- und Raumfahrt positioniert. Oniqua war bekannt für seinen beratungsintensiven Ansatz zur Optimierung von MRO-Beständen für Bergbauunternehmen, mit dem Schwerpunkt auf Minimierung von Ausfallzeiten und Reduzierung von Beständen. Als Teil von IBM wurde das Tool in IBMs Maximo und Supply Chain Suite integriert, kann aber auch eigenständig genutzt werden.

IBM MRO IO wird als „Kombination von statistischen Analysen, präskriptiven Analysen, Automatisierung und Optimierungsalgorithmen“ beschrieben, um Servicelevels zu verbessern und Kosten zu senken ⁹. Was das in der Praxis bedeutet: Es analysiert Ihre Nutzungs- und Bestandsdaten, identifiziert, wo Sie zu viel Bestand (Überschuss) haben und wo Sie Gefahr laufen, Bestandsausfälle zu haben, und verschreibt dann Maßnahmen wie “reduzieren Sie dies, erhöhen Sie das”. Es ist in etwa so, als hätte man einen klugen Analysten, der kontinuierlich Ihre MRO-Bestands-KPIs überprüft. Die Software beinhaltet Funktionen wie die Bewertung von Artikeln (wahrscheinlich eine Kritikalitäts- oder Risikobewertung) und Arbeitswarteschlangen für Planer ¹⁰. Das deutet darauf hin, dass es eine Liste von empfohlenen Maßnahmen generiert, die der Benutzer überprüfen soll - eine sehr praktische Möglichkeit, Tausende von Teilen zu handhaben.

Auf der Prognoseseite erwähnt IBM explizit “intermittierende Nachfrageprognose” als eine Fähigkeit von MRO IO ¹⁰. Angesichts des Hintergrunds von Oniqua haben sie wahrscheinlich die Methode von Croston oder eine Variante zur Prognose des sporadischen Gebrauchs von Teilen verwendet. Es mag nicht so fortschrittlich sein wie Smarts Bootstrap, aber es adressiert zumindest die intermittierende Natur. Darüber hinaus berücksichtigt IBMs Lösung Kritikalität, Lieferzeit und mehr bei der Überprüfung historischer Daten, um Erkenntnisse zu gewinnen ⁵⁸. Dies deutet auf eine regelbasierte Analyseebene hin: zum Beispiel könnte es hervorheben, dass “kritischer Teil X eine Lieferzeit von 90 Tagen hat und Sie keinen Sicherheitsbestand haben - hohes Risiko”. Das System könnte dann empfehlen, den Bestand von X zu erhöhen, und umgekehrt nicht kritische Teile mit zu viel Bestand kennzeichnen.

IBM prahlt auch mit Ergebnissen wie “50% Reduzierung der ungeplanten Ausfallzeiten im Zusammenhang mit Teilen” und “40% Reduzierung der Lagerkosten” ⁵⁹. Das sind sehr kühne Aussagen und repräsentieren wahrscheinlich die besten Szenarien. Wir sollten skeptisch sein: Eine 50%ige Reduzierung der Ausfallzeiten durch ein Tool ist enorm - das setzt wahrscheinlich voraus, dass die Ausfallzeiten durch die Nichtverfügbarkeit von Teilen verursacht wurden und Sie alle diese Fälle durch bessere Lagerhaltung behoben haben. In einer gut geführten Fluggesellschaft sind die durch Teile verursachten Ausfallzeiten bereits gering (sie bemühen sich, AOG um jeden Preis zu vermeiden). Daher könnte man etwas wie 50% nicht sehen. Ebenso ist eine 40%ige Reduzierung der Lagerkosten enorm - nur möglich, wenn das Unternehmen zu Beginn viel zu viel Lagerbestand hatte (häufig in einigen Schwerindustrien, die Ersatzteile horten, aber weniger in der kommerziellen Luftfahrt, die bereits aufgrund der hohen Kosten für Teile zu optimieren versucht). Daher sollten diese Zahlen als Ausreißer oder als von der Marketingabteilung ausgewählte Datenpunkte betrachtet werden ⁵⁹.

Technologisch gesehen verwendet IBMs Tool wahrscheinlich auch kein auffälliges AI/ML, abgesehen von vielleicht einiger Mustererkennung in Nutzungsdaten. IBM als Unternehmen macht viel mit AI (Watson, etc.), aber es gibt keine Anzeichen dafür, dass diese Ebene von AI hier eingebettet ist. Der Begriff “prädiktive und präskriptive Analytik” wird verwendet ⁶⁰, was in der Analytik oft bedeutet: prädiktiv = vorhersagen, was passieren könnte (z.B. zukünftige Teilausfälle oder Verbrauch vorhersagen), präskriptiv = Aktionen vorschlagen (z.B. dieses Teil jetzt bestellen, diese Bestellung reduzieren). Das ist wertvoll, kann aber mit relativ einfachen statistischen Modellen und Geschäftsregeln gemacht werden. Tatsächlich war Oniquas traditioneller Ansatz ziemlich beratend - sie würden Regeln und Schwellenwerte einrichten, die auf jeden Kunden abgestimmt waren (wie wenn ein Teil seit 5 Jahren nicht bewegt wurde, ist es überschüssig; wenn ein Teil im letzten Jahr einen Ausverkauf verursacht hat, vielleicht den Bestand erhöhen). IBM hat wahrscheinlich einige dieser Logik produktiv gemacht.

Ein möglicher Nachteil für einige: IBM MRO IO könnte davon ausgehen, dass Sie Ihre Wartungs- und Anlagendaten gut im Griff haben (da es oft mit Maximo verkauft wird). Wenn ein Luftfahrt-MRO Maximo nicht verwendet, kann er immer noch MRO IO verwenden, aber die Integration mit ihren Systemen und die Sicherstellung der Datenrichtigkeit (Gerätehierarchien, kritische Anlagendefinitionen, etc.) wird entscheidend sein. Die Behauptung, dass es “Datenanforderungen durch das Einlesen von Daten, wie sie sind” eliminiert, die wir bei einem Konkurrenten (Verusen) gesehen haben, ist nicht etwas, das IBM explizit behauptet - IBM weiß, dass die Datenbereinigung notwendig ist. Rechnen Sie also mit einer Daten-Vorbereitungsphase.

IBMs Lösung stützt sich wahrscheinlich in gewissem Maße auf Benutzereingaben für bestimmte Dinge: z.B. muss man Teile nach Kritikalität (go/no-go) im System klassifizieren, Lieferzeiten, Kosten, etc. festlegen. Die Optimierung erfolgt dann innerhalb dieser Parameter. Es weiß möglicherweise nicht automatisch über die Kritikalität eines Teils Bescheid, es sei denn, Sie füttern es damit. Es ist also nur so gut wie Ihre Datenverwaltung.

In Bezug auf die Automatisierung automatisiert IBM IO die Analyse, nicht unbedingt die Ausführung. Es gibt Ihnen eine To-Do-Liste; die eigentliche Bestellung könnte immer noch in Ihrem ERP von Ihren Planern durchgeführt werden. Dies ist eine etwas weniger integrierte Automatisierung als beispielsweise ein Tool, das direkt Kaufanforderungen erstellt. Aber einige Unternehmen bevorzugen diesen “Mensch-in-der-Schleife”-Ansatz, um zu vermeiden, dass das System eigenartige Entscheidungen trifft.

Angesichts der Unternehmensmacht von IBM kann man darauf vertrauen, dass der Integrationsaspekt gut unterstützt wird (insbesondere für IBMs eigenes Maximo oder SAP, mit dem IBM oft zusammenarbeitet). Aber wiederum ist “Plug-and-Play” unwahrscheinlich - IBM oder ein Partner werden wahrscheinlich ein ziemlich umfangreiches Projekt durchführen, um es an Ihre Wartungs- und Supply-Chain-Prozesse anzupassen.

Zusammenfassend lässt sich sagen, dass IBM MRO Inventory Optimization (Oniqua) eine robuste analytische Lösung ist, die gute Verbesserungen erzielen kann, insbesondere wenn Ihnen derzeit die Sichtbarkeit auf Ihre Lagerleistung fehlt. Es ist stark darin, offensichtliche Ineffizienzen (Überschuss, potenzielle Lagerausfälle) zu identifizieren und die niedrig hängenden Früchte zu optimieren. Es behandelt intermittierende Nachfrage und Kritikalität durch statistische und regelbasierte Methoden, allerdings nicht unbedingt die neuesten KI-Techniken. Für einen MRO-Manager in der Luftfahrt könnte dies eher ein inkrementelles Verbesserungswerkzeug als ein radikal neues KI-System sein - was völlig in Ordnung sein könnte, wenn Sie die Grundlagen richtig machen müssen. Skepsis sollte gegenüber den großen Verbesserungsansprüchen angewendet werden: Fragen Sie IBM, was diese Zahlen wirklich bedeuten und bitten Sie um Referenzen, die Ihrer Operation ähnlich sind. Stellen Sie außerdem sicher, dass die Arbeitsweise des Tools (Analyse-Dashboards usw.) zu Ihrem Team passt - es könnte erforderlich sein, dass Ihre Planer einen analytischeren Workflow übernehmen. Wenn Ihre Kultur dafür bereit ist, kann IBMs Lösung systematisch Verbesserungen vorantreiben. Wenn Sie eine Black-Box-KI erwartet haben, die alles ohne Aufsicht magisch optimiert, ist dies nicht der Fall (und ehrlich gesagt gibt es das noch nicht in einer Plug-and-Play-Form).

ERP-integrierte Lösungen (SAP SPP und Oracle) - Eingebaute Tools mit Einschränkungen

Es lohnt sich, die Optionen der großen ERP-Anbieter zu diskutieren, da sie “relevant” sind, insbesondere für Organisationen, die versuchen, die vorhandenen Systemfähigkeiten zu nutzen, bevor sie spezialisierte Software kaufen. SAP Service Parts Planning (SPP) und Oracles Ersatzteilmodule sind die wichtigsten.

SAP SPP: Teil von SAPs APO (Advanced Planning & Optimization) Suite und nun teilweise verfügbar in SAP IBP (Integrated Business Planning), wurde SPP Mitte der 2000er Jahre gemeinsam mit großen Industrieunternehmen entwickelt. Es beinhaltet Funktionen wie Multi-Echelon-Lageroptimierung, Prognose (einschließlich spezifischer intermittierender Nachfragemodelle) und Verteilungsbedarfsplanung für Service-Teile. SAP SPP kann auf dem Papier viel tun: es hat eine Croston’s Prognosemethode für intermittierende Nachfrage (SAP dokumentiert es sogar als “Prognosestrategie 80” mit Croston’s exponentieller Glättung für Größe und Intervall) ¹². Es hat auch eine aktualisierte Croston-Variante (Croston-TSB) ⁶¹. SAP hat also bekannte akademische Methoden für unregelmäßige Nachfrage eingebaut. Es kann auch seitliche Transshipments modellieren, hat eine integrierte Teile-Übernahme-Funktionalität (Produkt-Interchangeability) und kann den Lagerbestand über ein Netzwerk optimieren, gegebenenfalls Service-Level oder Füllraten. Caterpillar und Ford waren frühe Einflussnehmer, und es wurde behauptet, SAP SPP habe sehr fortschrittliche Funktionen (einige Analysten glaubten, es konkurriere mit den besten Tools) ⁶².

Die Realität in der Luftfahrt ist jedoch, dass nur wenige Fluggesellschaften oder MROs SAP SPP vollständig ausgeschöpft haben. Ein Grund ist die Komplexität und erforderliche Expertise. Die Einrichtung von SPP bedeutet die Konfiguration vieler Parameter: man muss jedem Teil Prognosemodelle zuweisen (Croston’s für wirklich intermittierende, vielleicht gleitender Durchschnitt für andere, etc.), Stammdaten wie Ein-/Auslaufkennzeichen pflegen und entscheidend, Ziel-Service-Level für jedes Teil oder Gruppe festlegen. SAP SPP entscheidet nicht von sich aus, welches Service-Level Sie benötigen - Sie sagen es ihm. Oft würden Unternehmen die ABC/XYZ-Klassifizierung verwenden, um Teile zu gruppieren und dann ein Service-Level-Ziel pro Gruppe festzulegen. Dieser Ansatz ist benutzerdefiniert und optimiert den Trade-off nicht wirklich. Es ist im Grunde eine Eingabe zur Optimierung. SAP berechnet dann die Lageranforderungen, um diese Eingaben bei minimalem Lagerbestand zu erfüllen (das ist der Optimierungsteil, vielleicht mit einem MILP-Solver für Multi-Echelon-Lager). Aber wenn diese Ziele nicht stimmen, sind die Ergebnisse nicht global optimal wirtschaftlich.

Eine weitere Herausforderung besteht darin, dass die Benutzeroberfläche und Alarmierung von SAP für SPP im Vergleich zu spezialisierten Tools nicht besonders benutzerfreundlich waren. Es ist in die SAP-Umgebung integriert, was gut für die IT ist, aber vielleicht nicht großartig für die Produktivität des Planers. Viele haben nur Teile davon verwendet (wie nur die Prognose oder nur die Vertriebsplanung, während sie andere Dinge in Excel verwalten).

Im Hinblick auf den aktuellen Stand der Technik ist SAP SPP heute gewissermaßen in der Zeit eingefroren. Der strategische Fokus von SAP hat sich auf IBP verlagert, und IBP für Ersatzteile holt funktional noch auf. Zum Beispiel wurden einige fortgeschrittene SPP-Funktionen zunächst nicht auf IBP übertragen. Wenn also ein Luftfahrt-MRO auf SAP setzt und erwägt, deren integrierte Planung zu nutzen, könnte es sein, dass sie feststellen, dass es viel Anpassung (und möglicherweise Drittanbieter-Add-Ons) erfordert, um alle Bedürfnisse zu erfüllen. Zum Beispiel könnten das Handling von zufälligen Reparatur-BOMs oder die Prognose von Ausbauraten nicht out-of-the-box sein; man müsste möglicherweise eine benutzerdefinierte Prognose auf Basis von Flugstunden oder Nutzung erstellen (einige SAP-Benutzer haben nach Prognosen aus installierten Basis-Treibern statt aus Verbrauchshistorie ⁶³ gefragt - was auf Lücken in der Standardfunktionalität für MRO-spezifische Prognosen hinweist).

Oracle: Oracles Service-Teileplanung (oft über die Value Chain Planning des Oracle E-Business Suite oder als Teil von Oracle Cloud SCM) bietet ähnlich grundlegende Funktionen. Sie umfasst Prognosen (wahrscheinlich bietet sie Croston oder ähnliche intermittierende Modelle an), Multi-Echelon-Bestandsoptimierung und Ausführungsintegration. Die Stärke von Oracle könnte in der Integration mit Oracle eAM (Enterprise Asset Management) und seinem ERP liegen, aber es wurde nicht als führend in diesem Bereich hervorgehoben. Oracle hat nicht einmal an einigen Benchmark-Studien für Service-Teile teilgenommen ⁶⁴, was darauf hindeutet, dass es nicht aggressiv vorangetrieben wird. Es funktioniert wahrscheinlich ausreichend, wenn es gut konfiguriert ist, aber wie SAP stützt es sich auf klassische Methoden und umfangreiche Datenvorbereitung. Oracles Ansatz ist in der Regel deterministisch, es sei denn, Sie lizenzieren ein Optimierungspaket - es kann Dinge wie die Berechnung eines Sicherheitsbestands auf Basis eines Konfidenzniveaus unter Annahme einer bestimmten Verteilung (oft normal oder Poisson) durchführen. Aber zu erwarten, dass Oracles System sich selbst optimiert oder maschinelles Lernen verwendet, wäre unrealistisch.

Gemeinsame Probleme (SAP/Oracle): Beide ERP-Lösungen leiden darunter, dass die Luftfahrt-MRO keine Einheitsgröße ist. Diese Systeme sind generisch, so dass etwas wie “go-if part that can defer replacement for 30 days” kein Standardparameter ist, den Sie umschalten können - Sie müssten diese Logik manuell einbauen (vielleicht indem Sie sagen, dass das Service-Level für dieses Teil etwas niedriger sein kann, etc.). Die Anpassung, um das Wartungsprogramm einer Fluggesellschaft wirklich zu modellieren, kann umfangreich sein. Zum Beispiel könnte die Modellierung von zufälligen Wartungs-BOMs in SAP die Einbindung von geplanten Wartungsplänen als abhängige Nachfragen und ungeplante als statistische Nachfragen, etc. beinhalten. Es ist machbar, aber komplex.

Außerdem, Überlastung durch benutzerdefinierte Einstellungen: In einem SAP oder Oracle könnten Planer viele Einstellungen pflegen müssen - wie Überprüfungsperioden, Losgrößenregeln, Mindestsicherheitsbestände, etc., denn sonst könnte das System nicht wie gewünscht funktionieren. Jede dieser Einstellungen ist eine Gelegenheit für Fehler oder suboptimale Entscheidungen. Diese Abhängigkeit von der manuellen Konfiguration des Benutzers ist genau das, was fortschrittlichere Lösungen versuchen, durch Automatisierung zu eliminieren.

Integrationsvorteil: Wenn Sie bereits SAP oder Oracle verwenden, bedeutet die Verwendung ihres Moduls keine umfangreiche Integration von Stammdaten - alles ist in einem System. Das ist ein Pluspunkt (keine Datenlatenz, keine Abstimmungsprobleme). Ironischerweise stellen Unternehmen jedoch oft fest, dass sie immer noch Schnittstellen erstellen müssen - zum Beispiel, um Daten in ein Prognosetool (wie Smart) oder ein benutzerdefiniertes Data Warehouse zu ziehen, um Dinge zu tun, die das Modul ihres ERP nicht konnte. Daher kann der Integrationsvorteil zunichte gemacht werden, wenn das integrierte Tool nicht vollständig auf der Höhe der Aufgabe ist und sie es mit anderen Tools ergänzen.

Aus einer skeptischen Sicht sind die Behauptungen von SAP und Oracle (wenn sie denn behaupten) in der Regel zahm; sie werfen nicht oft große % Verbesserungen öffentlich in den Raum, weil sie wissen, dass es von der Implementierung abhängt. Die Technik in diesen Systemen ist solide, aber nicht auf dem neuesten Stand - es handelt sich größtenteils um akademische Methoden aus dem späten 20. Jahrhundert, die in Software umgesetzt wurden. Ihnen fehlt auch der AI/ML-Buzz (abgesehen davon, dass SAP anfängt, über “nachfragegesteuertes MRP mit maschinellem Lernen” in anderen Kontexten zu sprechen, aber nicht speziell über Ersatzteilplanung).

Für einen MRO-Manager lautet die Schlussfolgerung: Wenn Sie diese bereits haben, könnten Sie versuchen, sie zu nutzen, aber seien Sie auf eine möglicherweise lange Reise des Tunings vorbereitet und erreichen Sie vielleicht nicht das Leistungsniveau, das spezialisierte Tools bieten könnten. Auf der anderen Seite tragen sie ein geringeres Anbieterrisiko (es ist SAP/Oracle, sie werden da sein, und es ist alles in einem System). Eine skeptische Studie würde zu dem Schluss kommen, dass während SAP und Oracle Lösungen relevant sind, hinken sie in der Regel sowohl in Bezug auf Automatisierung als auch auf Raffinesse hinter spezialisierten Anbietern her. Sie dienen als Basis, und viele Fluggesellschaften, die sie verwenden, ergänzen oder ersetzen sie schließlich durch eines der oben genannten Spezialwerkzeuge, um ihre MRO-Supply-Chain wirklich zu optimieren.

Aufkommende AI-Anbieter (z.B. Verusen) - Buzzwords zum Realitätscheck

Keine Marktstudie im Jahr 2025 wäre vollständig ohne die Erwähnung der neuen Welle von Startups und AI-getriebenen Lösungen, die für die Optimierung der Supply-Chain auftauchen. Im MRO-Bereich ist ein Beispiel Verusen, das sich als “Die einzige AI-Plattform, die speziell zur Optimierung von Bestand, Ausgaben und Risiken für die MRO-Supply-Chain von kapitalintensiven Herstellern entwickelt wurde” ⁶⁵ vermarktet. Diese kühne Behauptung löst sofort Skepsis aus - “einzige AI-Plattform” ist offensichtlich Marketing-Hyperbel (wie wir gesehen haben, behaupten auch viele etablierte Spieler AI in verschiedenen Formen).

Verusens Ansatz, basierend auf ihren Materialien, konzentriert sich stark auf Datenübernahme und -bereinigung. Sie heben Dinge wie “Daten so wie sie sind aus ERP/EAM-Systemen übernehmen” hervor und wenden AI an, um doppelte Materialien zu identifizieren und Daten zu konsolidieren ⁶⁶. Dies adressiert ein reales Problem: MRO-Daten sind oft unordentlich (gleiches Teil unter leicht unterschiedlichen Namen aufgezeichnet, etc.). Verusen verwendet maschinelles Lernen (wahrscheinlich NLP und Mustererkennung), um Materialstammdaten zu rationalisieren. Das ist wertvoll als Vorstufe zur Optimierung - wenn Ihre Daten ein Durcheinander sind, kann selbst der beste Algorithmus nicht helfen. So scheint sich Verusen darauf zu konzentrieren, eine genaue einzige Wahrheitsquelle für Teile zu erstellen und dann Optimierungsmöglichkeiten zu finden (wie das Identifizieren von Überbeständen in Werken, die geteilt werden könnten, oder das Reduzieren von Sicherheitsbeständen, wo es ein Überangebot gibt).

Wo Verusen und ähnliche Neueinsteiger leicht sind, ist die bewährte Tiefe in tatsächlichen Prognose- und Bestandsalgorithmen. Sie erwähnen AI im Allgemeinen, aber nicht im Speziellen. Man könnte vermuten, dass sie generische ML-Modelle zur Prognose des Verbrauchs verwenden (vielleicht ein neuronales Netzwerk, das den Verbrauch und andere Faktoren betrachtet). Ohne Details müssen wir vorsichtig sein. In der Supply-Chain haben viele Startups versucht, reine ML-Prognosen zu erstellen und festgestellt, dass sie nicht leicht gut abgestimmte statistische Modelle für intermittierende Nachfrage schlagen (was für Standard-ML sehr schwer vorherzusagen ist wegen so vieler Nullen).

Verusen betont auch, dass es cloudbasiert ist und schnell integriert werden kann - was ein Versprechen von mehr “Plug-and-Play” als bei älteren Anbietern impliziert. Hier jedoch geben wir eine starke Warnung: Unabhängig von der Plattform ist die Verbindung zu einem ERP-System eines Unternehmens und die Beschaffung aller relevanten MRO-Daten niemals wirklich Plug-and-Play. Jedes ERP- oder MRO-System hat benutzerdefinierte Felder, Erweiterungen und die Daten müssen oft bereinigt werden (doppelte Teile, fehlende Vorlaufzeiten usw.). Verusens Pitch, Daten “wie sie sind” ⁶⁷ zu schlucken, ist interessant - es deutet darauf hin, dass ihr AI das Rauschen durchdringen kann. Vielleicht kann es ähnliche Artikel gruppieren, um Duplikate aufzudecken oder fehlende Vorlaufzeiten aus dem Kontext zu schätzen. Das sind coole Features, aber ein Executive sollte nach Beweisen fragen, dass die AI es richtig macht. Sie wollen nicht, dass ein Algorithmus entscheidet, dass zwei Teilnummern Duplikate sind, wenn sie tatsächlich verschiedene kritische Teile sind.

Die skeptische Sicht auf neue AI-Einsteiger: Sie bringen frische Ideen und oft benutzerfreundliche Schnittstellen (modernes UX, Dashboards). Sie können einige Nebenprobleme wie Datenqualität und einfache Was-wäre-wenn-Analysen lösen. Aber ihnen fehlt manchmal das hart erarbeitete Domänenwissen, das in älteren Lösungen steckt. Ein AI-Startup könnte nicht wissen, dass “Teil ABC für den Flug nicht geht, aber bei Bedarf 3 Tage verschoben werden kann”, es sei denn, Sie sagen es ihm ausdrücklich; während ein domänenspezifisches Tool diese Logik haben könnte. Daher sollte jeder AI-Neuling darauf gedrängt werden, wie sie luftfahrtspezifische Anforderungen berücksichtigen: Lebensdauer, Zertifizierungsbeschränkungen, regulatorische Compliance (man kann nicht einfach irgendein Ersatzteil ohne ordnungsgemäße Dokumentation verwenden usw.), unter anderem.

Das heißt, einige neue Spieler könnten sich mit Domänenexperten zusammentun oder ehemalige MRO-Planer einstellen, um Regeln einzubauen. Es ist nicht unmöglich für sie aufzuholen, aber es ist etwas zu überprüfen, nicht anzunehmen.

Andere bemerkenswerte neue Ansätze beinhalten die Nutzung von IoT und prädiktiven Wartungsdaten direkt für die Bestandsplanung (einige Lösungen nehmen Sensordaten zur Vorhersage von Teilausfällen und binden diese dann in den Bestandsbedarf ein). Dieser Bereich entwickelt sich und kommt oft durch Wartungsvorhersagesysteme statt durch Bestandssysteme. Aber eine Konvergenz findet statt - z.B. könnte die prädiktive Wartungssoftware eines Motorenherstellers empfehlen, bestimmte Module an bestimmten Standorten zu lagern, weil sie ein erhöhtes Ausfallrisiko “sieht”. MRO-Manager sollten sich bewusst sein, dass die Landschaft mehr vertikale Integration sehen könnte (OEMs bieten End-to-End-Service einschließlich Bestandsoptimierung, unter Verwendung ihrer Daten über die Ausrüstung).

Im Wesentlichen sollten Sie ein Auge auf Startups haben, die AI/ML für MRO behaupten - sie könnten ein Stück des Puzzles anbieten oder sogar mit einem der größeren Tools integrieren (zum Beispiel ein Datenreinigungs-AI, das in ein Lokad oder Servigistics einspeist). Bewahren Sie Skepsis über ihre kühnen Aussagen, bis sie die Ergebnisse demonstrieren können. Oft haben kleine neue Anbieter begrenzte Fallstudien und das könnten Pilotprojekte sein, keine vollständigen Implementierungen.

Man sollte auch berücksichtigen, wie diese neuen Systeme mit den umfangreichen Prozessen und Altsystemen in der Luftfahrt koexistieren werden. Ein auffälliges AI-Tool, das seine Ergebnisse nicht einfach in Ihr bestehendes ERP zur Ausführung exportieren kann oder das keine Entscheidungen für Audits protokolliert (wichtig bei der Luftfahrtkonformität), wird auf Hürden stoßen. Führungskräfte werden sehen wollen, dass ein solches Tool in den Workflow integriert werden kann (was ironischerweise genauso viel Integrationsaufwand erfordern könnte wie jede andere Software).

Schlussfolgerung und Empfehlungen

Diese skeptische Marktstudie zeigt ein Ökosystem von Lösungen, die jeweils versuchen, die kniffligen Optimierungsherausforderungen von Ersatzteilen für die Luftfahrt-MRO zu lösen. Keine Lösung ist ein Allheilmittel, und hochtrabende Versprechen sollten immer mit technischen Fragen und Pilotversuchen hinterfragt werden.

Es gibt jedoch tatsächlich modernste Techniken: probabilistische Prognosen, Multi-Echelon-Optimierung und AI/ML zur Mustererkennung können die Leistung erheblich verbessern, wenn sie richtig implementiert sind. Anbieter wie Lokad treiben die Grenze dieser Methoden speziell für die Luftfahrt voran, während Giganten wie PTC Servigistics und Syncron viele fortschrittliche Funktionen einbeziehen, wenn auch hinter opaker Marketing-Sprache. ToolsGroup, Baxter, Smart, und andere bringen starke Kompetenzen mit, die, wenn sie mit den Bedürfnissen Ihrer Organisation abgestimmt sind, große Vorteile bringen können - solange Sie sie nicht einfach einschalten und Magie erwarten. Die Reife der internen Prozesse und die Datenqualität bleiben entscheidend.

Ein wiederkehrendes Thema ist der Kompromiss zwischen Automatisierung und Benutzerkontrolle. Hochautomatisierte, KI-gesteuerte Systeme können Skalierung und Komplexität (Zehntausende von P/Ns) bewältigen, können sich aber wie eine “Black Box” anfühlen. Ältere oder manuellere Systeme geben den Benutzern mehr Hebel, aber auf Kosten einer überwältigenden Komplexität für große Kataloge. Das Ideal scheint ein System zu sein, das die Routinearbeit automatisiert (Prognose, Berechnung des optimalen Bestands), aber Transparenz und Überschreibmöglichkeit für Planer bei Ausnahmen bietet. Bei der Bewertung von Anbietern sollten MRO-Manager fragen: Passt sich das System automatisch an Änderungen der Nachfrage/Lieferzeit an, oder muss ich Einstellungen anpassen? Wenn ein Anbieter darauf besteht, dass Sie viele Min/Max- oder Klassifizierungsregeln beibehalten, ist das ein Zeichen für schwächere Technologie (oder zumindest, dass die Technologie nicht voll ausgenutzt wird).

Seien Sie sehr skeptisch gegenüber jedem Anbieter, der eine “Plug-and-Play-Integration” in Ihre MRO-Systeme anpreist. Die IT-Landschaften der Luftfahrt-MRO sind heterogen - ob Sie AMOS, TRAX, Ultramain, Maximo, SAP oder etwas Eigenes verwenden, die Integration eines Optimierungstools erfordert das Mapping von Datenfeldern und wahrscheinlich die Bereinigung von Daten. Ein Anbieter, der behauptet, er könne innerhalb von Wochen mit minimalem IT-Aufwand implementieren, unterschätzt wahrscheinlich die Arbeit oder geht von einem sehr engen Umfang aus. Es ist ratsam, Zeit für die Integration und das Testen einzuplanen und Ihre IT-Mitarbeiter frühzeitig einzubeziehen, um diese Behauptungen zu überprüfen.

Ein weiteres Warnsignal ist die Abhängigkeit von Fallstudien oder Analystenberichten, die zu gut klingen, um wahr zu sein. Viele Fallstudien erwähnen nicht die Herausforderungen oder die Ausgangslage. Zum Beispiel könnte “der Bestand wurde um 30% reduziert” großartig klingen, aber wenn das Unternehmen ursprünglich kein Planungssystem hatte, dann könnte eine Verbesserung um 30% durch jeden anständigen Prozess erreicht werden. Ebenso könnte “der Servicelevel wurde auf 99% verbessert” bedeuten, dass sie stark überbestückt haben. Graben Sie immer tiefer: Fragen Sie nach den Vorher-Nachher-Metriken im Kontext, und noch besser, sprechen Sie direkt mit Referenzkunden, wenn möglich, anstatt polierten Zitaten zu vertrauen.

Auf der anderen Seite ist es ein gutes Zeichen, wenn Anbieter spezifische technische Details oder Methoden liefern. Das bedeutet, dass sie konkrete Methoden haben und nicht nur Buzzwords. Zum Beispiel zeigt die offene Erklärung von Smart Software über ihre Bootstrapping-Methode ⁸, oder Lokad, die über differentiable Programmierung sprechen, Substanz. Anbieter, die einfach “AI/ML” herumwerfen, ohne zu erklären, wie es auf das Problem angewendet wird, erwarten wahrscheinlich, dass Käufer es nicht hinterfragen - aber das sollten Sie unbedingt tun. Lassen Sie sie erklären, zum Beispiel, wie ihr maschinelles Lernen mit einem Teil umgeht, der die meisten Monate keine Nutzung hat und dann plötzlich benötigt wird - welche Eingaben verwendet das ML? Wenn sie mit Fachjargon und ohne Klarheit antworten, seien Sie vorsichtig. Wenn sie artikulieren können, sagen wir, “wir clustern ähnliche Teile und verwenden ein Bayessches Modell, das Flottenbetriebsstunden mit historischen Entfernungen kombiniert”, dann haben sie zumindest einen Ansatz.

Zusammenfassend, für MRO-Manager, die diese Lösungen bewerten:

• Passen Sie das Werkzeug an Ihr Problem an: Wenn Sie unter stark schwankender Nachfrage und Ausfällen leiden, priorisieren Sie Anbieter mit bewährter probabilistischer Prognose (Lokad, ToolsGroup, Smart, Syncron in gewissem Maße). Wenn Ihr Problem Überbestand und mangelnde Sichtbarkeit ist, könnte ein präskriptives Analysetool (IBM/Oniqua oder Baxter) ausreichen, um Fett zu trimmen.
• Bewerten Sie die Fähigkeiten Ihres Teams: Ein sehr fortgeschrittenes System erfordert qualifizierte Planer/Analysten, um damit zu interagieren (oder die Experten des Anbieters, um Sie zu unterstützen). Ein einfacheres System könnte von einem schlanken Team betrieben werden, könnte aber nicht jeden Cent der Optimierung auspressen.
• Planen Sie Daten- und Integrationsarbeit ein: Investieren Sie in die Bereinigung von Teilestammdaten, Nutzungsdaten und das Einrichten von Schnittstellen, unabhängig von der Software. Das ist weniger sexy als KI, aber grundlegend.
• Pilotieren und überprüfen: Führen Sie einen Piloten mit einer Teilmenge von Teilen oder einem Standort durch. Sehen Sie, ob die ausgeklügelten Algorithmen des Anbieters tatsächlich sinnvolle Empfehlungen liefern (z.B. kein Bestand an einem kritischen Teil? oder riesiger Bestand an etwas Billigem?). Überprüfen Sie ihre Optimierung durch Simulation von Szenarien. Ein guter Anbieter wird mit Ihnen daran arbeiten; ein unsicherer wird zu viel Prüfung vermeiden.

Das Problem des Luftfahrt-MRO-Inventars wird oft als „verrückt herausfordernd“ ⁶⁸ beschrieben - in der Tat ist es das. Aber die heutigen Werkzeuge steigen, um dieser Herausforderung zu begegnen. Indem man den Hype durchschneidet und sich auf überprüfbare Fähigkeiten konzentriert, kann ein MRO eine Lösung wählen, die ihr Teilemanagement wirklich optimiert, greifbare Zuverlässigkeitsverbesserungen und Kosteneinsparungen liefert. Denken Sie nur an das Motto des Skeptikers: In Gott vertrauen wir, alle anderen - bringen Daten. Jeder Anbieter sollte in der Lage sein, Daten zu zeigen, die ihre Behauptungen im Kontext Ihres Betriebs stützen. Mit dieser Sorgfalt können Sie einen Softwarepartner finden, der über Marketingversprechen hinaus zu realen Erfolgen in Ihrer Supply Chain führt.

Fußnoten