Optimierungssoftware für die Luftfahrt-Instandhaltung, Februar 2025

Zuletzt geändert am: 2. Februar 2025

Einführung

Luftfahrt-Instandhaltungs-, Reparatur- und Überholungs (MRO) Lieferketten sind mit extremer Komplexität konfrontiert. Fluggesellschaften und MRO-Anbieter verwalten umfangreiche Langschwanzteile-Bestände mit unregelmäßiger, spärlicher Nachfrage und stark variablen Vorlaufzeiten und Preisen. Unvorhersehbare Ausfälle und zufällige Stücklisten für Reparaturen bedeuten, dass der Verbrauch ohne Vorwarnung steigen kann. Teile haben oft strenge Lebenszyklen (z. B. maximale Zyklen oder Flugstunden) und Klassifizierungen nach Kritikalität (“no-go”-Teile, die Flugzeuge am Boden halten, gegenüber “go-if”- oder aufschiebbaren Elementen). Diese Faktoren machen Prognose- und Lagerentscheidungen berüchtigt schwierig - eine delikate Balance zwischen der Vermeidung von AOG-Vorfällen (Flugzeuge am Boden) und der Minimierung von überschüssigem Bestand.

Mehrere Softwareanbieter behaupten, diese Herausforderungen mit spezialisierten Optimierungstools zu lösen. Diese Studie nimmt eine skeptische Tiefenanalyse der führenden “Aviation 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 Vorlaufzeiten), ökonomische Optimierung (Maximierung des Nutzens bei Lagerentscheidungen) und hohe Automatisierung, um mit zehntausenden oder hunderttausenden von Teilenummern umzugehen? Marketingaussagen über “KI/ML-gesteigerte” Verbesserungen - wie dramatische Reduzierungen des Lagerbestands oder Steigerungen des Servicelevels - werden auf ihren Gehalt hin überprüft. Wir suchen speziell nach Hinweisen auf fortschrittliche Technik (oder deren Fehlen) hinter diesen Behauptungen und ob die Tools auf automatisierten Analysen oder umständlichen benutzerdefinierten Parametern beruhen. Schließlich betrachten wir die Integrationsrealitäten in der unübersichtlichen IT-Landschaft der Luftfahrt-MRO und hinterfragen jegliche “Plug-and-Play”-Behauptungen.

Ziel ist es, MRO-Executives mit einem technologischen Verständnis einen klaren, detaillierten Überblick über die Angebote des Marktes zu geben - echte Innovation von Buzzwords zu trennen.

Anbieter-Rankings (Zusammenfassung)

1. Lokad – Spitzenklasse bei probabilistischen Prognosen und Automatisierung für die Luftfahrt. Lokad führt mit modernster Technologie wie probabilistischen Nachfrage-/Vorlaufzeitprognosen und differenzierbarer Programmierung, die durch jahrelange Forschung und Entwicklung in der Luftfahrt speziell entwickelt wurde ¹. Es legt den Schwerpunkt auf ökonomische Optimierung (Kosten vs. Service) und minimale manuelle Anpassungen, was es zu einem Spitzenreiter für wirklich state-of-the-art MRO-Inventarplanung macht.

2. PTC Servigistics – Umfassendes Legacy-Paket mit modernen Verbesserungen. Servigistics bietet den breitesten Funktionsumfang (Multi-Echelon-Optimierung, fortschrittliche Prognosen, IoT-Integration) und wird weitläufig in Luft- und Raumfahrt genutzt ². Es wendet “KI/ML” im Hintergrund an und bewältigt komplexe Szenarien, obwohl einige Algorithmen auf Jahrzehnte der Entwicklung zurückgehen. Sehr leistungsstark, aber seine Komplexität kann eine umfangreichere Konfiguration und Abhängigkeit von Experteneinrichtung bedeuten.

3. Syncron – Service-Teile-Spezialist mit wachsenden KI-Fähigkeiten. Syncrons Cloud-Plattform ist auf die Service-Teile-Planung für Hersteller und jetzt auch für die Luft- und Raumfahrt spezialisiert. Es wirbt mit KI, maschinellem Lernen und fortgeschrittenen Simulationen, um komplexe, intermittierende Nachfrage-Muster zu bewältigen ³. Probabilistische Funktionen sind im Entstehen begriffen, und es konzentriert sich auf ökonomische Lageroptimierung, obwohl die Tiefe in luftfahrtspezifischen Eigenheiten noch im Wandel ist (historisch stark im OEM-Ersatzteilmarkt).

4. ToolsGroup (SO99+) – Bewährte stochastische Modellierung, aber alternde “KI”-Erzählung. ToolsGroup hat die Prognose von intermittierender Nachfrage und die Multi-Echelon-Inventaroptimierung pioniert ⁴. Seine probabilistischen Modelle bewältigen den “Langschwanz” von Ersatzteilen gut. Allerdings scheinen die Behauptungen, “KI-gesteuert” zu sein, übertrieben zu sein - Analysen deuten darauf hin, dass seine Technologie größtenteils auf traditioneller Statistik (Modelle vor 2000) mit einigen Aktualisierungen beruht ⁵. Dennoch bietet es eine solide Automatisierung für die Planung von Teilen im großen Maßstab.

5. Armac Systems (RIOsys) – Aviation-fokussierter Optimierer für Rotables und Ersatzteile. Armac (im Besitz von SR Technics) ist ein Nischenführer speziell für die Fluglinien-/MRO-Inventur. Sein RIOsys-Tool berechnet optimale Lagerbestände sowohl für Rotables als auch für Verbrauchsmaterialien auch bei unvorhergesehenen (zufälligen) Nachfragen und Multi-Site-Netzwerken ⁶. Es integriert operatives 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 von Baxter) – Service-Teile-Planungsgrundlagen mit Kostenfokus. Baxters Lösung umfasst Prognosen, Lagerplanung und automatisierte Auffüllung. Es verwendet einen “Total Cost Optimization”-Ansatz, der die Teil-Kritikalität, den Standort und die Kunden-Dringlichkeit berücksichtigt, um Service und Kosten auszugleichen ⁷. Es ist ein solides, pragmatisches Werkzeug (über 20 Jahre im Service-Teilebereich), obwohl es mehr auf traditionelle Prognosemethoden und benutzerdefinierte Parameter als auf echte KI-gesteuerte Automatisierung setzt.

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

8. IBM (MRO Inventory Optimization, früher Oniqua) – Analytik-getriebener, auf vermögensintensive Branchen fokussierter. IBMs MRO IO (übernommen von Oniqua) ist eine Cloud-Plattform, die statistische Analyse, präskriptive Analytik und Optimierung für Wartungsteile kombiniert ⁹. Es befasst sich mit intermittierender Nachfrage durch integrierte Prognosen und kritikalitätsbasierte Empfehlungen, mit dem Ziel, Ausfallzeiten zu minimieren ¹⁰. Das Tool zeichnet sich durch die Identifizierung von Überschuss gegenüber Mangel aus und leitet Planer über “Scores” und Arbeitslisten an. Obwohl es einige Automatisierung verwendet, neigt der Ansatz eher zu Entscheidungsunterstützungs-Dashboards - Benutzer müssen Erkenntnisse überprüfen (z.B. nach Kritikalität, Vorlaufzeit) 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 umfangreicher Konfiguration. SAPs eigene Ersatzteile-Planungslösung (Teil von SAP SCM/APO, jetzt im Übergang zu IBP) bietet Multi-Echelon-Inventaroptimierung und unterstützt Methoden wie Crostons für intermittierende Nachfrage ¹². In der Theorie kann es mit der Komplexität im Luftfahrtmaßstab umgehen, und einige große OEMs haben dazu beigetragen, seine Funktionalität zu formen. In der Praxis erfordert SAP SPP umfangreiche benutzerdefinierte Einstellungen (Auswahl von Prognosemodellen, Serviceklassenziele usw.) und erhebliche Anpassungen, um den Anforderungen der Luftfahrt gerecht zu werden. Es ist in der Regel weniger automatisiert - Planer müssen Parameter konfigurieren (z.B. Lebenszykluscodes, Nachfolgeketten, Min./Max.) anstatt dass das System selbstlernend ist. Als ERP-integrierte Option ist es zuverlässig, aber nicht an vorderster Front der algorithmischen Innovation.

10. Oracle Spares Management – Grundlegende Ersatzteilplanung innerhalb von Oracle ERP. Oracle bietet ein Service Parts-Modul (in E-Business Suite und Cloud SCM) für die Nachfrageprognose, Bestandsplanung usw. ¹³. Es umfasst Standardtechniken für intermittierende Nachfrage und die Auftragsoptimierung über ein Netzwerk. Ähnlich wie SAP verlässt es sich tendenziell auf regelbasierte Setups und Benutzereingaben - z.B. definieren Planer Prognosestrategien (Croston, exponentielle Glättung) und Bestandspolitiken. Oracles Lösung erledigt die Aufgabe für einige, aber wir haben keine Hinweise auf modernste KI oder probabilistische Optimierung gefunden; sie liegt im Allgemeinen einen Schritt hinter den spezialisierten Anbietern in Bezug auf Technologie.

Als nächstes gehen wir auf eine detaillierte Analyse der Technologie, Fähigkeiten und Behauptungen jedes Anbieters ein und zeigen auf, 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 Luft- und MRO-Optimierung als Kernspezialität konzentriert hat. Ihr Ansatz ist unverblümt datenwissenschaftlich. Die Plattform von Lokad konzentriert sich auf probabilistische Prognosen und das, was sie “prädiktive Optimierung” nennen. Anstatt die Nachfrage an einem einzigen Punkt vorherzusagen, modelliert Lokad die vollständige Wahrscheinlichkeitsverteilung der Nachfrage, der Vorlaufzeiten und sogar der Teile-Ausschussraten 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 Lagerhaltungsrichtlinien, die die Gesamtkosten minimieren (Lagerhaltungskosten, Ausverkaufskosten, AOG-Strafen) unter Berücksichtigung dieser Unsicherheiten.

Ein herausragendes Merkmal von Lokads Technologie ist differenzierbare Programmierung ¹. Dies bedeutet im Wesentlichen, dass sie Techniken aus dem maschinellen Lernen verwenden, um aus komplexen Datenmustern in der Lieferkette zu “lernen”. Zum Beispiel können Wartungspläne, Zuverlässigkeitskurven (MTBUR - Mittlere Zeit zwischen ungeplanten Entfernungen), Reparaturzykluszeiten usw. alle in ein neuronales Netzwerk-ähnliches Modell einfließen, anstatt fester 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 neuartiges Konzept in der Lieferkette, und obwohl es extern schwer zu überprüfen ist, deutet es auf ernsthafte Ingenieurskunst jenseits von Schlagworten hin.

Lokad liefert wichtige technische Details zu ihrem Ansatz - eine erfrischende Abkehr von vagen KI-Behauptungen. In einer Pressemitteilung mit Revima (einem APU/Landeklappen-MRO) erwähnen sie ausdrücklich probabilistische Prognosen für Nachfrage, Vorlaufzeit und Ausschuss, kombiniert mit differenzierbarer Programmierung zur Modellierung komplexer Reparaturprozesse ^{1 1}. Dies sind konkrete Techniken, nicht nur Marketingaussagen. Die Tatsache, dass der CEO von Lokad ein aktiver Blogger zu mathematischen Themen in der Lieferkette ist, verleiht Glaubwürdigkeit (sie kritisieren häufig traditionelle Methoden und veröffentlichen sogar Vergleiche).

Aus einer Automatisierungsperspektive heraus betrachtet ist die Lösung von Lokad nach der Datenaufbereitung hochgradig automatisiert. Sie wird als Software-plus-Services (“Supply Chain as Code” Konzept) geliefert: ihr Team hilft bei der Konfiguration eines individuellen Optimierungsmodells unter Verwendung ihrer Skriptsprache (Envision). Danach nimmt das System kontinuierlich Daten auf (z. B. tägliche Teiletransaktionen, Entnahmen usw.) und generiert Empfehlungen für Lagerbestände, Bestellungen, Priorisierung von Reparaturaufträgen usw. mit minimalem manuellen Eingriff. Es ist darauf ausgelegt, Zehntausende oder Hunderttausende von P/Ns zu verarbeiten, indem den Algorithmen die Berechnung optimaler Richtlinien für jeden überlassen wird, anstatt dass Planer Tausende von Min-/Max-Einstellungen pflegen. Ein leitender Manager eines Luftfahrt-MRO bestätigt: „Lokad hat die richtigen Tools und Unterstützung bereitgestellt, um … Unsicherheiten durch die Integration eines probabilistischen Ansatzes zu reduzieren,“ und erreicht anspruchsvolle Füllratenziele mit reduziertem Risiko ¹⁴.

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

Skeptischer Standpunkt: Lokads Behauptungen werden im Allgemeinen durch Beweise gestützt (Fallstudien mit Air France KLM, Revima usw. 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 tendenziell eng mit Kunden über ihre eigenen Experten zusammen, was für Ergebnisse großartig ist, aber anfangs als ein beratungsintensives Modell angesehen werden könnte, anstatt rein auf Software basierend. Auch wenn probabilistische Modelle ideal für intermittierende Nachfrage sind, hängt ihre Genauigkeit von der Datenqualität ab - Schrott rein, raffinierter Schrott raus bleibt ein Risiko. Lokads Ergebnisse wie “Bestand um 60% reduziert” in einem Fall ¹⁷ sollten mit gesunder Skepsis betrachtet werden - solche Ergebnisse könnten außergewöhnlich sein oder gegen eine sehr schlechte Basis gemessen werden. Dennoch scheint Lokad unter den Anbietern am meisten auf moderne Prognose- und Optimierungswissenschaften 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. Diese Automatisierungs- und probabilistische Strenge machen es zu einer erstklassigen Wahl für diejenigen, die bereit sind, eine neuere Lösung anzunehmen.

PTC Servigistics - Schwergewichtsmeister mit aktualisierter Technologie

Servigistics ist der Veteran in diesem Bereich - seine Abstammung reicht über Branchenpioniere (Xelus, MCA Solutions) zurück, die in Servigistics aufgegangen sind und dann 2012 von PTC übernommen wurden ¹⁸. Es ist mit Abstand die am weitesten verbreitete Service Parts Management (SPM)-Software bei großen Luft- und Raumfahrtorganisationen. Namen wie Qantas, Boeing, Lockheed Martin, die U.S. Air Force - solche Namen tauchen oft als Servigistics-Benutzer auf ¹⁹. Mit dieser Abstammung setzt Servigistics in Bezug auf Umfang und Tiefe der Funktionen einen hohen Maßstab.

Aus Sicht der Fähigkeiten listet Servigistics praktisch jede Funktion auf, die ein MRO- oder Aftermarket-Logistikteam wünschen könnte: Nachfrageprognosen spezialisiert auf niedrige, sporadische Nachfrage, Multi-Echelon-Inventaroptimierung (Positionierung von Beständen z.B. im zentralen Lager, in Vorwärtsbasen, Reparaturwerkstatt usw.), Mehrquellen-Beschaffungsplanung, Reparatur- vs. Kaufentscheidungen und sogar ein integriertes Teilepreismodul ²⁰. Bemerkenswert ist, dass PTC Servigistics auch über die IoT-Integration erweitert hat - unter Verwendung ihrer ThingWorx-Plattform, um Daten von vernetzten Geräten (z.B. Nutzungs- oder Sensordaten von Flugzeugen/Triebwerken) einzuspeisen, um Ausfälle von Lebensdauer begrenzten Teilen vorherzusagen und Ersatzteile proaktiv zu planen ^{21 22}. Dies beginnt, das Problem des “zufälligen BOM” anzugehen, indem Teileentnahmen basierend auf tatsächlicher Zustandsüberwachung prognostiziert werden, nicht nur auf historischen Statistiken.

Servigistics behauptet, moderne Datenwissenschaft zu integrieren: „Prognose-, Optimierungs- und Analysemodule nutzen KI, maschinelles Lernen und Big Data“ ²³. Allerdings sind Details darüber, wie genau KI/ML verwendet wird, in öffentlichen Materialien knapp. Angesichts der langen Geschichte des Tools ist es wahrscheinlich, dass der Großteil des Prognosemotors immer noch auf klassischen statistischen Methoden basiert (Croston-Methode, exponentielle Glättungsvarianten für intermittierende Nachfrage, möglicherweise bayesianische Schätzung für geringe Nachfrage), die inkrementell verbessert wurden. Die Erwähnung der Zusammenarbeit mit Akademikern wie Dr. John Muckstadt legt nahe, dass bewährte analytische Modelle für Multi-Echelon-Optimierung verwendet werden ²⁴. Muckstadts Algorithmen (aus seinem Buch “Service Parts Management”) sind eher Operationsforschung (mathematische Optimierung) als maschinelles Lernen - was oft optimal für diese Probleme ist. 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 Nachfrageprofile) verwendet, anstatt für die Kernprognose. Man sollte etwas skeptisch sein, dass Servigistics plötzlich zu einer “KI”-Plattform geworden ist; es handelt sich eher um eine sehr ausgefeilte OR (Operations Research)-Plattform mit einigen neuen KI-fähigen Funktionen am Rand.

Probabilistische Prognosen: Kann Servigistics das? Historisch gesehen konnte es eine Nachfrageverteilung für jedes Teil erstellen (zum Beispiel über Bootstrapping oder vordefinierte statistische Verteilungsanpassung), um optimale Sicherheitsbestände zu berechnen. Multi-Echelon-Optimierung erfordert inhärent probabilistische Eingaben (um die Wahrscheinlichkeiten von Lagerausfällen an verschiedenen Standorten zu berechnen). Die Dokumentation von PTC verweist auf “Arten von Wahrscheinlichkeitsverteilungen, die bei Bestandsentscheidungen genutzt werden” ²⁵, was darauf hindeutet, dass das System mehr als nur eine einzige Mittelwertprognose berücksichtigt. Wir können vernünftigerweise davon ausgehen, dass es irgendeine Form von probabilistischer Prognose oder zumindest Szenariosimulation für sporadische Nachfrage gibt (MCA Solutions, einer seiner Vorgänger, war für die Monte-Carlo-Simulation in der Planung bekannt). Der Unterschied zu einem modernen Ansatz besteht darin, ob diese Verteilungen automatisch gelernt oder über Regeln ausgewählt werden. In Servigistics legt ein Planer typischerweise für jedes Teil eine Prognosemethode fest (oder das System wählt automatisch aus einer Reihe von Methoden aus) und wählt dann Servicestufenziele. Es gibt viele Möglichkeiten für benutzerdefinierte Richtlinien - z.B. können Planer Teile nach Kritikalität oder Wert segmentieren und unterschiedliche Füllratenziele zuweisen (das System verfügt über eine umfangreiche Segmentierungsfähigkeit) ²⁶. Wenn nicht vollständig automatisiert, könnte dies ein Schwachpunkt sein: Das Tool kann optimieren, sobald Sie diese Parameter eingeben, aber die Bestimmung, welche Servicestufe jedes der zehntausenden Teile haben sollte, wird oft dem Urteilsvermögen 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 “Servicestufenoptimierung” hat, die z.B. die Gesamtverfügbarkeit für ein bestimmtes Budget maximiert - wahrscheinlich kann es das, aber viele Benutzer nutzen diesen Modus möglicherweise aufgrund der Komplexität nicht.

Servigistics behandelt auch Aspekte des Teilelebenszyklus und Reparaturschleifen. Für Rotables (reparierbare Teile) kann es die Reparatur-Pipeline planen und Wartezeiten sowie Ausbeuten berücksichtigen. Die neuere Erweiterung “Connected Forecasting” prognostiziert explizit Entfernungen 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 ausgetauscht werden muss. Dies hilft, die unregelmäßige Nachfrage zu mildern, indem einige deterministische Signale (z. B. geplante Entfernungen) in die Prognose eingefügt werden.

Zur Integration: PTC hat mit führenden MRO-ERP-Anbietern wie IFS und Trax zusammengearbeitet, um Servigistics zu integrieren ²⁸. Dennoch ist die Integration eines so umfassenden Tools mit dem Wartungssystem einer Fluggesellschaft ein großes Projekt (oft 6-12+ Monate). Jegliche “Plug-and-Play”-Behauptungen von Verkäufen sollten mit Vorsicht betrachtet werden. In der Realität müssen Dutzende von Datenfeldern zugeordnet werden (Installationsdaten, Teilekataloge, Stücklisten für Wartungsaufgaben, Reparaturzyklusdaten usw.) und oft die Datenqualität verbessert werden. Servigistics hat wahrscheinlich Standardadapter für Systeme wie SAP oder Oracle, aber individuelle Anpassungen sind die Norm - wie bei jeder Unternehmenslösung.

Hauptpunkte des Skeptizismus: Servigistics ist äußerst leistungsfähig, aber ist es einfach, daraus einen Mehrwert zu ziehen? Viele ältere Installationen werden untergenutzt und verwenden nur grundlegende Funktionen (wie Ein-Ebenen-Planung mit festgelegten Sicherheitsbeständen), da die umfassende Optimierung ohne Expertenanwender überwältigend sein kann. Es lohnt sich, einen Anbieter zu befragen, wie automatisiert das System in der Praxis wirklich ist - z. B. erkennt es automatisch eine Änderung der Vorlaufzeitvariabilität und passt die Nachbestellpunkte an, oder muss ein Planer eingreifen? Die Existenz vieler “Planungsparameter” legt nahe, dass viele Anpassungen möglich sind ²⁹, was gut oder schlecht sein kann. Beispielsweise ermöglicht Servigistics das Überschreiben der berechneten EOQ oder das Erzwingen bestimmter Prognosezeiträume ²⁹, was darauf hindeutet, dass die Out-of-the-Box-Berechnungen von den Benutzern nicht immer vertraut werden können.

Zusammenfassend ist Servigistics die funktionsreichste Option und hat sich weiterentwickelt, um moderne Elemente (IoT-Daten, etwas KI) einzuschließen. Es bietet modernste Fähigkeiten, aber ob es modernste Lösungen bietet, hängt von der Ausführung ab - ein Bereich, auf den man achten sollte. Für ein MRO mit den Ressourcen, es vollständig zu implementieren, kann es eine ausgezeichnete Leistung erbringen (94% Teileverfügbarkeit bei Qantas wurde berichtet ³⁰). Aber kleinere Betriebe könnten es als zu umfangreich empfinden. Seine Marketingansprüche (führend in jedem Analystenbericht usw.) sind typisch und teilweise wahr, gemessen am Marktanteil, 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 den Aftermarket-Service-Teilen der Hersteller (insbesondere Automobil- und Industriemaschinen) und hat sich in den letzten Jahren auf Luft- und Raumfahrt/Verteidigung ausgeweitet. Das Wertversprechen von Syncron konzentriert sich auf eine zweckgebundene, cloudbasierte Plattform für Service-Teile, die mehrere Module kombiniert (Bestandsoptimierung, Preisoptimierung und sogar ein auf IoT basierendes Betriebszeitprognosemodul) ^{31 32}. Im Kontext der Luftfahrt-MRO gewinnt Syncron an Bedeutung - zum Beispiel hat ATR (der regionale Flugzeughersteller) kürzlich Syncron für das Bestandsmanagement über seine globale Flottenunterstützung gewählt ^{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 Teilebedarfe zu planen und vorherzusagen” ³. Dies legt nahe, dass Syncron auch eine Form der Monte-Carlo-Simulation oder probabilistische Planung verwendet - wahrscheinlich werden Szenarien von Angebot und Nachfrage generiert, um den Bestand zu optimieren. In einem IDC MarketScape wurde Syncron für “dynamische Auffüllung, 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 kann Syncron als cloudbasiertes Tool große Datensätze verarbeiten und umfangreiche Simulationen im Hintergrund ausführen, ohne dass der Kunde die IT-Infrastruktur verwalten muss.

Ein bemerkenswerter Aspekt von Syncrons Philosophie ist die Servitisierung - Unternehmen dabei zu helfen, die Betriebszeit als Dienstleistung zu behandeln. In praktischer Hinsicht verknüpft die Syncron-Plattform Service-Teileprognosen mit Eingaben zum Feldservice-Management und IoT-vorbeugenden Wartungssignalen (über ihr Uptime™-Modul). Für die Luftfahrt könnte dies bedeuten, dass Daten zur Überwachung des Flugzeugzustands verwendet werden, um Teilenachfrage vorherzusehen. Es ähnelt dem Konzept dessen, was PTC mit ThingWorx macht, aber Syncron hat es als Teil ihres Pakets speziell für den Kundendienst nach dem Verkauf verpackt. Dieser Ansatz entspricht Trends wie dem Power-by-the-Hour in der Luftfahrt, wo die Verfügbarkeit alles ist.

In Bezug auf Optimierung optimiert Syncron den Bestand, indem sie Verfügbarkeit gegen Kosten abwägen. Sie behaupten ausdrücklich Verbesserungen wie eine Steigerung der Teileverfügbarkeit um 12-17,5% und eine Reduzierung der Lagerkosten um 15% 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 Multi-Echelon-Lagerhaltung verwenden. Syncron Inventory war historisch stark in der Optimierung von Vertriebsnetzwerken (für OEMs mit Händlernetzwerken usw.), daher liegt die Multi-Ort-Optimierung in ihrer DNA.

Automatisierung und Benutzerbemühungen: Syncron automatisiert wahrscheinlich viele Routineaufgaben - als moderne Software wurde sie für die Cloud und Benutzerfreundlichkeit entwickelt. Wahrscheinlich wählt sie automatisch geeignete Prognosemodelle aus und aktualisiert sie bei Änderungen der Daten, anstatt zu erwarten, dass Benutzer die Prognosemethode jedes SKU manuell anpassen (ein Fluch älterer Systeme). Dennoch setzen Syncrons typische Benutzerbasis (Hersteller) oft noch Geschäftsregeln fest - z. B. Teile nach Lebenszyklus oder Kritikalität klassifizieren, um unterschiedliche Richtlinien anzuwenden. Wir sollten überprüfen, ob Syncron eine vollständig automatisierte Optimierung ermöglicht. Es wird erwähnt, dass Syncrons Preis- und Lagermodule derzeit separate Datenbanken verwenden, die integriert werden müssen ³², was auf einige Legacy-Grundlagen hinweist. Es könnte nicht so nahtlos zwischen Modulen sein, wie beworben.

Eine Stärke, auf die Syncron Wert legt, ist das Management des Teilelebenszyklus: die Handhabung von Neueinführungen von Teilen, Veraltungen, Nachfolgern. In der Luftfahrt, wo Teile durch neuere Versionen oder PMA-Alternativen ersetzt werden, ist dies entscheidend. Syncron hat ähnliche Probleme in der Automobilindustrie behandelt (wo Modelländerungen die Teilenachfrage beeinflussen) - vermutlich kann das System die Nachfragerückgänge für ältere Teile und den Anstieg für neue Teile mithilfe von Analogien oder verknüpften Prognosen vorhersagen.

Überprüfung von Behauptungen: Syncron hat vergleichsweise weniger öffentliche technische Whitepaper, daher müssen wir einen Teil unserer Skepsis darauf stützen, was sie behaupten und auf einige Referenzen. Die Pressemitteilung von ATR besagt, dass die Lösung bei der Instabilität der Lieferkette und der Skalierung der Operationen helfen wird ³⁶ - aber das ist allgemein. Die wichtigste technische Behauptung ist die Kombination von KI/ML + Simulation ³. Wir würden Syncron fragen: Liefern sie Beweise für den Einsatz von ML-Modellen? Verwenden sie z. B. neuronale Netze, um Nachfrageursachen zu erkennen (wie Nutzungsrate oder Ausfälle) oder nur Zeitreihenmethoden? Auch wenn sie “KI” sagen, handelt es sich nur um eine Bezeichnung für ihre statistischen Modelle oder wirklich neue Techniken? Ohne weitere Details bleiben wir vorsichtig.

Allerdings, im Gegensatz zu einigen Mitbewerbern, verlässt sich Syncron nicht auf alte Architekturen - es handelt sich um eine Plattform aus dem 21. Jahrhundert von Grund auf. Dies bedeutet wahrscheinlich eine bessere Benutzeroberfläche und möglicherweise eine schnellere Bereitstellung (ihre Integration in ERP verwendet moderne APIs, und sie übernehmen oft die schwere Arbeit für Kunden). Dennoch ist “Plug-and-Play” unrealistisch: Die Implementierung von ATR erforderte wahrscheinlich das Mapping von Syncron auf die benutzerdefinierten SAP- und Wartungssysteme von ATR. Das Team von Syncron arbeitete aktiv mit ATR zusammen, um Verbesserungen für die “einzigartigen Anforderungen” der Luftfahrt anzupassen ³⁷ - was darauf hindeutet, dass einige luftfahrtspezifische Bedürfnisse nicht erfüllt wurden, bis sie zusammenarbeiteten. Dies ist sowohl positiv (der Anbieter ist bereit, sich anzupassen) als auch warnend (das Produkt war anfangs nicht vollständig für alle luftfahrtspezifischen Komplexitäten bereit).

Zusammenfassend bewegt sich Syncron mit probabilistischen und KI-Elementen auf den neuesten Stand und hat eine starke Ausrichtung auf Automatisierung. Es hat vielleicht noch nicht die tiefe Erfolgsbilanz in der Luftfahrt wie Servigistics, aber es wird schnell zu einem Top-Kandidaten, wie durch neue Luftfahrtkunden belegt. MRO-Manager sollten Syncrons ML-Behauptungen überprüfen (fordern Sie spezifische Informationen oder Demos an, wie es eine unregelmäßige Teilenummer prognostiziert) und sicherstellen, dass alle versprochenen Bestands-/Serviceverbesserungen mit Daten einhergehen - nicht nur mit Branchendurchschnittswerten. Wie bei anderen sollten glänzende Prozentsätze (z. B. “15%ige Reduzierung der Lagerkosten”) als grobe Richtlinie betrachtet werden; die tatsächlichen Ergebnisse variieren je nachdem, wie chaotisch der Ausgangsprozess war. Insgesamt steht Syncron aufgrund seiner modernen Architektur und des Fokus auf intelligente Automatisierung hoch, jedoch muss seine Technologie über die Schlagwörter hinaus bewiesen werden.

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

ToolsGroup ist ein etablierter Anbieter (gegründet 1993), bekannt für seine Flaggschiff-Software SO99+ (Service Optimizer 99+). Es hat eine bedeutende Präsenz in der Ersatzteilplanung über Branchen hinweg - von Automobilersatzteilen bis hin zu Industrieanlagen, und es wurde auch im Luft- und Raumfahrt-/Verteidigungskontext 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 Ersatzteilplanung mit einer außergewöhnlichen Fähigkeit zur Prognose intermittierender Nachfrage und globalen Optimierung von Multi-Echelon-Inventar löst” ⁴.

Die Technologie hinter ToolsGroups Prognosen ist tatsächlich probabilistisch. Historisch gesehen verwendeten sie einen proprietären Ansatz, bei dem sie anstelle einer Prognose einer Zahl die Nachfrage für jedes SKU als Wahrscheinlichkeitsverteilung modellierten. Dies konnte durch Monte-Carlo-Simulation oder analytisches Anpassen einer Verteilung erfolgen (einige Quellen deuten darauf hin, dass ToolsGroup eine Form des Bootstrapping oder eine Variation der Croston-Methode in Kombination mit Variabilitätsanalyse verwenden könnte). Für jedes Teil berechnet die Software anhand der Nachfrageverteilung und der Vorlaufzeit den Bestand, der erforderlich ist, um ein bestimmtes Serviceniveau zu erreichen oder umgekehrt das erreichbare Serviceniveau für ein bestimmtes Lagerbudget. Dieser Ansatz war in den 1990er/2000er Jahren etwas wegweisend, als die meisten Planungssysteme einfache Methoden verwendeten. Er ermöglicht es, Serviceniveaus auch für extrem langsam bewegliche Artikel sehr genau zu verwalten. ToolsGroup führte auch das Konzept der “serviceniveaugetriebenen Planung” ein, bei dem Sie das gewünschte Serviceniveau pro SKU angeben und das Tool den benötigten Bestand ermittelt, anstatt dass Planer Sicherheitsbestände schätzen.

Die moderne Kritik lautet jedoch, ob ToolsGroup über seine früheren Modelle hinaus signifikant innoviert hat. Das Unternehmen vermarktet sich jetzt als “KI-gestützt” und spricht von Dingen wie “Nachfragesensorik” 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 feststellen: 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 zutrifft ⁵. Dies deutet auf eine gewisse Marketingfassade hin - Sie würden den Prognosefehler nicht mit MAPE messen, wenn Sie sich wirklich auf Verteilungsprognosen konzentrieren würden. Mit anderen Worten, ToolsGroup produziert möglicherweise immer noch hauptsächlich eine einzelne Prognose für jedes Element (für Geschäftsberichte), verwendet jedoch probabilistische Ideen unter der Oberfläche für Bestandsberechnungen. Die Erwähnung von “Nachfragesensorik” (normalerweise bedeutet dies, sehr kurzfristige Signale wie Bestellungen auf Lager oder IoT-Daten zu verwenden, um Prognosen anzupassen) wird auch in Frage gestellt, da sie wenig Unterstützung in der wissenschaftlichen Literatur hat ³⁸ - was darauf hindeutet, dass ToolsGroup den Buzzword möglicherweise verwendet, aber nicht unbedingt eine bewährte fortgeschrittene Methode.

Das gesagt, sind die Fähigkeiten von ToolsGroup solide. Es unterstützt die Multi-Echelon-Optimierung, was bedeutet, dass es empfehlen kann, wo Teile in einem Netzwerk gelagert werden sollen, um Servicetargets mit minimalem Bestand zu erreichen. Es kann auch die Neupositionierung von Beständen und die Umverteilung handhaben, was in der MRO nützlich ist, wenn Teile zwischen Basen oder Regionen verschoben werden müssen. Die Lösung von ToolsGroup ist oft in 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 sehr automatisiert: Einmal konfiguriert, überwachen Planer hauptsächlich Ausnahmen. Das Tool wird Tausende von SKU-Standort-Kombinationen durchgehen und nur Artikel kennzeichnen, bei denen möglicherweise das Serviceniveau zu sinken droht oder ein Nachfragespike aufgetreten ist, der eingreifen erfordert.

Zu den spezifischen MRO-Kontexten: ToolsGroup kann sicherlich intermittierende Nachfrage modellieren, aber berücksichtigt es Dinge wie Teilekritikalität oder Lebenszyklus? ToolsGroup neigt dazu, generisch zu sein; Benutzer können jedoch unterschiedliche Serviceniveaustufen oder Kosten für verschiedene Teilkategorien eingeben. Es kennt möglicherweise nicht nativ die “go/no-go”-Kritikalität, aber ein Kunde könnte dies einfach durch Festlegen eines nahezu 100%igen Zielserviceniveaus für “no-go”-Artikel und niedriger für andere einbeziehen. Die Optimierung folgt dann dieser Direktive. Ähnlich verhält es sich bei Lebenszyklen: ToolsGroup hat möglicherweise kein Out-of-the-Box-Modul, um basierend auf verbleibender Lebensdauer zu prognostizieren (wie Servigistics oder Syncron dies mit IoT-Daten tun), aber man kann Prognosen manuell anpassen für bekannte geplante Ersatzteile. Es ist eher ein Toolkit, das an verschiedene Bedürfnisse angepasst werden kann, anstatt eine luftfahrtspezifische Lösung zu sein.

Ein Bereich, auf den man achten sollte, sind die Behauptungen von ToolsGroup über typische Ergebnisse: Zum Beispiel behaupten sie, dass Kunden eine Reduzierung von 20-50% bei entgangenen Verkäufen, eine Reduzierung des Bestands um 10-30% und Serviceniveaus von 95-99% erreichen ⁴⁰. Obwohl diese Spannen plausibel sind, sind sie breit gefächert und offensichtlich von Marketing getrieben. Solche Verbesserungen sind wahrscheinlich von Unternehmen, die zuvor keine echte Optimierung hatten - die Implementierung eines anständigen Tools würde große Gewinne bringen. Das bedeutet nicht unbedingt, dass ToolsGroup diese im Vergleich zu Mitbewerbern einzigartig erreicht. Oft gibt es keine unabhängige Studie, um diese Prozentsätze zu überprüfen, daher bleiben wir skeptisch, sie für bare Münze zu nehmen (das Fehlen von Kontext wie “im Vergleich zu welcher Basislinie?” oder “über welchen Zeitraum?” ist aussagekräftig).

Benutzerdefiniert vs. Automatisierung: ToolsGroup ist relativ automatisiert bei der Prognose, erlaubt aber viele Konfigurationen. Zum Beispiel können Planer die Serviceniveauziele nach Artikel oder Gruppe auswählen. Wenn ein Unternehmen nicht weiß, wie man diese festlegt, könnte es zu alten Gewohnheiten zurückkehren (ABC-Klassifizierung usw.), was die Auswirkungen der Technologie einschränkt. Idealerweise würde man ToolsGroups Optimierung verwenden, um diese Ziele optimal zu bestimmen - ich glaube, ToolsGroup hat Funktionen wie die Ausbalancierung von Lagerinvestitionen gegenüber dem Service im gesamten Portfolio, was eine Form der ökonomischen Optimierung ist. Es könnte jedoch erforderlich sein, ihre Beratung oder erweiterte Funktionen zu nutzen, um sie ordnungsgemäß einzurichten.

Der Integrationsaufwand für ToolsGroup ist moderat - sie benötigen Datenfeeds von Nutzungsverlauf, Stücklisten usw. Es ist nicht ganz Plug-and-Play wie bei AMOS oder Rusada (übliche MRO-Systeme), daher erwarten Sie ein Projekt, obwohl viele Integrationskonnektoren aufgrund der langen Geschichte von ToolsGroup existieren.

Fazit: ToolsGroup ist eine leistungsfähige, vertrauenswürdige Lösung für die Optimierung von Ersatzteilen. Es qualifiziert sich definitiv als state-of-the-art circa 2010 und hält immer noch gut stand. Aber im Jahr 2025 sollte man sich fragen, wie viel neuere KI/ML-Techniken integriert wurden. Die verfügbaren Beweise legen nahe, dass viele Schlagwörter verwendet werden, aber nicht viele konkrete neue Methoden veröffentlicht wurden. Das bedeutet nicht, dass es nicht funktioniert - es funktioniert, aber das “KI”-Label könnte einfach bedeuten, dass anspruchsvolle Statistiken verwendet werden (was in Ordnung ist). Für einen MRO-Manager könnte ToolsGroup eine risikoärmere Wahl sein (etabliertes Produkt, viele Referenzkunden). Seien Sie sich jedoch bewusst, dass Sie möglicherweise kein wirklich modernes System erhalten; Sie erhalten ein sehr gutes traditionelles System. Wenn das Unternehmen “KI” bewirbt, bitten Sie sie zu klären, was genau KI-gesteuert im Produkt ist und wie es sich von ihren bereits guten probabilistischen Modellen unterscheidet. Stellen Sie außerdem sicher, dass Ihr Team seine Stärken (wie die Multi-Echelon-Optimierung) voll ausschöpft und es nicht auf ein einfaches Planungstool herunterstufen.

Armac Systems (RIOsys) - Luftfahrt-Nativ, Optimierung von Rotables und Reparaturen

Armac Systems ist einzigartig in dieser Liste, da es speziell aus der Luftfahrt-MRO-Welt hervorgegangen ist. Es ist ein kleinerer Anbieter (mit Sitz in Irland, jetzt im Besitz von SR Technics seit Ende der 2010er Jahre ⁴¹), der sich zu 100% auf die Optimierung von Luftfahrtinventar konzentriert. Armacs Flaggschiff, RIOsys (Rotable Inventory Optimization System), ist für Fluggesellschaften und MROs konzipiert, die sowohl verbrauchbare Ersatzteile als auch hochwertige rotable Komponenten behandeln.

Was Armac auszeichnet, ist seine Domänenspezifität. Die Software wird als “luftfahrtspezifische Bestandsplanung und -optimierung” beschrieben, die darauf abzielt, die Verfügbarkeit von Ersatzteilen bei niedrigsten wirtschaftlichen Kosten zu maximieren ⁶. Sie erkennt ausdrücklich das typische Luftfahrtszenario an: „Ungeplante Teilenachfrage, zahlreiche Komponenten und Multi-Standort-Betrieb sind die Norm“ ⁴². Das Tool hilft dabei, optimale Lagerbestände sowohl für rotable als auch für verbrauchbare Teile zu berechnen, was bedeutet, dass es nicht nur bestimmen kann, wie viele gekauft werden sollen, sondern auch, wie viele als Ersatzteile gegenüber dem Reparatur-Pipeline usw. gehalten werden sollen, um die Zielwerte für die Einsatzbereitschaft zu erreichen. Es wird auch erwähnt, dass operationales Wissen in Ihr Bereitstellungsmodell integriert und kontinuierlich verfeinert wird ⁴³. Dies legt nahe, dass das System lernt oder seine Parameter aktualisiert, wenn mehr Daten eingehen (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 Bereich Ingenieurwesen. Die Luftfahrtinstandhaltung umfasst 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 grob abschätzen, mit welcher Anzahl von Ausfällen pro Jahr zu rechnen ist (mit Variabilität). Dies ist sehr spezifisch für die Instandhaltung, Reparatur und Überholung (MRO) und unterscheidet sich von der Prognose, beispielsweise von Ersatzteilen für Kunden zu verkaufen. Die Partnerschaft von Armac mit der Akademie und “Big Data Business Intelligence-Techniken” ⁴¹ legt nahe, dass sie Modelle erforscht und implementiert haben, die auf diese Art von Zuverlässigkeits-basierten Prognosen ausgerichtet sind.

Armac geht auch indirekt auf die “go/no-go”-Kritikalität ein, indem es sich auf die technische Einsatzbereitschaft konzentriert. In einer Fluggesellschaft ist die Einsatzbereitschaft (der Prozentsatz der Flüge, die ohne Verzögerung oder Stornierung aufgrund von Wartungsarbeiten abfliegen) eine wichtige Kennzahl. Die Verfügbarkeit von Ersatzteilen, insbesondere von “no-go”-Artikeln, treibt dies direkt an. Die Fallstudien von Armac (wie Iberia) deuten darauf hin, dass das Ziel darin bestand, die Materialverfügbarkeit zu verbessern und gleichzeitig die Kosten zu senken ⁴⁴. Der CEO von Armac betonte die Bereitstellung einer verbesserten Ersatzteilverfügbarkeit zu den niedrigsten wirtschaftlichen Kosten ⁴⁵. Sie führen also eindeutig eine wirtschaftliche Optimierung durch: Sie stellen sicher, dass kritische Teile immer verfügbar sind (um AOG zu vermeiden), aber nicht überall überbestückt sind.

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

Armac bietet wahrscheinlich eine Menge Automatisierung für Planer an, indem es Empfehlungen generiert (z. B. dieses Teil an Basis X lagern, diese überschüssigen Einheiten von Basis Y nach Z verschieben, reparieren Sie jetzt so viele Einheiten usw.). Es hat wahrscheinlich auch benutzerfreundliche Dashboards, die Überschüsse und Engpässe 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 soll geholfen haben, „Überschüsse und Engpässe zu identifizieren und tägliche Aktivitäten zu priorisieren“ für Bestandsplaner ⁴⁷. Das deutet auf ein hohes Maß an systemgesteuerter Entscheidungsfindung hin - ein Zeichen für eine 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 state-of-the-art-Algorithmen? Oder beruht sein Erfolg hauptsächlich darauf, dass es maßgeschneidert ist (mit vielen Expertenregeln und Vorlagen speziell für Fluggesellschaften)? Zum Beispiel könnte Armac relativ standardmäßige statistische Modelle verwenden, aber mit den richtigen Parametern für Luftfahrtszenarien vorkonfiguriert sein. Das ist immer noch wertvoll, aber nicht “magisch”. Die Erwähnung von “kontinuierlich verfeinerten” Modellen ⁴³ deutet darauf hin, dass etwas maschinelles Lernen oder zumindest iterative Kalibrierung stattfindet, was gut ist.

Eine potenzielle Schwäche könnte das Maßstab und die Ressourcen sein: Als kleinerer Anbieter kann Armac in gleichem Tempo wie beispielsweise PTC oder Lokad in die neueste KI-Forschung investieren? Möglicherweise nicht, aber durch ihre Fokussierung benötigen sie möglicherweise keine ausgefeilte KI, wenn ihre konstruierte Lösung bereits gut zur Domäne passt. Außerdem könnte es sein, dass sie als Tochterunternehmen von SR Technics (einem großen MRO) über ein tiefes Domänenfeedback verfügen, aber auch, dass ihr Horizont auf die Bedürfnisse dieses Eigentümers beschränkt sein könnte.

Armac preist “KI” nicht laut in ihren Pressemitteilungen an - sie verwenden Begriffe wie “intelligente Bestandsplanung der neuen Generation” und “Techniken für große Datenmengen” ⁴¹, die zwar Schlagwörter sind, aber nicht sehr spezifisch. Es lohnt sich, Armac nach Einzelheiten zu fragen: Simulieren sie die Reparaturzyklus-Variabilität? Optimieren sie sowohl für die Füllrate als auch für die Anlagenverwendung? Wie gehen sie mit Teileveraltungen um (benachrichtigt das System, wenn ein Teil ausläuft, damit Sie es nicht überlagern)? Aufgrund ihrer Nische haben sie wahrscheinlich Funktionen für die Planung des Lebensendes und die Optimierung von Rotables-Pools, die andere möglicherweise nicht betonen.

Die Integration bleibt eine Herausforderung: Selbst bei einer SAP-Integration verwenden nicht alle Fluggesellschaften Standard-Systeme. Viele verwenden spezialisierte MRO-Systeme wie AMOS, Ultramain, usw. Armac müsste sich in diese Systeme integrieren oder auf Datenexporte angewiesen sein. Nicht einfach einzurichten, aber ihr Team hat es wahrscheinlich bereits für ähnliche Kunden durchgeführt.

Zusammenfassend ist RIOsys von Armac Systems eine starke Wahl für die Luftfahrt-MRO speziell, die wahrscheinlich einen großen Mehrwert bietet, wenn Sie zu ihrem typischen Profil passen (Fluggesellschaft mit mehreren Wartungsbasen, Mischung aus Rotable- und Verbrauchsmaterialien). Es kann als state-of-the-art in Bezug auf die Domänenausrichtung betrachtet werden - es kennt Ihr Problem genau. In rein technischer Hinsicht verwendet es wahrscheinlich fortgeschrittene Analytik (wenn auch nicht topaktuelle KI, zumindest sehr spezialisierte Algorithmen). MRO-Manager, die Armac evaluieren, sollten überprüfen, ob das Tool tatsächlich alle modernen Anforderungen abdeckt (vielleicht fragen, ob sie probabilistische Prognosen oder Optimierungslöser verwenden, usw.). Die nachgewiesene Erfolgsbilanz (Einsparungen in “Millionen für Luftfahrtorganisationen” werden behauptet ⁴¹) verleiht Armac Glaubwürdigkeit. Gehen Sie einfach an ihre ROI-Behauptungen heran, wie Sie es bei jedem Anbieter tun würden - mit einer “Vertrauen, aber überprüfen” -Einstellung - und stellen Sie sicher, dass Sie den IT-Support haben, um es in Ihre Umgebung zu integrieren.

Baxter Planning (Prophet von Baxter) - Kostenorientierte Planung mit menschlicher Beteiligung

Baxter Planning ist ein etablierter Anbieter im Bereich des Service-Teilemanagements, seit den 1990er Jahren. Ihre Lösung, oft als Prophet bezeichnet, zielt auf eine breite Palette von Branchen ab (Technologie, Medizinprodukte, usw.) und umfasst den MRO/Luftfahrtsektor in gewissem Maße (obwohl ihr stärkster Fußabdruck im Bereich der Technologie- und Telekommunikations-Hardware-Service-Teile liegt). Baxters Ansatz basiert auf praktischer Planungserfahrung - der Gründer war selbst ein Service-Teile-Planer - daher spiegelt die Software reale Prozesse wider. Dies bedeutet, dass sie eine End-to-End-Planung abdeckt: Prognosen, Bestandsoptimierung, Auffüllung, Reparaturplanung, Lebenszyklusmanagement, Überschussmanagement, usw., in einem System ⁷.

Ein Schlüsselprinzip von Baxters Methode ist die “Gesamtkostenoptimierung” ⁴⁸. Sie berücksichtigen ausdrücklich Teilekosten, Standort und Kunden-/Anlagenkritikalität bei der Bestandsplanung. Mit anderen Worten, ihr System versucht, die Gesamtkosten des Bestands zu minimieren, während die Serviceziele erreicht werden. Wenn beispielsweise ein Teil sehr teuer ist und nur mäßig kritisch ist, könnte das System eine längere Vorlaufzeit akzeptieren (vielleicht auf Notfallbestellungen angewiesen) anstatt viele auf Lager zu haben. Umgekehrt könnte Prophet für ein unverzichtbares Teil an einem abgelegenen Standort empfehlen, Ersatzteile zu lagern, trotz geringer Nachfrage, weil die Kosten eines Lagerausfalls (AOG, Ausfallzeit) zu hoch sind. Dies ist eine ökonomische Optimierungsphilosophie und worum es bei “Preis-Leistungs-Verhältnis” bei Lagerentscheidungen geht. Baxter verdient Anerkennung dafür, dass sie dieses Denken eingebaut haben.

Wie Baxter dies jedoch erreicht, scheint durch viele benutzerdefinierte Einstellungen, die durch Automatisierung ergänzt werden, zu erfolgen. Ihr System ermöglicht es Planern, Attribute wie Teilekritikalität, Unterstützungsverpflichtungen (SLAs) einzugeben, und die Software wird innerhalb dieser Einschränkungen optimieren. Aber macht es probabilistische Prognosen? Es ist aus öffentlichen Informationen nicht sehr klar. Als ältere Lösung hat es wahrscheinlich mit traditionellen Prognosen begonnen (gleitende Durchschnitte, exponentielle Glättung) und möglicherweise später Crostons oder Bootstrap für intermittierende Nachfrage hinzugefügt. Es ist möglicherweise nicht so explizit probabilistisch wie Lokad oder Smart. Stattdessen könnte Baxter den Bestand durch Szenarioanalysen oder Servicestufenformeln optimieren.

Für intermittierende Nachfrage erkennt Baxter definitiv das Problem - ihre Literatur würde über langsam bewegende Teile sprechen, die eine besondere Behandlung benötigen. Die Frage ist, ob sie darauf vertrauen, 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 beispielsweise eine Prognosemethode fest (vielleicht hat Prophet ein Modul für “Prognosen bei intermittierender Nachfrage”, das eine bestimmte Technik verwendet), und dann verwendet das System dies, um Lagerbestände zu berechnen.

Baxters Tool betont die Automatisierung in der Ausführung: Dinge wie Automatisierung von Lieferaufträgen (automatisches Generieren von Bestellungen, Reparaturaufträgen) und Umlagerung (Verschieben von überschüssigem Bestand dorthin, wo er benötigt wird) stehen auf seiner Funktionsliste ⁴⁹. Dies ist entscheidend, wenn es um Tausende von Teilen geht - Sie möchten, dass das System automatisch empfohlene Maßnahmen startet und nur in Ausnahmefällen Planer einbezieht. Nach den meisten Berichten kann Prophet einen großen Maßstab bewältigen (Zehntausende von Teilen an vielen Standorten), da einige ihrer Kunden große Technologieunternehmen mit globalen Ersatzteillagern sind.

Etwas, worauf man achten sollte, ist, dass Baxter Planning historisch gesehen viel Kundenspezifizierung betrieben hat. Als privates kleineres Unternehmen würden sie oft Anpassungen oder Funktionen für spezifische Bedürfnisse hinzufügen oder anpassen. Das bedeutet, dass Ihre Erfahrungen variieren können - ein Unternehmen könnte Baxters fortgeschrittene Min-Max-Optimierung nutzen, ein anderes könnte sie im einfacheren Min-Max-Modus verwenden. Es ist flexibel, aber diese Flexibilität deutet auch darauf hin, dass es out-of-the-box Sie nicht in eine “Best Practice” zwingen könnte - es gibt Ihnen Werkzeuge.

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

Angesichts der Klientel von Baxter haben sie möglicherweise nicht so viele luftfahrtspezifische Funktionen integriert. Zum Beispiel, handhaben sie harte Lebensgrenzen (wo ein Teil nach X Verwendungen verworfen wird)? Vielleicht als benutzerdefiniertes Feld, aber nicht sicher, ob die Optimierung dies natürlich berücksichtigt (über die Prognose der Nachfrage, wenn der Austausch fällig ist, hinaus). Sie handhaben Lebenszyklusstatus (neue, End-of-Life-Teile) und können letzte Kaufplanung für Obsoleszenz durchführen, was in der Luftfahrt relevant ist, wenn Teile aus der Produktion genommen werden.

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” zu sagen. Dies könnte tatsächlich auf einen realistischen Ansatz hinweisen: Verbesserungen finden statt, aber sie hängen davon ab, wie das Tool verwendet wird.

Integration: Prophet von Baxter sitzt normalerweise neben einem ERP/MRO-System. Die Integration ist vergleichbar mit anderen - sie bringt Nutzung, Bestand, Stückliste usw. ein. Baxter hat wahrscheinlich vordefinierte Konnektoren für gängige Systeme (sie erwähnen die Unterstützung von flachen Versorgungsnetzwerken und die Integration mit anderen Unternehmenssystemen). Niemand sollte jedoch Plug-and-Play erwarten; einige IT-Arbeiten werden erforderlich sein.

Bei Skepsis sollte man prüfen, ob Baxters Lösung wirklich optimiert oder eher eine Entscheidungsunterstützung ist, die immer noch wichtige Entscheidungen den Menschen überlässt. Die Erwähnung, dass viele Baxter-Kunden sich auf die Optimierung der Standortkosten für die Vorhaltung von Waren konzentrieren, anstatt auf Multi-Echelon, legt nahe, dass das Tool möglicherweise häufig im einfacheren Modus verwendet wird (Optimierung jedes Standorts individuell auf ein Kostenziel). Es wird darauf hingewiesen, dass die Netzwerke einiger Kunden flach sind, sodass Multi-Echelon keine Rolle spielt. Aber für eine Fluggesellschaft mit einem zentralen Lager und Außenstellen ist Multi-Echelon wichtig; hoffentlich kann Baxter das bei Bedarf bewältigen.

Um es zusammenzufassen, bietet Baxter Planning ein umfassendes, wenn auch traditionelles, Service-Teile-Planungssystem an. Es ist zuverlässig, konzentriert sich auf Kosten- und Servicekompromisse und automatisiert viele Aufgaben. Es mag nicht die schicksten KI-Funktionen haben, aber es verfügt über eine Tiefe in der praktischen Funktionalität. MRO-Manager sollten Baxter als eine “sichere Lösung” betrachten - die wahrscheinlich die Dinge verbessert, indem bewährte Methoden angewendet werden. Seien Sie sich einfach bewusst, dass Sie möglicherweise 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 der Stil von Baxter tatsächlich bevorzugt werden. Der Skeptizismus-Punkt: Stellen Sie sicher, dass das System nicht zu sehr von statischen Benutzereingaben abhängig ist (z. B. es sollte nicht erforderlich sein, eine Unmenge von Teileparametern manuell zu pflegen). Fragen Sie, wie es sich an Veränderungen anpasst (passt es die Prognosen automatisch an, lernt es Saisonalität oder Nutzungsrate usw.?). Wenn alles passt, kann Baxter kontinuierliche Vorteile liefern, ohne Wunder zu versprechen.

Intelligente Software (Smart IP&O) - Nischenexperte für die 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 jetzt als integrierte Plattform namens Smart IP&O (Inventarplanung & -optimierung) angeboten wird, stammt aus akademischer Arbeit zur Verbesserung der Croston-Methode. Tatsächlich hat Smart Software eine patentierte Bootstrap-Methode für die Prognose von intermittierender Nachfrage eingeführt, die einen Preis von APICS gewonnen hat ⁸. Diese Methode ist in Whitepapers gut dokumentiert und generiert im Wesentlichen viele synthetische Nachfrageszenarien basierend auf 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 einzelnen Vermutung. Damit können Sie nahezu optimale Lagerbestände für eine gewünschte Service-Wahrscheinlichkeit planen.

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

Die Technikdetails von Smart sind erfrischend konkret: Sie erwähnen, dass sie keine bestimmte Verteilung annehmen (sie erzwingen also nicht blind normal oder Poisson-Verteilungen) und stattdessen empirische Daten verwenden, um Ergebnisse zu simulieren ⁵³. Sie weisen speziell darauf hin, dass die Nachfrage oft „nicht einer einfachen Normalverteilung entspricht“, daher ihr Bootstrap-Ansatz ⁸. Sie erstellen dann die „gesamte Verteilung der kumulativen Nachfrage über die gesamte Vorlaufzeit eines Artikels“ ⁵⁴. Damit ist die Berechnung des Sicherheitsbestands für beispielsweise eine 95%ige Serviceebene einfach und genau - einfach das 95. Perzentil dieser Verteilung.

Die Lösung von Smart Software geht über die reine Prognose hinaus; ihre IP&O-Plattform umfasst auch Module für die Bestandsoptimierung und die Bedarfsplanung. Der Kernunterschied liegt jedoch immer noch im Prognosebereich. Der Optimierungsteil verwendet wahrscheinlich diese Prognoseverteilungen, um Wiederbeschaffungspunkte, Bestellmengen usw. zu berechnen, um den Lagerbestand zu minimieren und gleichzeitig die Serviceziele zu erreichen. Es ist möglicherweise weniger anspruchsvoll bei der Mehr-Ebenen-Optimierung oder bei Dingen wie reparierbaren Teileschleifen. Man könnte die Ausgabe von Smart in ein anderes System integrieren, um das zu erreichen, oder jeden Standort separat in Smart verwalten (der Fokus lag historisch gesehen auf einer einzelnen Ebene, aber sie könnten in IP&O mehrere Standortfunktionen hinzugefügt haben).

Ein Vorteil von Smarts Größe und Fokus ist, dass sie oft mit beliebten EAM/ERP-Systemen in der Instandhaltung integrieren. Zum Beispiel listen sie Integrationen mit IBM Maximo, SAP, Oracle usw. auf ⁵⁵. Dies legt nahe, dass Sie ihr Prognosemodell relativ einfach an Ihr bestehendes System anhängen können. Im Wesentlichen würden Sie Smart verwenden, um Lagerparameter zu berechnen (wie Min/Max oder Sicherheitsbestand für jedes Teil) und diese dann in das ERP zurückzuspielen, um sie auszuführen. Dies ist ein anderes Paradigma als die vollständige Ersetzung Ihres Planungssystems.

Nun, wenn man sich ihre Behauptungen ansieht: Smart zitiert oft, dass Unternehmen, die ihre Lösung nutzen, den Lagerbestand im ersten Jahr um ~20% reduzieren und die Teileverfügbarkeit um 10-20% erhöhen ⁵⁶. Diese Zahlen sind vernünftig und weniger bombastisch als einige Behauptungen, die wir sehen (und sie entsprechen typischen Verbesserungen durch bessere Prognosen). Es deutet darauf hin, dass Unternehmen zuvor entweder “auf Vorrat” überlagert haben oder falsche Teile gelagert haben; durch die Optimierung haben sie 20% des Lagerbestands freigesetzt, während sie tatsächlich den Service verbessert haben. 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.

Aufgrund der Spezialisierung von Smart ist die Skepsis, die angewendet werden sollte, folgende: Kann es den gesamten Umfang der Bedürfnisse der Luftfahrt-Instandhaltung abdecken? Die Prognose und Festlegung von Lagerbeständen ist eine Sache; aber wie sieht es mit der Verwaltung von Reparaturdurchläufen, dem Pooling von Rotables oder der dynamischen Neugewichtung des Bestands über Standorte hinweg aus? Smart IP&O hat möglicherweise nicht all diese Funktionen eingebaut. Es könnte davon ausgehen, dass ein ziemlich standardisierter Prozess vorliegt, bei dem der Lagerbestand jedes Standorts auf ein bestimmtes Servicelevel geplant wird und das war’s. Es optimiert möglicherweise nicht, welche Standorte Lagerbestände führen sollten, wenn Sie ein Netzwerk haben - zumindest nicht in dem Maße, wie es ein Mehr-Ebenen-Tool tun würde. Außerdem berücksichtigt es wahrscheinlich nicht explizit Zuverlässigkeitsmetriken (es sei denn, Sie speisen diese auf irgendeine Weise in die Nachfragehistorie ein).

Eine weitere Vorsichtsmaßnahme betrifft die Automatisierung gegen Benutzereingabe: Die Tools von Smart berechnen Zahlen, aber der Benutzer muss oft die Service-Level-Ziele festlegen (obwohl sie eine „nahezu 100%ige Genauigkeit“ behaupten, also zielen sie vielleicht auf einen hohen Service ab und optimieren die Kosten). Smart zwingt Sie nicht, für jedes SKU ein Prognosemodell auszuwählen; der Algorithmus arbeitet automatisch mit den Daten. Das ist gut. Aber Sie müssen immer noch Ausnahmen verwalten - z. B. wenn ein Teil veraltet wird, müssen Sie dem System Bescheid geben oder die Prognose manuell anpassen. Die von ihnen erwähnte „Gen2“-Technologie ⁵⁷ könnte eine automatischere Identifizierung von Nachfrageursachen umfassen, aber Details sind nicht öffentlich.

Die Integration (erneut) erfordert Aufwand. Smart liefert die Wissenschaft, aber Sie müssen ihr Daten zuführen (saubere historische Nachfrage usw.) und dann ihre Ausgabe implementieren. Wenn eine Organisation nicht bereit ist, den generierten Prognosen oder Sicherheitsbeständen zu vertrauen, könnten sie diese außer Kraft setzen und den Nutzen verringern. Die Erfolgsgeschichten von Smart beinhalten normalerweise ein engagiertes Team, das die Empfehlungen des Tools vollständig nutzt.

Insgesamt ist Smart Software eine Art Spezialwerkzeug, das die Planungsfähigkeiten eines MRO ergänzen kann. Es ist wohl state-of-the-art in der Prognose von intermittierender Nachfrage - selbst einige größere Anbieter könnten in diesem speziellen Bereich weniger fortschrittliche Methoden verwenden. Wenn ein MRO das größte Problem in der Prognosegenauigkeit für Tausende sporadischer Teile sieht, ist Smart eine attraktive Lösung. Aber wenn die größere Herausforderung darin besteht, die Optimierung über eine komplexe Reparatur-Supply-Chain zu erreichen, 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 technischem Fokus lohnt es sich, Smart IP&O nicht als vollständigen Ersatz für Planungssysteme, sondern als “Prognose-Engine in einer Box” zu betrachten. Die Skepsis aufrechterhalten: Stellen Sie sicher, dass die Organisation auf diese Prognosen reagieren kann (haben Sie Prozesse, um die Lagerempfehlungen umzusetzen?) und fragen Sie Smart, wie es mit Dingen wie Lieferzeitvariabilität umgeht (sie sind gut in der Nachfragevariabilität; hoffentlich simulieren sie auch Lieferzeiten oder lassen zumindest Variabilitätspuffer zu). Klären Sie auch, wie es aktualisiert wird - wenn neue Daten zeigen, dass es einen Anstieg gibt, wie schnell reagiert es und vermeidet es Überreaktionen? Angesichts ihrer akademischen Strenge ist es wahrscheinlich, dass sie darüber nachgedacht haben, aber es ist gut, dies zu überprüfen.

IBM MRO Inventory Optimization (Oniqua) - Datengetriebene Entscheidungsunterstützung

IBMs MRO Inventory Optimization, das im Wesentlichen das Produkt ist, das IBM 2018 von Oniqua erworben hat, positioniert sich als Analyseplattform für vermögensintensive Branchen wie Bergbau, Energie, Fertigung und ja, Luft- und Raumfahrt. 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 verwendet werden.

IBM MRO IO wird als „Kombination aus statistischen Analysen, präskriptiven Analysen, Automatisierung und Optimierungsalgorithmen“ beschrieben, um den Servicelevel zu verbessern und Kosten zu senken ⁹. Was dies in der Praxis bedeutet: Es analysiert Ihre Verwendungs- und Lagerdaten, identifiziert, wo Sie zu viel Bestand (Überschuss) haben und wo Sie von Lagerausfällen bedroht sind, und schreibt dann Maßnahmen wie „dies reduzieren, das erhöhen“ vor. Es ist in gewisser Weise vergleichbar mit einem intelligenten Analysten, der kontinuierlich Ihre MRO-Inventur-KPIs überprüft. Die Software umfasst Funktionen wie die Bewertung von Artikeln (wahrscheinlich eine Kritikalitäts- oder Risikobewertung) und Arbeitslisten für Planer ¹⁰. Das deutet darauf hin, dass sie eine Liste von empfohlenen Maßnahmen für den Benutzer generieren wird, die er überprüfen kann - eine sehr praktische Möglichkeit, Tausende von Teilen zu handhaben.

Auf der Prognoseseite erwähnt IBM ausdrücklich die „Prognose von intermittierender Nachfrage“ als eine Fähigkeit von MRO IO ¹⁰. Angesichts des Hintergrunds von Oniqua haben sie wahrscheinlich die Croston-Methode oder eine Variante verwendet, um die sporadische Nutzung von Teilen vorherzusagen. Es mag nicht so fortschrittlich sein wie Smarts Bootstrap, aber es geht zumindest auf die intermittierende Natur ein. Darüber hinaus berücksichtigt die Lösung von IBM Kritikalität, Lieferzeit und mehr, wenn historische Daten überprüft werden, um Erkenntnisse zu gewinnen ⁵⁸. Dies deutet auf eine regelbasierte analytische Ebene hin: zum Beispiel könnte hervorgehoben werden, 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 andererseits nicht kritische Teile mit zu viel Bestand kennzeichnen.

IBM wirbt auch mit Ergebnissen wie „50 % weniger ungeplanter Stillstandszeiten im Zusammenhang mit Teilen“ und „40 % weniger Lagerkosten“ ⁵⁹. Diese sind sehr kühn und repräsentieren wahrscheinlich Best-Case-Szenarien. Wir sollten skeptisch sein: Eine 50%ige Reduzierung der Ausfallzeiten durch ein Tool ist enorm - das geht wahrscheinlich davon aus, dass Ausfallzeiten durch Teileunverfügbarkeit verursacht wurden und Sie all diese Fälle durch bessere Lagerung 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 nichts in der Art von 50% sehen. Ebenso ist eine 40%ige Reduzierung der Lagerkosten enorm - nur möglich, wenn das Unternehmen von Anfang an viel zu viel Lagerbestand hatte (üblich in einigen Branchen, die Ersatzteile horten, aber weniger in der kommerziellen Luftfahrt, die bereits versucht zu optimieren aufgrund der hohen Kosten für Teile). Diese Zahlen sollten daher als Ausreißer oder von Marketing ausgewählte Datenpunkte betrachtet werden ⁵⁹.

Technologisch gesehen verwendet das Tool von IBM wahrscheinlich auch kein auffälliges KI/ML, abgesehen vielleicht von der Mustererkennung in Nutzungsdaten. IBM als Unternehmen arbeitet viel mit KI (Watson usw.), aber es gibt keine Anzeichen dafür, dass dieses Maß an KI hier eingebettet ist. Der Begriff „prädiktive und präskriptive Analytik“ wird verwendet ⁶⁰, was in der Analytik-Sprache oft bedeutet: prädiktiv = vorhersagen, was passieren könnte (z.B. zukünftige Ausfälle oder Verbrauch von Teilen vorhersagen), präskriptiv = Handlungsempfehlungen geben (z.B. dieses Teil jetzt bestellen, jene Bestellung reduzieren). Diese sind wertvoll, können aber mit relativ einfachen statistischen Modellen und Geschäftsregeln durchgeführt werden. Tatsächlich war der Ansatz von Oniqua in der Vergangenheit recht beratend - sie würden Regeln und Schwellenwerte einrichten, die auf jeden Kunden abgestimmt sind (zum Beispiel, wenn ein Teil seit 5 Jahren nicht bewegt wurde, ist es überflüssig; wenn ein Teil im letzten Jahr zu einem Lagerausfall geführt hat, den Bestand vielleicht erhöhen). IBM hat wahrscheinlich einen Teil dieser Logik produktisiert.

Ein mögliches Problem für einige: IBM MRO IO könnte davon ausgehen, dass Sie Ihre Wartungs- und Anlagendaten im Griff haben (da es oft mit Maximo verkauft wird). Wenn ein Luftfahrt-MRO kein Maximo verwendet, können sie MRO IO dennoch nutzen, aber die Integration mit ihren Systemen und die Sicherstellung der Datenqualität (Gerarchien von Geräten, Definitionen kritischer Anlagen usw.) werden entscheidend sein. Die Behauptung, dass es „Datenanforderungen durch die Aufnahme von Daten wie sie sind“ eliminiert, wie wir es bei einem Konkurrenten (Verusen) gesehen haben, ist nicht etwas, das IBM ausdrücklich behauptet - IBM weiß, dass eine Datenbereinigung notwendig ist. Daher ist eine Datenbereitungsphase zu erwarten.

Die Lösung von IBM verlässt sich wahrscheinlich teilweise auf Benutzereingaben für bestimmte Dinge: z.B. muss man Teile nach Kritikalität (go/no-go) im System klassifizieren, Lieferzeiten, Kosten usw. festlegen. Die Optimierung erfolgt dann innerhalb dieser Parameter. Es kann nicht automatisch die Kritikalität eines Teils kennen, es sei denn, Sie speisen sie ein. Daher ist es nur so gut wie Ihre Datenverwaltung.

In Bezug auf Automatisierung automatisiert IBM IO die Analyse, nicht unbedingt die Ausführung. Es gibt Ihnen eine To-Do-Liste; die tatsächliche Bestellung wird möglicherweise immer noch in Ihrem ERP-System von Ihren Planern durchgeführt. Dies ist eine etwas weniger integrierte Automatisierung als beispielsweise ein Tool, das direkt Bestellanforderungen erstellt. Einige Unternehmen bevorzugen jedoch diesen „Mensch-im-Loop“-Ansatz, um zu vermeiden, dass das System eigenartige Entscheidungen trifft.

Angesichts des Unternehmensgewichts von IBM kann man davon ausgehen, dass der Integrationsaspekt gut unterstützt wird (insbesondere für IBMs eigenes Maximo oder SAP, mit dem IBM oft zusammenarbeitet). Aber nochmals, „Plug-and-Play“ ist unwahrscheinlich - IBM oder ein Partner wird wahrscheinlich ein ziemlich umfangreiches Projekt durchführen, um es an Ihre Wartungs- und Lieferkettenprozesse anzupassen.

Zusammenfassend ist die IBM MRO Inventory Optimization (Oniqua) eine robuste analytische Lösung, die gute Verbesserungen bringen kann, insbesondere wenn Sie derzeit keine Sichtbarkeit in die Leistung Ihrer Lagerbestände haben. Es ist stark darin, offensichtliche Ineffizienzen (Überbestände, potenzielle Lagerausfälle) zu identifizieren und das niedrig hängende Obst zu optimieren. Es behandelt intermittierende Nachfrage und Kritikalität durch statistische und regelbasierte Methoden, jedoch nicht unbedingt die allerneuesten KI-Techniken. Für einen MRO-Manager in der Luftfahrt könnte dies ein eher inkrementelles Verbesserungswerkzeug sein als ein radikales neues KI-System - was vollkommen in Ordnung sein könnte, wenn Sie die Grundlagen richtig hinbekommen müssen. Skepsis sollte gegenüber den großen Verbesserungsansprüchen angewendet werden: Fragen Sie IBM, was diese Zahlen wirklich bedeuten, und verlangen Sie Referenzen, die Ihrem Betrieb 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 die Lösung von IBM systematisch Verbesserungen vorantreiben. Wenn Sie einen Black-Box-KI-Algorithmus erwartet haben, der alles magisch optimiert, ohne Aufsicht, dann ist dies nicht der Fall (und ehrlich gesagt existiert das noch nicht in Form eines Plug-and-Play-Systems).

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 spezielle Software kaufen. SAP Service Parts Planning (SPP) und die Ersatzteilmodule von Oracle sind die wichtigsten.

SAP SPP: Teil von SAPs APO (Advanced Planning & Optimization) Suite und jetzt teilweise in SAP IBP (Integrated Business Planning) verfügbar, wurde SPP Mitte der 2000er Jahre gemeinsam mit großen Industrieunternehmen entwickelt. Es umfasst Funktionen wie die Optimierung von Mehr-Ebenen-Lagerbeständen, Prognosen (einschließlich spezifischer Modelle für intermittierende Nachfrage) und die Bedarfsplanung für Ersatzteile. SAP SPP kann auf dem Papier viel: Es verfügt über eine Croston-Vorhersagemethode für intermittierende Nachfrage (SAP dokumentiert sie sogar als “Vorhersagestrategie 80” unter Verwendung von Crostons 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 integriert. Es kann auch laterale Transshipment-Modelle modellieren, verfügt über eine integrierte Funktionalität für Teileaustausch (Produktaustauschbarkeit) und kann Lagerbestände über ein Netzwerk hinweg optimieren, basierend auf Servicelevels oder Füllraten. Caterpillar und Ford waren frühe Einflussfaktoren, und zu einem Zeitpunkt wurde behauptet, dass SAP SPP sehr fortschrittliche Funktionalitäten hatte (einige Analysten glaubten, es konkurrierte mit Best-of-Breed-Tools) ⁶².

Die Realität in der Luftfahrt ist jedoch, dass nur wenige Fluggesellschaften oder MROs SAP SPP vollständig genutzt haben. Ein Grund dafür ist die Komplexität und das erforderliche Fachwissen. Die Einrichtung von SPP bedeutet, dass viele Parameter konfiguriert werden müssen: Man muss für jedes Teil Vorhersagemodelle zuweisen (Crostons für wirklich intermittierende, vielleicht gleitender Durchschnitt für andere usw.), Stammdaten wie Ein-/Ausphasungsflags pflegen und vor allem Ziel-Servicelevels für jedes Teil oder jede Gruppe festlegen. SAP SPP entscheidet nicht von selbst, welches Servicelevel Sie benötigen - Sie geben es vor. Oft verwenden Unternehmen ABC/XYZ-Klassifizierungen, um Teile zu gruppieren, und weisen dann jedem Teil oder jeder Gruppe ein Servicelevel-Ziel zu. Dieser Ansatz ist benutzerdefiniert und optimiert nicht wirklich den Kompromiss. Es ist im Wesentlichen eine Eingabe für die Optimierung. SAP berechnet dann die Lageranforderungen, um diese Eingaben bei minimalen Beständen zu erfüllen (das ist der Optimierungsteil, bei dem möglicherweise ein MILP-Löser für Mehr-Ebenen-Lagerbestände verwendet wird). Aber wenn diese Ziele nicht stimmen, sind die Ergebnisse wirtschaftlich nicht global optimal.

Eine weitere Herausforderung besteht darin, dass die Benutzeroberfläche und die Benachrichtigungen 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 optimal für die Produktivität der Planer. Viele haben letztendlich nur Teile davon genutzt (zum Beispiel nur die Prognose oder nur die Distributionsplanung, während sie andere Dinge in Excel verwalteten).

In Bezug auf den heutigen Stand der Technik ist SAP SPP in gewisser Weise in der Zeit stehen geblieben. SAPs strategischer Fokus hat sich auf IBP verlagert, und IBP für Ersatzteile hinkt funktionsmäßig noch hinterher. Einige fortgeschrittene SPP-Funktionen wurden beispielsweise nicht sofort auf IBP migriert. Wenn also ein Luftfahrt-MRO auf SAP ist und in Betracht zieht, die integrierte Planung zu nutzen, könnte festgestellt werden, dass dies eine umfangreiche Anpassung erfordert (und möglicherweise Drittanbieter-Add-Ons), um alle Anforderungen zu erfüllen. Beispielsweise sind die Handhabung von zufälligen Reparatur-BOMs oder die Prognose von Entfernungsrate möglicherweise nicht out-of-the-box; man müsste möglicherweise eine benutzerdefinierte Prognose basierend auf Flugstunden oder Nutzung erstellen (einige SAP-Benutzer haben nach Prognosen aus installierten Basisfahrern anstelle von Verbrauchshistorie gefragt ⁶³ - was auf Lücken in der Standardfunktionalität für MRO-spezifische Prognosen hinweist).

Oracle: Oracles Service-Teileplanung (oft über die Oracle E-Business Suite Value Chain Planning oder als Teil des Oracle Cloud SCM) bietet ähnliche Grundfunktionalitäten. Es umfasst Prognosen (wahrscheinlich Croston oder ähnliche intermittierende Modelle), Multi-Echelon-Inventaroptimierung und Ausführungsintegration. Oracles Stärke liegt möglicherweise in der Integration mit Oracle eAM (Enterprise Asset Management) und seinem ERP, 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 verlässt 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 basierend auf einem Konfidenzniveau annehmen, das von einer bestimmten Verteilung ausgeht (oft normal oder Poisson). Aber die Erwartung, dass das System von Oracle sich selbst abstimmt oder maschinelles Lernen verwendet, wäre unrealistisch.

Gemeinsame Probleme (SAP/Oracle): Beide ERP-Lösungen leiden unter der Tatsache, dass die Luftfahrt-MRO nicht one-size-fits-all ist. Diese Systeme sind generisch, daher ist es nicht ein Standardparameter, den Sie umschalten können, um etwas wie “go-if-Teil, der den Austausch um 30 Tage verschieben kann” zu erfassen - Sie müssten diese Logik manuell einbeziehen (vielleicht indem Sie sagen, dass der Servicelevel für diesen Teil etwas niedriger sein kann, usw.). Die Anpassung, um ein Flugzeugwartungsprogramm wirklich zu modellieren, kann umfangreich sein. Beispielsweise könnte die Modellierung von zufälligen Wartungs-BOMs in SAP das Einspeisen geplanter Wartungspläne als abhängige Bedarfe und ungeplanter als statistische Bedarfe usw. beinhalten. Es ist machbar, aber komplex.

Auch Überlastung der benutzerdefinierten Einstellungen: In einem SAP oder Oracle müssen Planer möglicherweise viele Einstellungen pflegen - wie Überprüfungszeiträume, Losgrößenregeln, minimale Sicherheitsbestände usw., da das System sonst möglicherweise nicht wie gewünscht funktioniert. Jede dieser Einstellungen birgt die Möglichkeit von Fehlern oder suboptimalen Entscheidungen. Dieses Vertrauen auf die manuelle Konfiguration des Benutzers ist genau das, was fortgeschrittenere Lösungen durch Automatisierung zu beseitigen versuchen.

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

In einer skeptischen Sichtweise sind die Behauptungen von SAP und Oracle (wenn sie welche machen) in der Regel zurückhaltend; sie werben nicht oft öffentlich mit großen % Verbesserungen, weil sie wissen, dass es von der Implementierung abhängt. Die Technologie in diesen Systemen ist solide, aber nicht topaktuell - es handelt sich größtenteils um akademische Methoden aus dem späten 20. Jahrhundert, die in Software implementiert sind. Ihnen fehlt auch der AI/ML-Hype (abgesehen davon, dass SAP in anderen Kontexten langsam anfängt, über “nachfragegesteuerte MRP mit maschinellem Lernen” zu sprechen, aber nicht speziell über Ersatzteilplanung).

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

Neue KI-Einsteiger (z. B. Verusen) - Realitätscheck für Buzzwords

Keine Marktstudie im Jahr 2025 wäre vollständig, ohne die neue Welle von Start-ups und KI-gesteuerten Lösungen zu erwähnen, die für die Optimierung der Supply Chain auftauchen. Im MRO-Bereich ist ein Beispiel Verusen, das sich als „Die einzige KI-Plattform, die speziell für die Optimierung von Beständen, Ausgaben und Risiken für die MRO-Supply-Chain von assetintensiven Herstellern entwickelt wurde“ ⁶⁵ vermarktet. Diese kühne Behauptung löst sofort Skepsis aus - „einzige KI-Plattform“ ist offensichtlich Marketing-Übertreibung (wie wir gesehen haben, behaupten auch viele etablierte Anbieter AI in verschiedenen Formen).

Verusens Ansatz konzentriert sich laut ihren Materialien stark auf Datenübernahme und -bereinigung. Sie heben Dinge wie „Daten aus ERP/EAM-Systemen so zu übernehmen, wie sie sind“ hervor und wenden KI an, um doppelte Materialien zu identifizieren und Daten zu konsolidieren ⁶⁶. Dies adressiert ein echtes Problem: MRO-Daten sind oft unordentlich (dieselbe Komponente wird unter leicht unterschiedlichen Namen erfasst, usw.). Verusen verwendet maschinelles Lernen (wahrscheinlich NLP und Musterabgleich), um Materialstammdaten zu rationalisieren. Das ist wertvoll als Vorläufer zur Optimierung - wenn Ihre Daten ein Durcheinander sind, kann selbst der beste Algorithmus nicht helfen. Daher scheint sich Verusen darauf zu konzentrieren, eine genaue einzige Informationsquelle für Teile aufzubauen und dann Optimierungsmöglichkeiten zu finden (wie die Identifizierung von Überbeständen in verschiedenen Werken, die gemeinsam genutzt werden könnten, oder die Reduzierung von Sicherheitsbeständen, wo Überangebot besteht).

Wo Verusen und ähnliche Neueinsteiger schwach sind, ist die nachgewiesene Tiefe in tatsächlichen Prognose- und Lageralgorithmen. Sie erwähnen KI allgemein, aber keine Details. 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 Start-ups reine ML-Prognosen versucht und festgestellt, dass sie nicht so leicht gut abgestimmte statistische Modelle für intermittierende Nachfrage schlagen (was für Standard-ML sehr schwer vorherzusagen ist, weil es so viele Nullen gibt).

Verusen betont auch, dass sie cloud-basiert und schnell integrierbar sind - was auf ein Versprechen von mehr „Plug-and-Play“ als bei älteren Anbietern hindeutet. Hier müssen wir jedoch eine starke Warnung aussprechen: Unabhängig von der Plattform ist die Verbindung zu einem Unternehmen ERP und das Abrufen 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 Ansatz, Daten „so wie sie sind“ zu übernehmen ⁶⁷, ist interessant - es legt nahe, dass ihre KI durch den Lärm arbeiten kann. Möglicherweise kann sie ähnliche Artikel gruppieren, um Duplikate aufzudecken oder fehlende Vorlaufzeiten aus dem Kontext abzuschätzen. Das sind coole Funktionen, aber ein Manager sollte um den Nachweis bitten, dass die KI es richtig macht. Sie möchten nicht, dass ein Algorithmus entscheidet, dass zwei Teilenummern Duplikate sind, wenn es sich tatsächlich um unterschiedliche kritische Teile handelt.

Die skeptische Sicht auf neue KI-Anbieter: Sie bringen frische Ideen und oft benutzerfreundliche Oberflächen (moderne UX, Dashboards). Sie können einige Nebenprobleme wie Datenqualität und einfache What-If-Analysen lösen. Aber manchmal fehlt es ihnen an dem hart erarbeiteten Fachwissen, das in älteren Lösungen verankert ist. Ein KI-Startup könnte nicht wissen, dass “Teil ABC für den Flug tabu ist, aber bei Bedarf um 3 Tage verschoben werden kann”, es sei denn, Sie sagen es ihm ausdrücklich; während ein domänenspezifisches Tool diese Logik haben könnte. Daher sollte jeder KI-Neuling darauf gedrängt werden, wie er luftfahrtspezifische Anforderungen berücksichtigt: Lebensdauer, Zertifizierungsbeschränkungen, regulatorische Anforderungen (man kann nicht einfach ein beliebiges Ersatzteil ohne ordnungsgemäße Dokumentation verwenden, usw.), unter anderem.

Das gesagt, einige neue Akteure könnten mit Branchenexperten zusammenarbeiten oder ehemalige MRO-Planer einstellen, um Regeln zu integrieren. Es ist nicht unmöglich für sie aufzuholen, aber es ist etwas, das überprüft werden sollte, nicht vorausgesetzt.

Andere bemerkenswerte neue Ansätze umfassen die Nutzung von IoT- und prädiktiven Wartungsdaten direkt für die Lagerplanung (einige Lösungen verwenden Sensordaten, um Teileausfälle vorherzusagen und diese dann in den Lagerbedarf einzubeziehen). Dieser Bereich entwickelt sich weiter und kommt oft über Wartungsvorhersagesysteme anstelle von Lagerverwaltungssystemen herein. Aber es kommt zu einer Konvergenz - 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 möglicherweise mehr vertikale Integration sehen wird (OEMs bieten einen End-to-End-Service einschließlich Lageroptimierung an, unter Verwendung ihrer Daten über die Ausrüstung).

Im Wesentlichen sollten Startups, die KI/ML für MRO beanspruchen, im Auge behalten werden - sie könnten ein Puzzlestück anbieten oder sogar mit einem der größeren Tools integrieren (zum Beispiel eine Datenbereinigungs-KI, die in ein Lokad oder Servigistics einfließt). Bewahren Sie Skepsis gegenüber ihren kühnen Aussagen, bis sie die Ergebnisse nachweisen können. Oft haben kleine neue Anbieter begrenzte Fallstudien und diese könnten Pilotprojekte sein, keine vollständigen Implementierungen.

Man sollte auch darüber nachdenken, wie diese neuen Systeme mit den umfangreichen Prozessen und Legacy-Systemen in der Luftfahrt koexistieren werden. Ein auffälliges KI-Tool, das seine Ergebnisse nicht einfach in Ihr bestehendes ERP exportieren kann, oder das Entscheidungen nicht für die Prüfung protokolliert (wichtig für die luftfahrtrechtliche Einhaltung), wird auf Hindernisse stoßen. Führungskräfte möchten sehen, dass ein solches Tool in den Workflow integriert werden kann (was ironischerweise möglicherweise genauso viel Integrationsaufwand erfordert wie jede andere Software).

Fazit und Empfehlungen

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

Es gibt jedoch hochmoderne Techniken: probabilistische Prognosen, Multi-Echelon-Optimierung und KI/ML zur Mustererkennung können die Leistung signifikant verbessern, wenn sie ordnungsgemäß implementiert werden. Anbieter wie Lokad treiben die Grenzen dieser Methoden speziell für die Luftfahrt voran, während Giganten wie PTC Servigistics und Syncron viele fortschrittliche Funktionen integrieren, wenn auch hinter einer undurchsichtigeren Marketing-Sprache. ToolsGroup, Baxter, Smart, und andere bringen starke Kompetenzen mit, die, wenn sie mit den Bedürfnissen Ihrer Organisation übereinstimmen, erhebliche Vorteile bringen können - solange Sie nicht einfach den Schalter umlegen und Magie erwarten. Interne Prozessreife und Datenqualität bleiben entscheidend.

Ein wiederkehrendes Thema ist der Kompromiss zwischen Automatisierung und Benutzerkontrolle. Hochautomatisierte, KI-gesteuerte Systeme können Skalierbarkeit und Komplexität (Zehntausende von P/Ns) bewältigen, können sich jedoch 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 lästige Arbeit automatisiert (Prognosen, Berechnung optimaler Bestände), aber den Planern bei Ausnahmen Transparenz und die Möglichkeit zur Übersteuerung bietet. Bei der Bewertung von Anbietern sollten MRO-Manager fragen: Passt sich das System automatisch an Nachfrage-/Lieferzeitänderungen an, oder muss ich Einstellungen anpassen? Wenn ein Anbieter darauf besteht, dass Sie viele Min-/Max- oder Klassifizierungsregeln pflegen müssen, ist das ein Zeichen für schwächere Technologie (oder zumindest, dass die Technologie nicht vollständig genutzt wird).

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

Ein weiteres Warnsignal, auf das Sie achten sollten, ist die Abhängigkeit von Fallstudien oder Analystenberichten, die zu gut erscheinen, um wahr zu sein. Viele Fallstudien erwähnen nicht die Herausforderungen oder den Ausgangspunkt. Zum Beispiel könnte es großartig klingen, wenn “der Bestand um 30% reduziert wurde”, aber wenn das Unternehmen ursprünglich kein Planungssystem hatte, könnte eine Reduzierung um 30% durch jede anständige Prozessverbesserung erreicht werden. Ebenso könnte “der Servicelevel auf 99% verbessert” bedeuten, dass sie stark überlagert haben. Gehen Sie immer tiefer: Fragen Sie nach den Vorher-nachher-Metriken im Kontext, und noch besser, sprechen Sie direkt mit Referenzkunden, wenn möglich, anstatt auf polierte Zitate zu vertrauen.

Auf der anderen Seite ist es ein gutes Zeichen, wenn Anbieter spezifische technische Details oder Methoden bereitstellen. Es bedeutet, dass sie konkrete Methoden haben, anstatt nur Buzzwords zu verwenden. Zum Beispiel erklärt Smart Software offen ihre Bootstrap-Methode ⁸, oder Lokad diskutiert differenzierbare Programmierung, was Substanz zeigt. Anbieter, die einfach “KI/ML” herumwerfen, ohne zu erklären, wie es auf das Problem angewendet wird, erwarten wahrscheinlich, dass Käufer nicht danach fragen - aber das sollten Sie unbedingt tun. Lassen Sie sich erklären, wie ihre maschinelle Lernmethode beispielsweise mit einem Teil umgeht, der in den meisten Monaten nicht genutzt wird und dann plötzlich benötigt wird - welche Eingaben verwendet die ML? Wenn sie mit Fachjargon und ohne Klarheit antworten, seien Sie vorsichtig. Wenn sie jedoch erklären können, dass sie ähnliche Teile gruppieren und ein bayesianisches Modell verwenden, das Flottenbetriebsstunden mit historischen Ausbauten kombiniert, haben sie zumindest einen Ansatz.

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

• Passen Sie das Tool an Ihr Problem an: Wenn Sie unter starker Nachfragevariabilität und Lagerausfällen leiden, priorisieren Sie Anbieter mit bewährten probabilistischen Prognosen (Lokad, ToolsGroup, Smart, Syncron in gewissem Maße). Wenn Ihr Problem übermäßiger Lagerbestand und mangelnde Transparenz ist, könnte ein präskriptives Analysetool (IBM/Oniqua oder Baxter) ausreichen, um Fett zu reduzieren.
• Bewerten Sie die Fähigkeiten Ihres Teams: Ein sehr fortschrittliches System erfordert geschulte Planer/Analysten, die damit interagieren (oder die Experten des Anbieters, die Sie unterstützen). Ein einfacheres System könnte von einem schlanken Team betrieben werden, könnte jedoch nicht jeden Cent der Optimierung herausquetschen.
• Planen Sie die Daten- und Integrationsarbeit: Investieren Sie unabhängig von der Software in die Bereinigung von Teilestammdaten, Nutzungsdaten und den Aufbau von Schnittstellen. Es ist weniger sexy als KI, aber grundlegend.
• Pilotieren und Überprüfen: Führen Sie einen Pilotversuch an einem Teil oder einem Standort durch. Sehen Sie, ob die ausgeklügelten Algorithmen des Anbieters tatsächlich sinnvolle Empfehlungen liefern (z.B. kein Bestand an einem wichtigen Teil? oder großer Bestand an etwas Billigem?). Überprüfen Sie ihre Optimierung, indem Sie Szenarien simulieren. Ein guter Anbieter wird mit Ihnen zusammenarbeiten; ein unsicherer wird zu viel Prüfung vermeiden.

Das Problem des Flugzeug-MRO-Inventars wird oft als „verrückt herausfordernd“ beschrieben ⁶⁸ – in der Tat ist es das. Aber die heutigen Tools sind dabei, sich dieser Herausforderung zu stellen. Indem man sich nicht von der Hype blenden lässt und sich auf überprüfbare Fähigkeiten konzentriert, kann ein MRO eine Lösung wählen, die wirklich die Verwaltung seiner Teile optimiert, konkrete Zuverlässigkeitsverbesserungen und Kosteneinsparungen bietet. Denken Sie einfach an das Motto des Skeptikers: In Gott vertrauen wir, alle anderen – bringen Sie Daten. Jeder Anbieter sollte in der Lage sein, Daten vorzulegen, die ihre Behauptungen im Kontext Ihres Betriebs unterstützen. Mit dieser Sorgfaltspflicht können Sie einen Softwarepartner finden, der über Marketingversprechen hinaus zu realen Erfolgen in Ihrer Supply Chain führt.

Fußnoten