Software de Optimización de MRO de Aviación

Última modificación: 2 de febrero de 2025

Introducción

Las cadenas de suministro de Mantenimiento, Reparación y Revisión (MRO) de la aviación lidian con una extrema complejidad. Las aerolíneas y los proveedores de MRO gestionan inventarios de piezas de cola larga con demanda intermitente y escasa y plazos y precios altamente variables. Las fallas impredecibles y los BOMs aleatorios para reparaciones significan que el uso puede aumentar sin previo aviso. Las piezas a menudo tienen ciclos de vida estrictos (por ejemplo, ciclos máximos o horas de vuelo) y clasificaciones de criticidad (“piezas no-go” que inmovilizan aeronaves vs. “go-if” o artículos diferibles). Estos factores hacen que las decisiones de pronóstico y almacenamiento sean notoriamente difíciles: un delicado equilibrio entre evitar incidentes de AOG (avión en tierra) y minimizar el exceso de inventario.

Varios proveedores de software afirman resolver estos desafíos con herramientas de optimización especializadas. Este estudio realiza una inmersión profunda escéptica en las principales soluciones de “optimización de MRO de aviación”. Evaluaremos críticamente la tecnología de cada proveedor: ¿Realmente proporcionan capacidades de última generación como forecast probabilístico (tanto para la demanda como para los plazos de entrega), optimización económica (maximizando el rendimiento de la inversión en decisiones de inventario) y alta automatización para hacer frente a decenas o cientos de miles de números de piezas? Las afirmaciones de marketing de mejoras “impulsadas por IA/ML” - como porcentajes dramáticos de reducción de inventario o aumentos de nivel de servicio - serán examinadas en busca de sustancia. Buscamos específicamente evidencia de ingeniería avanzada (o falta de ella) detrás de estas afirmaciones, y si las herramientas dependen de análisis automáticos versus parámetros definidos por el usuario engorrosos. Finalmente, consideramos las realidades de integración en el desordenado panorama de TI de la MRO de aviación, desafiando cualquier afirmación de “conectar y usar”.

El objetivo es proporcionar a los ejecutivos de MRO con una inclinación tecnológica una visión general detallada y sin tonterías de las ofertas del mercado, separando la verdadera innovación de las palabras de moda.

Clasificación de Proveedores (Resumen)

1. Lokad – Forecast probabilístico y automatización de primer nivel para la aviación. Lokad lidera con tecnología de vanguardia como forecast de demanda/tiempo de entrega probabilístico y programación diferenciable, construida a través de años de I+D en aviación ¹. Hace hincapié en la optimización económica (costo vs. servicio) y en la mínima afinación manual, lo que lo convierte en un líder en la planificación de inventario de MRO verdaderamente de última generación.

2. PTC Servigistics – Suite heredada completa con mejoras modernas. Servigistics ofrece el conjunto de características más amplio (optimización multi-escalonada, forecast avanzado, integración IoT) y es ampliamente utilizado en aeroespacial y defensa ². Aplica “IA/ML” bajo el capó y maneja escenarios complejos, aunque algunos algoritmos datan de décadas de desarrollo. Muy potente, pero su complejidad puede significar una configuración más pesada y dependencia de la configuración experta.

3. Syncron – Especialista en piezas de servicio con crecientes capacidades de IA. La plataforma en la nube de Syncron está dedicada a la planificación de piezas de servicio para fabricantes y ahora aeroespacial. Promociona IA, machine learning y simulaciones avanzadas para manejar patrones de demanda complejos e intermitentes ³. Las características probabilísticas están emergiendo, y se centra en la optimización económica de stock, aunque la profundidad en las peculiaridades específicas de la aviación todavía está evolucionando (fuerte en el mercado de posventa de OEM históricamente).

4. ToolsGroup (SO99+) – Modelado estocástico probado, pero narrativa de “IA” envejecida. ToolsGroup fue pionero en el forecast de demanda intermitente y la optimización de inventario multi-escalonada ⁴. Sus modelos probabilísticos manejan bien la “cola larga” de las piezas de repuesto. Sin embargo, las afirmaciones de ser “impulsado por IA” parecen exageradas: los análisis sugieren que su tecnología es en gran medida estadísticas tradicionales (modelos pre-2000) con algunas actualizaciones ⁵. Aún así, ofrece una sólida automatización para la planificación de piezas a gran escala.

5. Armac Systems (RIOsys) – Optimizador centrado en la aviación para rotables y repuestos. Armac (propiedad de SR Technics) es un líder de nicho específicamente para el inventario de aerolíneas/MRO. Su herramienta RIOsys calcula niveles de stock óptimos tanto para rotables como para consumibles incluso bajo demanda no programada (aleatoria) y redes multi-sitio ⁶. Incorpora conocimiento operacional (por ejemplo, datos de fiabilidad) en el modelo y refina continuamente las recomendaciones. La fortaleza específica del dominio es alta, aunque la empresa es más pequeña y los detalles técnicos (IA/ML) se enfatizan menos públicamente.

6. Baxter Planning (Prophet by Baxter) – Fundamentos de planificación de piezas de servicio con enfoque en costos. La solución de Baxter cubre el forecast, la planificación de inventario y la reposición automatizada. Utiliza un enfoque de “Optimización Total de Costos” que considera la criticidad de la pieza, la ubicación y la urgencia del cliente para equilibrar el servicio y el costo ⁷. Es una herramienta sólida y pragmática (más de 20 años en piezas de servicio), aunque se basa más en métodos de forecast tradicionales y parámetros definidos por el usuario que en verdadera automatización impulsada por IA.

7. Smart Software (Smart IP&O) – Motor avanzado de forecast de demanda intermitente. Smart Software es conocido por su forecast probabilístico de piezas de repuesto utilizando un método de bootstrapping patentado ⁸. Genera miles de escenarios de demanda para capturar la variabilidad, produciendo una distribución completa y precisa de la demanda a lo largo de los plazos de entrega. Esto resulta en niveles de stock optimizados para piezas intermitentes. Sin embargo, el enfoque de Smart está en el forecast y los cálculos de stock de seguridad; es una solución más estrecha (a menudo complementa un ERP) en lugar de una plataforma MRO de extremo a extremo. Aún se necesitan integración y esfuerzo del usuario para actuar sobre sus forecasts.

8. IBM (MRO Inventory Optimization, anteriormente Oniqua) – Enfoque en industrias intensivas en activos, impulsado por análisis. MRO IO de IBM (adquirido de Oniqua) es una plataforma en la nube que combina análisis estadístico, análisis prescriptivo y optimización para repuestos de mantenimiento ⁹. Aborda la demanda intermitente con forecast incorporado y recomendaciones basadas en la criticidad, con el objetivo de minimizar el tiempo de inactividad ¹⁰. La herramienta destaca en la identificación de exceso vs. faltante de stock y guía a los planificadores a través de “puntuaciones” y colas de trabajo. Aunque utiliza cierta automatización, el enfoque se inclina más hacia los paneles de soporte de decisiones, requiriendo que los usuarios revisen los insights (por ejemplo, por criticidad, tiempo de entrega) y actúen ¹¹. Su tecnología es sólida pero no llamativa, más análisis pesado que “magia de IA”, y a menudo requiere una limpieza de datos significativa (una fortaleza de IBM) y trabajo de integración.

9. SAP Service Parts Planning (SPP) – Módulo capaz con configuración pesada. La propia solución de planificación de piezas de repuesto de SAP (parte de SAP SCM/APO, ahora en transición a IBP) ofrece optimización de inventario multi-escalonada y soporta métodos como el de Croston para la demanda intermitente ¹². En teoría, puede manejar la complejidad a escala de aviación, y algunos OEMs grandes ayudaron a dar forma a su funcionalidad. En la práctica, SAP SPP requiere extensas configuraciones definidas por el usuario (selección de modelos de forecast, objetivos de clase de servicio, etc.) y una personalización significativa para adaptarse a las necesidades de la aviación. Por lo general, es menos automatizado: los planificadores deben configurar parámetros (por ejemplo, códigos de ciclo de vida, cadenas de sucesión, mín/máx) en lugar de que el sistema aprenda por sí mismo. Como opción integrada con ERP, es confiable pero no está a la vanguardia de la innovación algorítmica.

10. Oracle Spares Management – Planificación básica de piezas de repuesto dentro del ERP de Oracle. Oracle ofrece un módulo de Service Parts (en E-Business Suite y Cloud SCM) que cubre el forecast de demanda, la planificación del nivel de stock, etc. ¹³. Incluye técnicas estándar de demanda intermitente y optimización de pedidos a través de una red. Al igual que SAP, tiende a depender de configuraciones basadas en reglas y entrada del usuario - por ejemplo, los planificadores definen estrategias de forecast (Croston, suavizado exponencial) y políticas de inventario. La solución de Oracle hace el trabajo para algunos, pero no encontramos evidencia de IA de vanguardia o optimización probabilística; generalmente está un paso detrás de los proveedores especializados en tecnología.

A continuación, nos adentramos en un análisis detallado de la tecnología, capacidades y afirmaciones de cada proveedor, destacando donde brillan y donde se justifica el escepticismo.

Lokad – “Supply Chain Quantitativa” Probabilística para Aviación

Lokad es un nuevo participante (fundado en la década de 2010) que se ha centrado agresivamente en la optimización de la industria aeroespacial y MRO como una especialidad central. Su enfoque es sin disculpas impulsado por la ciencia de datos. La plataforma de Lokad se centra en el forecast probabilístico y lo que ellos llaman “optimización predictiva”. En lugar de prever una demanda de un solo punto, Lokad modela la distribución de probabilidad completa de la demanda, los tiempos de entrega e incluso las tasas de desecho de las piezas ¹. Esto es crucial para la alta incertidumbre de la aviación: por ejemplo, una pieza puede normalmente durar 5,000 horas pero ocasionalmente fallar mucho antes - un modelo probabilístico captura ese riesgo. Lokad luego calcula políticas de stock que minimizan el costo total (costos de mantenimiento, costos de faltante de stock, penalizaciones AOG) dadas esas incertidumbres.

Un aspecto destacado de la tecnología de Lokad es la programación diferenciable ¹. Esto esencialmente significa que utilizan técnicas de machine learning para “aprender” de los patrones de datos de la supply chain compleja. Por ejemplo, los horarios de mantenimiento, las curvas de fiabilidad (MTBUR - Mean Time Between Unscheduled Removal), los tiempos de ciclo de reparación, etc., pueden ser factores en un modelo similar a una red neuronal en lugar de reglas fijas. Lokad afirma que esto permite extraer automáticamente patrones de los datos que las fórmulas codificadas tradicionalmente podrían perder ¹. Es un concepto novedoso en la supply chain, y aunque es difícil de verificar externamente, indica una ingeniería seria más allá de las palabras de moda.

Importante, Lokad proporciona detalle de ingeniería sobre su enfoque, un cambio refrescante de las vagas afirmaciones de IA. En un comunicado de prensa con Revima (un MRO de APU/Landing Gear), mencionan explícitamente forecast probabilístico para demanda, tiempo de entrega y desecho, combinado con programación diferenciable para modelar procesos de reparación complejos ^{1 1}. Estas son técnicas concretas, no solo palabras de marketing. El hecho de que el CEO de Lokad sea un blogger activo sobre matemáticas de supply chain añade credibilidad (frecuentemente critican métodos tradicionales e incluso publican comparaciones).

Desde el punto de vista de la automatización, la solución de Lokad está altamente automatizada una vez que los datos están en su lugar. Se entrega como software más servicios (concepto de “Supply Chain as Code”): su equipo ayuda a configurar un modelo de optimización personalizado utilizando su lenguaje de scripting (Envision). Después de eso, el sistema ingiere continuamente datos (por ejemplo, transacciones diarias de piezas, remociones, etc.) y regenera recomendaciones de nivel de stock, órdenes de compra, priorización de órdenes de reparación, etc., con mínima intervención manual. Está diseñado para manejar decenas o cientos de miles de P/Ns permitiendo que los algoritmos calculen políticas óptimas para cada uno, en lugar de que los planificadores mantengan miles de configuraciones de mín/máx. Un ejecutivo de MRO de aviación confirma “Lokad ha proporcionado las herramientas correctas y el soporte para… reducir la incertidumbre incorporando un enfoque probabilístico,” logrando objetivos de tasa de llenado exigentes con menor riesgo ¹⁴.

Lokad también es sincero acerca de la integración: no prometen una fantasía pura de “conectar y usar”, reconociendo que los datos de la aviación son desordenados. En su lugar, a menudo aprovechan todas las fuentes de datos disponibles, incluso si son imperfectas. Por ejemplo, podrían usar métricas de fiabilidad proporcionadas por el OEM (MTBUR) y los datos históricos de remoción del operador, ponderándolos de acuerdo a cuál es más predictivo para cada parte ^{15 16}. Este nivel de matiz - utilizando múltiples fuentes de datos para triangulación - muestra una comprensión avanzada de las especificidades de la aviación (por ejemplo, utilizando datos del OEM cuando los datos en servicio son escasos, y viceversa).

Punto de vista escéptico: Las afirmaciones de Lokad están generalmente respaldadas por evidencia (estudios de caso con Air France KLM, Revima, etc., y blogs técnicos detallados). Aún así, se deben hacer preguntas difíciles: por ejemplo, ¿qué tan fácilmente puede un MRO típico adoptar la solución de Lokad sin un equipo de data scientists? Lokad tiende a trabajar de cerca con los clientes a través de sus propios expertos, lo cual es genial para los resultados pero podría verse como un modelo pesado en consultoría inicialmente en lugar de software puro. Además, aunque los modelos probabilísticos son ideales para la demanda intermitente, su precisión depende de la calidad de los datos - basura entra, basura sofisticada sale sigue siendo un riesgo. Los resultados de Lokad como “inventario reducido en un 60%” en un caso ¹⁷ deben ser recibidos con un escepticismo saludable - tales resultados podrían ser excepcionales o medidos contra una línea de base muy pobre. Sin embargo, entre los proveedores, Lokad parece ser el que más empuja el sobre en ciencia moderna de pronóstico y optimización. No depende de que los usuarios establezcan objetivos de nivel de servicio arbitrarios o clases ABC; en su lugar, automatiza las decisiones calculando los compromisos económicos para cada parte. Este nivel de automatización y rigor probabilístico lo convierte en una opción de primera elección para aquellos dispuestos a adoptar una solución más nueva.

PTC Servigistics – Campeón Peso Pesado con Tecnología Actualizada

Servigistics es el veterano en este espacio - su linaje se remonta a través de los pioneros de la industria (Xelus, MCA Solutions) que se fusionaron en Servigistics, y luego fueron adquiridos por PTC en 2012 ¹⁸. Es, con mucho, el software de Gestión de Piezas de Servicio (SPM) más ampliamente desplegado entre las grandes organizaciones de defensa y aeroespacial. Qantas, Boeing, Lockheed Martin, la Fuerza Aérea de los EE.UU. - tales nombres a menudo aparecen como usuarios de Servigistics ¹⁹. Con ese pedigrí, Servigistics establece un alto estándar en términos de amplitud y profundidad de características.

Desde una perspectiva de capacidades, Servigistics prácticamente lista cada función que un equipo de MRO o logística de posventa podría desear: pronóstico de demanda especializado para demanda baja y esporádica, optimización de inventario multi-escalonado (posicionamiento de stock a través, digamos, almacén central, bases avanzadas, taller de reparación, etc.), planificación de compras multi-fuente, decisiones de reparación vs. compra, e incluso un módulo de precios de piezas integrado ²⁰. Notablemente, PTC también ha extendido Servigistics a través de la integración de IoT - utilizando su plataforma ThingWorx para alimentar con datos de equipos conectados (por ejemplo, datos de uso o sensoriales de aeronaves/motores) para predecir fallos de piezas con vida limitada y planificar reemplazos proactivamente ^{21 22}. Esto comienza a abordar el problema del “BOM aleatorio” pronosticando las remociones de piezas basadas en el monitoreo de condiciones reales, no solo en estadísticas históricas.

Servigistics afirma incorporar ciencia de datos moderna: “los módulos de pronóstico, optimización y análisis aprovechan la IA, el aprendizaje automático y los big data” ²³. Sin embargo, los detalles sobre cómo exactamente se utiliza la IA/ML son escasos en los materiales públicos. Dada la larga historia de la herramienta, es probable que gran parte del motor de pronóstico todavía dependa de métodos estadísticos clásicos (método de Croston, variantes de suavizado exponencial para demanda intermitente, quizás estimación bayesiana para baja demanda) que han sido mejorados incrementalmente. La mención de trabajar con académicos como el Dr. John Muckstadt sugiere el uso de modelos analíticos probados para la optimización multi-escalonada ²⁴. Los algoritmos de Muckstadt (de su libro “Service Parts Management”) son más investigación de operaciones (optimización matemática) que aprendizaje automático, lo cual está bien, a menudo es óptimo para estos problemas. La “IA/ML” puede ser más bien un envoltorio reciente, posiblemente utilizando aprendizaje automático para cosas como la detección de anomalías en la demanda, o la clasificación de piezas (por ejemplo, agrupando patrones de demanda similares), en lugar de pronóstico central. Uno debería ser un poco escéptico de que Servigistics de repente se convirtió en una plataforma de “IA”; es más precisamente una plataforma de OR (Investigación de Operaciones) muy sofisticada con algunas nuevas características habilitadas por IA en los bordes.

Forecast probabilístico: ¿Lo hace Servigistics? Históricamente, podría producir una distribución de demanda para cada pieza (por ejemplo, a través de bootstrapping o ajuste de distribución estadística predefinida) para calcular stocks de seguridad óptimos. La optimización multi-escalonada requiere inherentemente entradas probabilísticas (para calcular las probabilidades de faltante de stock en diferentes ubicaciones). La documentación de PTC hace referencia a “tipos de distribuciones de probabilidad utilizadas” en las decisiones de stock ²⁵, lo que implica que el sistema considera más que solo un pronóstico medio. Podemos suponer razonablemente que hace alguna forma de forecast probabilístico o al menos simulación de escenarios para demanda esporádica (MCA Solutions, uno de sus predecesores, era conocido por la simulación de Monte Carlo en la planificación). La diferencia con un enfoque moderno es si estas distribuciones son aprendidas automáticamente o seleccionadas a través de reglas. En Servigistics, un planificador normalmente establece cada pieza en un método de pronóstico (o el sistema selecciona automáticamente de un conjunto de métodos) y luego elige objetivos de nivel de servicio. Hay mucha política definida por el usuario posible, por ejemplo, los planificadores pueden segmentar las piezas por criticidad o valor y asignar diferentes objetivos de tasa de llenado (el sistema tiene una capacidad de segmentación rica) ²⁶. Si no está completamente automatizado, esto podría ser una debilidad: la herramienta puede optimizar una vez que alimentas esos parámetros, pero determinar qué nivel de servicio debería tener cada una de decenas de miles de piezas a menudo se deja al juicio del usuario o a reglas simples (como “95% para piezas no-go, 80% para piezas go-if”). Las soluciones verdaderamente óptimas calcularían esos compromisos de forma dinámica. No está claro si Servigistics tiene una “optimización de nivel de servicio” automatizada que, por ejemplo, maximiza la disponibilidad general para un presupuesto dado, probablemente pueda hacerlo, pero muchos usuarios pueden no utilizar ese modo debido a su complejidad.

Servigistics también aborda aspectos del ciclo de vida de la pieza y el bucle de reparación. Para rotables (piezas reparables), puede planificar la cadena de reparación y tener en cuenta los tiempos de respuesta y los rendimientos. La nueva extensión de “Forecasting Conectado” pronostica explícitamente las remociones de piezas como Piezas de Vida Limitada (LLP) basándose en su vida restante y los datos de uso ²⁷, una capacidad muy importante en la aviación donde sabes que una pieza necesitará reemplazo después de X ciclos. Esto ayuda a mitigar la demanda errática inyectando algunas señales deterministas (por ejemplo, remociones programadas) en el pronóstico.

En cuanto a la integración: PTC se ha asociado con los principales proveedores de ERP MRO como IFS y Trax para integrar Servigistics ²⁸. Sin embargo, integrar una herramienta tan completa con el sistema de mantenimiento de una aerolínea es un proyecto importante (a menudo de 6 a 12+ meses). Cualquier afirmación de “conectar y usar” de las ventas debe tomarse con un grano de sal. En realidad, uno debe mapear docenas de campos de datos (datos de la base de instalación, catálogos de piezas, BOMs para tareas de mantenimiento, datos del ciclo de reparación, etc.) y a menudo limpiar la calidad de los datos. Es probable que Servigistics tenga adaptadores estándar para sistemas como SAP u Oracle, pero el trabajo personalizado es la norma, consistente con cualquier solución empresarial.

Puntos clave de escepticismo: Servigistics es extremadamente poderoso, pero ¿es fácil obtener valor de él? Muchas instalaciones heredadas terminan subutilizadas, utilizando solo características básicas (como la planificación de un solo escalón con stocks de seguridad establecidos) porque la optimización completa puede ser abrumadora sin usuarios expertos. Vale la pena sondear a un proveedor sobre cuán automatizado es realmente el sistema en la práctica, por ejemplo, ¿detecta automáticamente un cambio en la variabilidad del tiempo de entrega y ajusta los puntos de reorden, o necesita intervenir un planificador? La presencia de muchos “parámetros de planificación” sugiere que es posible mucho ajuste ²⁹, lo cual puede ser bueno o malo. Por ejemplo, Servigistics permite anular el EOQ calculado o forzar ciertos períodos de pronóstico ²⁹, lo que insinúa que los cálculos fuera de la caja pueden no ser siempre confiables para los usuarios.

En resumen, Servigistics es la opción más rica en características y ha evolucionado para incluir elementos modernos (datos de IoT, algo de IA). Proporciona capacidades de última generación, pero si proporciona soluciones de última generación depende de la ejecución, un área de la que hay que tener cuidado. Para un MRO con los recursos para implementarlo completamente, puede rendir un excelente rendimiento (se informó una disponibilidad de piezas del 94% en Qantas ³⁰). Pero las operaciones más pequeñas pueden encontrarlo pesado. Sus afirmaciones de marketing (líder en todos los informes de analistas, etc.) son típicas y en parte ciertas dada la cuota de mercado, pero los compradores potenciales deben mirar más allá de los elogios y asegurarse de que tienen la madurez del proceso para aprovechar esta herramienta poderosa pero compleja.

Syncron - Planificación de piezas de servicio nativas en la nube con promesas de IA

Syncron es otro jugador importante, que viene desde un ángulo diferente: comenzó con las piezas de servicio postventa de los fabricantes (especialmente automotrices y maquinaria industrial) y se ha expandido al sector aeroespacial/defensa en los últimos años. La propuesta de valor de Syncron se centra en ser una plataforma basada en la nube construida con un propósito para las piezas de servicio, combinando varios módulos (Optimización de inventario, Optimización de precios, e incluso un módulo de pronóstico de tiempo de actividad basado en IoT) ^{31 32}. En el contexto de la MRO de aviación, Syncron está ganando tracción, por ejemplo, ATR (el fabricante de aviones regionales) eligió recientemente a Syncron para la gestión de inventario en todo su soporte de flota global ^{33 3}.

Tecnológicamente, Syncron anuncia el uso de IA, machine learning y análisis avanzados en su solución de Planificación de Piezas ³. Concretamente, mencionan que el software “rastrea las tendencias de demanda y configura simulaciones avanzadas para planificar y predecir las necesidades de servicio de las piezas” ³. Esto sugiere que Syncron utiliza alguna forma de simulación de Monte Carlo o planificación probabilística también, probablemente generando escenarios de demanda y suministro para optimizar el stock. En un IDC MarketScape, Syncron fue destacado por su “reposición dinámica, planificación/pronóstico probabilístico” entre sus fortalezas ³⁴, indicando que no solo está utilizando métodos deterministas o basados en reglas. A diferencia de algunas herramientas más antiguas, el hecho de que Syncron sea nativo de la nube significa que puede procesar grandes conjuntos de datos y ejecutar extensas simulaciones en segundo plano sin que el cliente necesite administrar la infraestructura de TI.

Un aspecto notable de la filosofía de Syncron es la servitización - ayudar a las empresas a tratar el tiempo de actividad como un servicio. En términos prácticos, la plataforma Syncron vincula el pronóstico de piezas de servicio con las entradas de gestión de servicios de campo y las señales de mantenimiento predictivo de IoT (a través de su módulo Uptime™). Para la aviación, esto podría significar el uso de datos de monitoreo de la salud de las aeronaves para anticipar la demanda de piezas. Es similar en concepto a lo que PTC hace con ThingWorx, pero Syncron lo ha empaquetado como parte de su suite específicamente para el servicio postventa. Este enfoque se alinea con tendencias como power-by-the-hour en la aviación, donde la disponibilidad lo es todo.

En términos de optimización, Syncron optimiza el inventario equilibrando la disponibilidad vs. el costo. Afirman explícitamente mejoras como un aumento del 12-17.5% en la disponibilidad de piezas y una reducción del 15% en el costo del inventario para los clientes ³⁵. Estas cifras, como todas las afirmaciones de este tipo, deben ser vistas con precaución, podrían ser de estudios de casos selectos. Hay pocos detalles técnicos públicos sobre los algoritmos detrás de la optimización de Syncron. Sin embargo, se puede inferir que utilizan una combinación de modelos de pronóstico estadístico, machine learning para el reconocimiento de patrones, y algún heurístico o solucionador para el almacenamiento multi-echelon. Syncron Inventory fue históricamente fuerte en optimización de la red de distribución (para OEMs con redes de distribuidores, etc.), por lo que la optimización multi-ubicación está en su ADN.

Automatización y esfuerzo del usuario: Es probable que Syncron automatice muchas tareas rutinarias, siendo un software moderno, fue diseñado para la nube y la usabilidad. Probablemente selecciona automáticamente los modelos de pronóstico apropiados y los actualiza a medida que cambian los datos, en lugar de esperar que los usuarios ajusten manualmente el método de pronóstico de cada SKU (un flagelo de los sistemas más antiguos). Dicho esto, la base de usuarios típica de Syncron (fabricantes) a menudo todavía establece reglas de negocio, por ejemplo, clasificar las piezas por ciclo de vida o criticidad para aplicar diferentes políticas. Deberíamos verificar si Syncron permite una optimización completamente sin intervención. Se menciona que los módulos de precio e inventario de Syncron actualmente utilizan bases de datos separadas que requieren integración ³², lo que insinúa algunas bases subyacentes heredadas. Podría no ser tan fluido entre módulos como se anuncia.

Una fortaleza que Syncron enfatiza es la gestión del ciclo de vida de las piezas: manejo de las introducciones de nuevas piezas, obsolescencia, sucesiones. En la aviación, donde las piezas son reemplazadas por versiones más nuevas o alternativas PMA, esto es crucial. Syncron ha estado lidiando con problemas similares en la automoción (donde los cambios de modelo afectan la demanda de piezas) - presumiblemente el sistema puede pronosticar la decadencia de la demanda para las piezas más antiguas y el aumento para las nuevas utilizando analogías o pronósticos vinculados.

Verificación de reclamaciones: Syncron tiene relativamente menos documentos técnicos públicos, por lo que parte de nuestro escepticismo es que debemos confiar en lo que afirman y algunas referencias. El comunicado de prensa de ATR indica que la solución ayudará con la inestabilidad de la supply chain y la escalabilidad de las operaciones ³⁶ - pero eso es genérico. La principal afirmación tecnológica es la combinación de IA/ML + simulación ³. Cuestionaríamos a Syncron: ¿Proporcionan evidencia de los modelos de ML en acción? Por ejemplo, ¿utilizan redes neuronales para detectar causales de demanda (como tasas de uso o fallos) o simplemente métodos de series temporales? Además, si dicen “IA”, ¿es solo una etiqueta para sus modelos estadísticos o técnicas realmente nuevas? Sin más detalles, seguimos siendo cautelosos.

Sin embargo, a diferencia de algunos competidores, Syncron no depende de arquitecturas antiguas, es una plataforma del siglo XXI desde cero. Esto probablemente significa una mejor interfaz de usuario y posiblemente una implementación más rápida (su integración con ERP utiliza APIs modernas y a menudo hacen el trabajo pesado para los clientes). Aún así, “plug-and-play” es poco realista: la implementación de ATR, por ejemplo, probablemente requirió mapear Syncron a los sistemas personalizados de SAP y mantenimiento de ATR. El equipo de Syncron trabajó activamente con ATR para adaptar mejoras para las “demandas únicas” de la aviación ³⁷ - lo que implica que, de fábrica, algunas necesidades específicas de la aviación no se cumplieron hasta que colaboraron. Esto es bueno (el proveedor está dispuesto a adaptarse) y cauteloso (el producto no estaba completamente listo para todas las complejidades de la aviación inicialmente).

En resumen, Syncron está avanzando hacia el estado del arte con elementos probabilísticos y de IA, y tiene una fuerte orientación hacia la automatización. Puede que aún no tenga el profundo historial de aviación de Servigistics, pero rápidamente se está convirtiendo en un contendiente de primer nivel, como lo demuestran los nuevos clientes de aviación. Los ejecutivos de MRO deben verificar las afirmaciones de ML de Syncron (pedir detalles o demostraciones de cómo pronostica un número de pieza irregular) y asegurarse de que cualquier mejora prometida en el inventario/servicio venga con datos, no solo con promedios de la industria. Al igual que con otros, trate los porcentajes brillantes (por ejemplo, “reducción del 15% en los costos de inventario”) como una guía aproximada; los resultados reales variarán según lo desorganizado que fuera el proceso inicial. En general, Syncron se clasifica alto debido a su arquitectura moderna y enfoque en la automatización inteligente, moderado por la necesidad de probar su tecnología más allá de las palabras de moda.

ToolsGroup - Algoritmos fuertes para la demanda intermitente, pero ¿cuán “inteligente”?

ToolsGroup es un proveedor bien establecido (fundado en 1993) conocido por su software insignia SO99+ (Service Optimizer 99+). Tiene una presencia significativa en la planificación de piezas de repuesto en todas las industrias, desde piezas de repuesto de automóviles hasta equipos industriales, y también se ha utilizado en contextos de defensa y aeroespacial. La fortaleza central de ToolsGroup siempre ha sido manejar la “cola larga” de la demanda con lo que ellos llaman un modelo probabilístico. Destacan que las herramientas tradicionales fallan en la demanda intermitente, mientras que ToolsGroup “resuelve el problema de planificación de piezas de servicio con una capacidad excepcional para pronosticar la demanda intermitente y optimizar globalmente el inventario de múltiples niveles” ⁴.

La tecnología detrás del pronóstico de ToolsGroup es efectivamente probabilística. Históricamente, utilizaron un enfoque propietario donde en lugar de pronosticar un número, modelan la demanda como una distribución de probabilidad para cada SKU. Esto podría hacerse a través de la simulación de Monte Carlo o ajustando analíticamente una distribución (algunas fuentes indican que ToolsGroup podría usar una forma de remuestreo o una variación del método de Croston combinado con análisis de variabilidad). Para cada pieza, dada la distribución de la demanda y el tiempo de entrega, el software calcula el inventario requerido para alcanzar un nivel de servicio objetivo o, a la inversa, el nivel de servicio alcanzable para un presupuesto de stock dado. Este enfoque fue algo pionero en los años 90/2000 cuando la mayoría de los sistemas de planificación estaban utilizando métodos simplistas. Permite gestionar los niveles de servicio de manera muy ajustada incluso para artículos de movimiento extremadamente lento. ToolsGroup también introdujo el concepto de “planificación impulsada por el nivel de servicio” donde especificas el nivel de servicio deseado por SKU y la herramienta averigua el stock necesario, en lugar de que los planificadores adivinen el stock de seguridad.

Sin embargo, la crítica moderna es si ToolsGroup ha innovado significativamente más allá de sus modelos anteriores. La compañía ahora se comercializa como “impulsada por IA” y habla de cosas como “sensibilidad a la demanda” y aprendizaje automático. Pero un estudio de mercado realizado por Lokad señala que los materiales públicos de ToolsGroup todavía insinúan técnicas más antiguas e incluso notan una inconsistencia: ToolsGroup comenzó a publicitar pronósticos probabilísticos pero aún referenciaba mejoras en el MAPE (Error Porcentual Absoluto Medio), lo cual “no se aplica a los pronósticos probabilísticos” ⁵. Esto sugiere un poco de barniz de marketing: no medirías el error de pronóstico con MAPE si realmente te estuvieras enfocando en pronósticos de distribución. En otras palabras, ToolsGroup todavía podría producir principalmente un solo pronóstico para cada artículo (para informes de negocios), utilizando ideas probabilísticas bajo el capó para los cálculos de inventario. La mención de “sensibilidad a la demanda” (generalmente significa usar señales a muy corto plazo como pedidos en mano o datos de IoT para ajustar los pronósticos) también se cuestiona por tener poco respaldo en la literatura científica ³⁸, lo que implica que ToolsGroup puede usar la palabra de moda pero no necesariamente un método avanzado probado.

Dicho esto, las capacidades de ToolsGroup son sólidas. Admite la optimización multi-escalonada, lo que significa que puede recomendar dónde almacenar piezas en una red para cumplir con los objetivos de servicio con el mínimo inventario. También puede manejar el reposicionamiento de inventario y la redistribución, lo cual es útil en MRO cuando las piezas podrían moverse entre bases o regiones. La solución de ToolsGroup a menudo se integra con ERPs como SAP: algunas empresas usan SO99+ junto con SAP para superar las limitaciones de la planificación de SAP (ToolsGroup incluso sugiere que puede extender SAP APO con pronósticos probabilísticos ³⁹). Generalmente está altamente automatizado: una vez configurado, los planificadores principalmente monitorean excepciones. La herramienta procesará miles de combinaciones de SKU-ubicación y solo marcará los artículos donde quizás el nivel de servicio está proyectado a disminuir o ocurrió un pico de demanda que requiere intervención.

Sobre los detalles del contexto de MRO: ToolsGroup ciertamente puede modelar la demanda intermitente, ¿pero tiene en cuenta cosas como la criticidad de la pieza o el ciclo de vida? ToolsGroup tiende a ser genérico; sin embargo, los usuarios pueden ingresar diferentes objetivos de nivel de servicio o costos para diferentes categorías de piezas. Puede que no conozca de forma nativa la criticidad de “ir/no ir”, pero un cliente podría incorporar eso simplemente estableciendo un nivel de servicio objetivo cercano al 100% para los artículos de “no ir” y más bajo para otros. La optimización sigue entonces esa directiva. De manera similar, para los ciclos de vida, ToolsGroup podría no tener un módulo listo para usar para pronosticar en función de la vida restante (como Servigistics o Syncron hacen con los datos de IoT), pero uno puede ajustar manualmente los pronósticos para los reemplazos programados conocidos. Es más bien un kit de herramientas que puede adaptarse a diversas necesidades, en lugar de una solución específica para la aviación.

Un área a observar son las afirmaciones de ToolsGroup sobre los resultados típicos: por ejemplo, afirman que los clientes logran una reducción del 20-50% en las ventas perdidas, una reducción del 10-30% en el inventario y niveles de servicio del 95-99% ⁴⁰. Si bien estos rangos son plausibles, son amplios y claramente impulsados por el marketing. Es probable que tales mejoras provengan de empresas que no tenían ninguna optimización real antes: implementar cualquier herramienta decente produciría grandes ganancias. No necesariamente significa que ToolsGroup logre de manera única esos resultados en comparación con sus pares. A menudo no hay un estudio independiente para verificar estos porcentajes, por lo que seguimos siendo escépticos de tomarlos al pie de la letra (la ausencia de contexto como “¿comparado con qué base?” o “¿durante cuánto tiempo?” es reveladora).

Definido por el usuario vs. automatización: ToolsGroup es relativamente automatizado en el forecast, pero permite mucha configuración. Por ejemplo, los planificadores pueden elegir los objetivos de nivel de servicio por artículo o grupo. Si una empresa no sabe cómo establecer esos objetivos, podrían volver a los viejos hábitos (clasificación ABC, etc.), lo que limita el impacto de la tecnología. Idealmente, uno usaría la optimización de ToolsGroup para determinar esos objetivos de manera óptima: creo que ToolsGroup tiene funcionalidades como equilibrar la inversión en inventario vs. el servicio en todo el portafolio, que es una forma de optimización económica. Pero puede requerir el uso de su consultoría o características avanzadas para configurarlo correctamente.

El esfuerzo de integración para ToolsGroup es moderado: necesitan feeds de historial de uso, BOMs, etc. No es exactamente plug-and-play con algo como AMOS o Rusada (sistemas MRO comunes), así que espera un proyecto, aunque existen muchos conectores de integración dados la larga historia de ToolsGroup.

Conclusión: ToolsGroup es una solución capaz y confiable para la optimización de repuestos. Definitivamente califica como estado del arte alrededor de 2010, y todavía se mantiene bien. Pero en 2025, uno debería cuestionar cuánto ha incorporado nuevas técnicas de AI/ML. La evidencia disponible sugiere muchas palabras de moda pero no mucha nueva metodología concreta publicada. Eso no significa que no funcione: funciona, pero la etiqueta “AI” podría significar simplemente que está utilizando estadísticas sofisticadas (lo cual está bien). Para un ejecutivo de MRO, ToolsGroup podría ser una elección de menor riesgo (producto establecido, muchos clientes de referencia). Solo ten en cuenta que es posible que no estés obteniendo un sistema verdaderamente de próxima generación; estás obteniendo un sistema tradicional muy bueno. Si la empresa está promocionando “AI”, pídeles que aclaren qué es exactamente lo que está impulsado por AI en el producto y cómo mejora sus ya buenos modelos probabilísticos. Además, asegúrate de que tu equipo aprovechará sus fortalezas (como la optimización multi-escalonada) al máximo, y no lo simplificará a una herramienta de planificación básica.

Armac Systems (RIOsys) – Nativo de Aviación, Optimizando Rotables y Reparaciones

Armac Systems es único en esta lista ya que nació específicamente del mundo MRO de la aviación. Es un proveedor más pequeño (con sede en Irlanda, ahora propiedad de SR Technics a partir de finales de la década de 2010 ⁴¹) que se centra 100% en la optimización del inventario de aviación. El buque insignia de Armac, RIOsys (sistema de optimización de inventario rotable), está diseñado para aerolíneas y MROs que tratan tanto con repuestos consumibles como con componentes rotables de alto valor.

Lo que distingue a Armac es su especificidad de dominio. El software se describe como “planificación y optimización de inventario específica para la aviación” destinada a maximizar la disponibilidad de repuestos al menor costo económico ⁶. Reconoce explícitamente el escenario típico de la aviación: “la demanda de piezas no programada, numerosos componentes y operaciones en múltiples sitios son la norma” ⁴². La herramienta ayuda a calcular los niveles de inventario óptimos tanto para piezas rotables como consumibles, lo que significa que puede determinar no solo cuántos comprar, sino también cuántos mantener como repuestos vs. pipeline de reparación, etc., para cumplir con los objetivos de confiabilidad de despacho. También menciona que el conocimiento operativo se incorpora en su modelo de aprovisionamiento y se refina continuamente ⁴³. Esto sugiere que el sistema aprende o actualiza sus parámetros a medida que llega más información (por ejemplo, a medida que observas las tasas de eliminación reales de los componentes, refina el forecast o el stock recomendado para ese componente).

Un aspecto probable del enfoque de Armac es aprovechar los datos de ingeniería de confiabilidad. El mantenimiento de la aviación tiene conceptos como MTBF/MTBUR, curvas de confiabilidad y tasas de eliminación por cada 1000 horas de vuelo. Es probable que Armac los use para predecir la demanda en lugar de simplemente la extrapolación de series de tiempo. Por ejemplo, si una aerolínea opera 100 A320s y una cierta bomba tiene un MTBUR de 5000 horas de vuelo, puedes hacer un forecast aproximado de cuántas fallas por año esperar (con variabilidad). Esto es muy específico para MRO y difiere de hacer un forecast, digamos, de la venta de repuestos a los clientes. La asociación de Armac con la academia y las “técnicas de inteligencia empresarial de big data” ⁴¹ implica que han investigado e implementado modelos orientados a este tipo de forecast basado en la confiabilidad.

Armac también atiende a la “criticidad de ir/no ir” indirectamente al centrarse en la confiabilidad técnica de despacho. En una aerolínea, la confiabilidad de despacho (el porcentaje de vuelos que salen sin un retraso o cancelación debido al mantenimiento) es una métrica clave. La disponibilidad de repuestos, especialmente de los artículos no-go, impulsa directamente eso. Los estudios de caso de Armac (como Iberia) indican que el objetivo era mejorar la disponibilidad de material mientras se reducía el costo ⁴⁴. El CEO de Armac destacó la entrega de una mejor disponibilidad de repuestos al menor costo económico ⁴⁵. Por lo tanto, claramente están haciendo una optimización económica: asegurando que las partes críticas siempre estén a mano (para evitar AOG) pero sin sobreabastecer en todas partes.

Una nota interesante: RIOsys de Armac se integra con los ERPs existentes (como SAP) para proporcionar una “capa adicional de inteligencia” ⁴⁶. Esto muestra que no están reemplazando el sistema transaccional, sino que lo están aumentando, un tema común en el software de optimización. La integración con SAP fue un punto de venta (lograron la certificación SAP, etc.), pero nuevamente, la integración requiere trabajo.

Es probable que Armac proporcione mucha automatización para los planificadores en el sentido de que genera recomendaciones (por ejemplo, almacenar esta pieza en la base X, mover estas unidades excesivas de la base Y a la Z, reparar estas unidades ahora, etc.). También probablemente tiene tableros de control amigables para el usuario que destacan el exceso y las faltas y ayudan a priorizar las acciones ⁴⁷. Esto es crucial para los equipos de planificación más pequeños: la herramienta necesita decirles qué hacer hoy. El uso de Armac por parte de Iberia supuestamente ayudó a “identificar excesos y faltas, y priorizar las actividades diarias” para los planificadores de inventario ⁴⁷. Eso indica un alto nivel de toma de decisiones guiada por el sistema, un signo de fuerte automatización.

En el lado del escepticismo, porque Armac es más pequeño y no tan visible en marketing, hay menos evaluación independiente disponible. Suena muy competente para la aviación, pero ¿realmente utiliza algoritmos de última generación? ¿O su éxito se debe principalmente a estar hecho a la medida (con muchas reglas de expertos y plantillas específicamente para las aerolíneas)? Por ejemplo, Armac podría estar utilizando modelos estadísticos bastante estándar pero preconfigurados con los parámetros correctos para los escenarios de aviación listos para usar. Eso sigue siendo valioso, pero no es “mágico”. La mención de modelos “refinados continuamente” ⁴³ insinúa que se está produciendo algún aprendizaje automático o al menos una calibración iterativa, lo cual es bueno.

Una posible debilidad podría ser la escala y los recursos: como un proveedor más pequeño, ¿puede Armac invertir en la última investigación de IA al mismo ritmo que, digamos, PTC o Lokad? Posiblemente no, pero al estar enfocados, es posible que no necesiten una IA sofisticada si su solución diseñada ya se ajusta bien al dominio. Además, ser propiedad de SR Technics (un importante MRO) podría significar que tienen un profundo feedback de dominio, pero también que su horizonte podría estar limitado a las necesidades de ese propietario.

Armac no promociona enérgicamente la “IA” en sus comunicados de prensa, utilizan términos como “planificación de inventario inteligente de nueva generación” y “técnicas de big data” ⁴¹, que son palabras de moda pero no muy específicas. Vale la pena preguntar a Armac por detalles específicos: ¿simulan la variabilidad del ciclo de reparación? ¿Optimizan tanto la tasa de llenado como la utilización de activos? ¿Cómo manejan la obsolescencia de las piezas (el sistema alerta cuando una pieza está siendo eliminada para que no la sobreabastezca)? Dado su nicho, probablemente tienen características para la planificación de fin de vida y la optimización de la agrupación de rotables que otros podrían no enfatizar.

La integración sigue siendo un desafío: incluso con una integración de SAP, no todas las aerolíneas utilizan sistemas estándar. Muchas utilizan sistemas MRO especializados como AMOS, Ultramain, etc. Armac tendría que mapear esos sistemas o depender de las exportaciones de datos. No es plug-and-play, pero su equipo probablemente lo ha hecho para clientes similares.

En conclusión, RIOsys de Armac Systems es una opción fuerte para MRO de aviación específicamente, probablemente proporcionando mucho valor con relativamente menos configuración si encajas en su perfil típico (aerolínea con varias bases de mantenimiento, mezcla de repuestos rotables y consumibles). Puede considerarse de última generación en términos de alineación de dominio - conoce tu problema íntimamente. En tecnología pura, probablemente utiliza análisis avanzados (si no IA de vanguardia, al menos algoritmos muy especializados). Los ejecutivos de MRO que evalúan Armac deben verificar que la herramienta realmente cubre todas las necesidades modernas (quizás preguntar si utilizan forecast probabilístico o solucionadores de optimización, etc.). El historial comprobado (se reclaman ahorros en los “millones para organizaciones de aviación” ⁴¹) le da credibilidad a Armac. Solo acércate a sus afirmaciones de ROI como lo harías con cualquier proveedor, con una mentalidad de “confiar pero verificar”, y asegúrate de tener el soporte de TI para integrarlo en tu entorno.

Baxter Planning (Prophet by Baxter) - Planificación centrada en el costo con Human-in-the-Loop

Baxter Planning es un proveedor establecido en la gestión de piezas de servicio, presente desde la década de 1990. Su solución, a menudo referida como Prophet, se dirige a una amplia gama de industrias (tecnología, dispositivos médicos, etc.) e incluye el sector MRO/aviación hasta cierto punto (aunque su mayor presencia está en las piezas de servicio de hardware de tecnología y telecomunicaciones). El enfoque de Baxter se basa en la experiencia práctica de planificación: el fundador era un planificador de piezas de servicio, por lo que el software refleja procesos del mundo real. Esto significa que cubre la planificación de extremo a extremo: Forecasting, Inventory Optimization, Replenishment, Repair planning, Lifecycle management, Excess management, etc., en un solo sistema ⁷.

Un principio clave del método de Baxter es la “Optimización del Costo Total” ⁴⁸. Consideran explícitamente el costo de la pieza, la ubicación y la criticidad del cliente/activo al planificar el inventario. En otras palabras, su motor intenta minimizar el costo total del inventario mientras cumple con los objetivos de servicio. Por ejemplo, si una pieza es muy cara y solo es moderadamente crítica, el sistema podría aceptar un tiempo de entrega más largo (quizás confiando en pedidos de emergencia) en lugar de almacenar muchas en el estante. Por el contrario, para una pieza no disponible en un sitio remoto, Prophet podría recomendar almacenar repuestos a pesar de la baja demanda porque el costo de un faltante de stock (AOG, tiempo de inactividad) es demasiado alto. Esta es una filosofía de optimización económica y es de lo que se trata la decisión de almacenamiento “más por tu dinero”. Baxter merece crédito por incorporar ese pensamiento.

Sin embargo, la forma en que Baxter logra esto parece ser a través de una gran cantidad de configuraciones impulsadas por el usuario aumentadas por la automatización. Su sistema permite a los planificadores ingresar atributos como la criticidad de la pieza, los compromisos de soporte (SLAs), y el software optimizará dentro de esas restricciones. ¿Pero hace forecast probabilístico? No está muy claro a partir de la información pública. Siendo una solución más antigua, probablemente comenzó con forecast tradicional (promedios móviles, suavizado exponencial) y tal vez más tarde agregó el método de Croston o bootstrap para la demanda intermitente. Puede que no sea tan explícitamente probabilístico como Lokad o Smart. En cambio, Baxter podría optimizar el inventario mediante análisis de escenarios o fórmulas de nivel de servicio.

Para la demanda intermitente, Baxter definitivamente reconoce el problema: su literatura hablaría de piezas de movimiento lento que necesitan un tratamiento especial. La pregunta es si dependen del planificador para clasificar esas piezas y elegir un método o si el sistema se adapta. Dada la época en que se construyó, sospecho más de lo primero: el planificador establece, por ejemplo, un método de forecast (tal vez Prophet tiene un módulo de “forecast de demanda intermitente” que utiliza una cierta técnica), y luego el sistema usa eso para calcular los niveles de stock.

La herramienta de Baxter hace hincapié en la automatización en la ejecución: cosas como la Automatización de la Orden de Suministro (generación automática de POs, órdenes de reparación) y Redistribución (movimiento de stock excesivo a donde se necesita) están en su lista de características ⁴⁹. Esto es crítico cuando se trata de miles de piezas: quieres que el sistema inicie automáticamente las acciones recomendadas e involucre a los planificadores solo por excepción. Según la mayoría de los informes, Prophet puede manejar una gran escala (decenas de miles de piezas en muchas ubicaciones) porque algunos de sus clientes son grandes empresas de tecnología con repuestos de campo globales.

Una cosa a tener en cuenta es que Baxter Planning históricamente hizo muchas personalizaciones por cliente. Como una empresa privada más pequeña, a menudo ajustarían o agregarían características para necesidades específicas. Esto significa que tu experiencia puede variar: una empresa podría usar la optimización avanzada min-max de Baxter, otra podría usarla en un modo min-max más simple. Es flexible, pero esa flexibilidad también indica que, de fábrica, puede que no te obligue a seguir una “mejor práctica”: te da herramientas.

Baxter no promociona fuertemente la IA/ML. Son más discretos, lo cual puede ser positivo (menos exageración). Pero también significa que si estás buscando forecast de vanguardia, necesitas preguntar: ¿están al día con los nuevos métodos? Es posible que hayan incorporado algoritmos más nuevos en versiones recientes, pero estos no están bien publicitados.

Dada la clientela de Baxter, es posible que no tengan tantas características específicas para la aviación incorporadas. Por ejemplo, ¿manejan límites de vida útil (donde una pieza se descarta después de X usos)? Tal vez como un campo personalizado, pero no estoy seguro de si la optimización tiene en cuenta naturalmente esto (más allá de forecast la demanda cuando llega el momento de reemplazo). Sí manejan estados del ciclo de vida (piezas nuevas, piezas al final de su vida útil) y pueden hacer planificación de última compra para la obsolescencia, lo cual es relevante en la aviación cuando las piezas dejan de producirse.

En cuanto a reclamaciones de resultados, Baxter tiende a no publicar porcentajes sensacionales. Se centran en cómo ayudan a los planificadores a alcanzar objetivos, en lugar de “reducimos el inventario en un X%”. Esto podría indicar un enfoque realista: las mejoras ocurren, pero dependen de cómo se utilice la herramienta.

Integración: Prophet de Baxter generalmente se encuentra junto a un sistema ERP/MRO. La integración es comparable a la de otros: incorpora el uso, el stock, el BOM, etc. Es probable que Baxter tenga conectores preconstruidos para sistemas comunes (mencionan el soporte a redes de suministro superficiales e integración con otros sistemas empresariales). Nadie debería esperar un plug-and-play, sin embargo; se necesitará algún trabajo de TI.

En escepticismo, uno debería examinar si la solución de Baxter está verdaderamente optimizando o es más un soporte de decisión que aún deja elecciones críticas a los humanos. La mención de que muchos clientes de Baxter se centran en la optimización de costos de ubicación de stock adelantado en lugar de multi-echelon sugiere que la herramienta podría ser utilizada a menudo en un modo más simple (optimizando cada ubicación individualmente a un objetivo de costo). Señala que algunas redes de clientes son superficiales, por lo que multi-echelon no era una preocupación. Pero para una aerolínea con un almacén central y estaciones externas, multi-echelon importa; esperemos que Baxter pueda manejar eso si es necesario.

Para concluir, Baxter Planning ofrece un sistema de planificación de piezas de servicio bien redondeado, aunque tradicional. Es confiable, se centra en los compromisos de costo y servicio, y automatiza muchas tareas. Puede que no tenga las características de IA más llamativas, pero tiene profundidad en funcionalidad práctica. Los ejecutivos de MRO deberían ver a Baxter como una solución de “par de manos seguras” - probablemente mejore las cosas aplicando métodos probados. Solo ten en cuenta que es posible que no saltes a la vanguardia de la analítica; obtendrás un enfoque sólido, quizás algo conservador. Si tu organización prefiere más control y transparencia (en lugar de una IA de caja negra), el estilo de Baxter podría ser preferible. Su punto de escepticismo: asegúrate de que el sistema no dependa demasiado de las entradas estáticas del usuario (por ejemplo, no debería requerir que mantengas una tonelada de parámetros de piezas manualmente). Pregunta cómo se adapta al cambio (¿ajusta automáticamente los forecast cada ciclo, aprende la estacionalidad o las tasas de uso, etc.?). Si todo está en orden, Baxter puede ofrecer beneficios constantes sin prometer milagros.

Smart Software (Smart IP&O) – Experto de Nicho en Forecast de Demanda Intermitente

Smart Software es un proveedor más pequeño que se ha labrado una reputación por abordar una de las partes más difíciles del problema: el forecast de demanda intermitente. Su solución, ahora ofrecida como una plataforma integrada llamada Smart IP&O (Inventory Planning & Optimization), se originó a partir de trabajos académicos para mejorar el método de Croston. De hecho, Smart Software introdujo un método de bootstrapping patentado para el forecast de demanda intermitente que ganó un premio de APICS ⁸. Este método está bien documentado en documentos técnicos y esencialmente genera muchos escenarios de demanda sintéticos basados en la historia para crear una distribución completa de la demanda durante un tiempo de entrega ^{8 50}. El resultado es una curva de probabilidad de cuántas unidades podrían ser necesarias, en lugar de una sola suposición. Con eso, puedes planificar niveles de stock casi óptimos para una probabilidad de servicio deseada.

Para MRO de aviación, donde el 80%+ de las piezas pueden ser de movimiento lento con muchos ceros en la demanda ^{51 52}, la precisión del forecast de Smart puede ser un cambio de juego. El forecast tradicional (promedios móviles, etc.) falla miserablemente en tales datos. El enfoque probabilístico de Smart maneja la naturaleza “lumpy” no suavizándola, sino abrazándola. Puede modelar patrones extraños como “generalmente vemos 0, pero ocasionalmente 5 unidades en un pico” muy bien.

Los detalles tecnológicos de Smart son refrescantemente concretos: mencionan no asumir ninguna distribución particular (por lo que no están forzando ciegamente las distribuciones normal o Poisson) y en su lugar utilizan datos empíricos para simular resultados ⁵³. Específicamente señalan que la demanda a menudo “no se ajusta a una simple distribución normal”, de ahí su enfoque de bootstrapping ⁸. Luego producen la “distribución completa de la demanda acumulada durante todo el tiempo de entrega de un artículo” ⁵⁴. Con esto, calcular el stock de seguridad para, digamos, un nivel de servicio del 95% es sencillo y preciso, solo el percentil 95 de esa distribución.

La solución de Smart Software va más allá del simple forecast; su plataforma IP&O incluye módulos de optimización de inventario y planificación de la demanda. Sin embargo, el diferenciador central sigue siendo la pieza de forecast. La parte de optimización probablemente utiliza esas distribuciones de forecast para calcular los puntos de reorden, las cantidades de pedido, etc., para minimizar el stock mientras se alcanzan los objetivos de servicio. Es posible que sea menos sofisticado en la optimización de múltiples niveles o en cosas como los bucles de piezas reparables. Uno podría integrar la salida de Smart en otro sistema para eso, o gestionar cada ubicación por separado en Smart (el enfoque históricamente era de un solo nivel, pero podrían haber agregado características de múltiples ubicaciones en IP&O).

Una ventaja del tamaño y enfoque de Smart es que a menudo se integran con sistemas EAM/ERP populares en mantenimiento. Por ejemplo, enumeran integraciones con IBM Maximo, SAP, Oracle, etc. ⁵⁵. Esto sugiere que puedes agregar su motor de forecast a tu sistema existente con relativa facilidad. Esencialmente, usarías Smart para calcular los parámetros de stock (como mínimo/máximo o stock de seguridad para cada parte) y luego los devolverías al ERP para ejecutar. Este es un paradigma diferente al de reemplazar completamente tu sistema de planificación.

Ahora, mirando sus afirmaciones: Smart a menudo cita que las empresas que utilizan su solución “reducen el inventario en ~20% en el primer año y aumentan la disponibilidad de piezas en 10-20%” ⁵⁶. Estos están dentro de lo razonable y son menos bombásticos que algunas afirmaciones que vemos (y se alinean con las mejoras típicas de un mejor forecast). Implica que anteriormente las empresas sobreabastecían “por si acaso” o almacenaban los artículos equivocados; al optimizar, liberaron el 20% del inventario mientras mejoraban el servicio. Aún así, ninguna fuente independiente confirma esos números exactos para cada caso, así que considéralo un promedio de historias de éxito. No está garantizado, pero es plausible si una empresa no tenía planificación probabilística antes.

Como Smart es altamente especializado, el escepticismo a aplicar es: ¿puede manejar el alcance completo de las necesidades de MRO de aviación? Hacer forecast y establecer niveles de stock es una cosa; pero ¿qué pasa con la gestión de los tiempos de reparación, la agrupación de rotables o el reequilibrio dinámico del inventario entre bases? Es posible que Smart IP&O no tenga todas esas campanas y silbatos incorporados. Podría suponer un proceso bastante estándar donde el stock de cada ubicación se planifica para un nivel de servicio objetivo y eso es todo. Puede que no optimice qué ubicaciones deben tener stock si tienes una red, al menos no al grado que lo haría una herramienta de múltiples niveles. Además, probablemente no incorpore explícitamente las métricas de ingeniería de confiabilidad (a menos que las alimentes en la historia de la demanda de alguna manera).

Otra precaución es la automatización vs. entrada del usuario: las herramientas de Smart calcularán números, pero a menudo el usuario tiene que decidir los objetivos de nivel de servicio (aunque ellos afirman una “precisión de casi el 100%” por lo que tal vez apunten a un alto servicio y optimicen el costo). Smart no te obliga a elegir un modelo de forecast para cada SKU; el algoritmo trabaja automáticamente en los datos. Eso es bueno. Pero aún necesitas manejar las excepciones, por ejemplo, si una pieza se está volviendo obsoleta, debes informar al sistema o ajustar el forecast manualmente. La tecnología “Gen2” que mencionan ⁵⁷ puede incluir más identificación automática de factores causales de demanda, pero los detalles no son públicos.

La integración (de nuevo) requiere esfuerzo. Smart proporciona la ciencia, pero necesitas alimentarlo con datos (demanda histórica limpia, etc.) y luego tomar su salida e implementarla. Si una organización no está lista para confiar en los forecast o stocks de seguridad generados, podrían anularlos, reduciendo el beneficio. Las historias de éxito de Smart generalmente involucran a un equipo comprometido que utiliza plenamente las recomendaciones de la herramienta.

En general, Smart Software es algo así como una herramienta especializada que puede aumentar la capacidad de planificación de un MRO. Es discutiblemente el estado del arte en forecast de demanda intermitente - incluso algunos proveedores más grandes podrían estar utilizando métodos menos avanzados en esa área específica. Si un MRO siente que su mayor dolor es la precisión del forecast para miles de piezas esporádicas, Smart es una solución atractiva. Pero si el desafío más grande es optimizar a través de una supply chain de reparación compleja, Smart solo podría no ser suficiente; podría ser una pieza de un rompecabezas más grande (quizás utilizado en conjunto con un ERP u otro sistema de planificación).

Para los ejecutivos de MRO con un enfoque tecnológico, vale la pena considerar Smart IP&O no como un reemplazo completo de los sistemas de planificación sino como un “motor de forecast en una caja”. El escepticismo a mantener: asegúrese de que la organización pueda actuar en base a esos forecast (¿tiene procesos para ejecutar las recomendaciones de stock?), y cuestione a Smart sobre cómo maneja cosas como la variabilidad del tiempo de entrega (hacen un gran trabajo en la variabilidad de la demanda; ojalá simulen también los tiempos de entrega, o al menos permitan buffers de variabilidad). Además, aclare cómo se actualiza: si llegan nuevos datos mostrando un pico, ¿qué tan rápido reacciona y evita la sobre-reacción? Dado su rigor académico, es probable que hayan pensado en estos, pero es bueno verificar.

IBM MRO Inventory Optimization (Oniqua) – Soporte de Decisiones Basado en Datos

La Optimización de Inventario MRO de IBM, que es esencialmente el producto que IBM adquirió de Oniqua en 2018, se posiciona como una plataforma de análisis para industrias intensivas en activos como la minería, la energía, la manufactura y sí, la aeroespacial. Oniqua era conocida por su enfoque de consultoría para optimizar los inventarios de MRO para las empresas mineras, centrándose en minimizar el tiempo de inactividad y reducir el inventario. Como parte de IBM, la herramienta ha sido incorporada en la suite de Maximo y Supply Chain de IBM, pero puede ser utilizada de forma independiente.

IBM MRO IO se describe como “combinando análisis estadísticos, análisis prescriptivos, automatización y algoritmos de optimización” para mejorar los niveles de servicio y reducir los costos ⁹. Lo que esto significa en la práctica: analiza tus datos de uso e inventario, identifica donde tienes demasiado stock (exceso) y donde estás en riesgo de faltantes de stock, y luego prescribe acciones como “reducir esto, aumentar aquello”. Es algo así como tener un analista inteligente revisando continuamente tus KPIs de inventario de MRO. El software incluye características como la puntuación de los artículos (probablemente una puntuación de criticidad o riesgo) y colas de trabajo para los planificadores ¹⁰. Eso indica que generará una lista de acciones recomendadas para que el usuario revise, una forma muy práctica de manejar miles de piezas.

En el lado del pronóstico, IBM menciona explícitamente el “pronóstico de demanda intermitente” como una capacidad de MRO IO ¹⁰. Dado el trasfondo de Oniqua, probablemente emplearon el método de Croston o una variante para pronosticar el uso esporádico de las piezas. Puede que no sea tan avanzado como el bootstrap de Smart, pero al menos está abordando la naturaleza intermitente. Además, la solución de IBM tiene en cuenta la criticidad, el tiempo de entrega, y más al revisar los datos históricos para obtener insights ⁵⁸. Esto sugiere una capa analítica basada en reglas: por ejemplo, podría resaltar que “la pieza crítica X tiene un tiempo de entrega de 90 días, y no tienes stock de seguridad - alto riesgo”. El sistema podría entonces recomendar aumentar el stock de X, e inversamente señalar las piezas no críticas con demasiado inventario.

IBM también promociona resultados como “reducción del 50% en el tiempo de inactividad no planificado relacionado con las piezas” y “reducción del 40% en los costos de inventario” ⁵⁹. Estos son muy audaces y probablemente representan los mejores escenarios posibles. Debemos ser escépticos: un corte del 50% en el tiempo de inactividad de una herramienta es enorme, eso probablemente asume que el tiempo de inactividad fue causado por la falta de disponibilidad de piezas y que solucionaste todos esos casos almacenando mejor. En una aerolínea bien administrada, el tiempo de inactividad causado por las piezas ya es pequeño (se esfuerzan por evitar AOG a toda costa). Así que uno podría no ver algo como el 50%. De manera similar, una reducción del 40% en los costos de inventario es enorme, solo posible si la empresa tenía demasiado inventario para empezar (común en algunas industrias pesadas que acumulan repuestos, pero menos en la aviación comercial que ya intenta optimizar debido al alto costo de las piezas). Por lo tanto, estos números deben ser tomados como casos atípicos o puntos de datos seleccionados por el marketing ⁵⁹.

Tecnológicamente, la herramienta de IBM probablemente tampoco utiliza AI/ML llamativa, aparte de quizás algún reconocimiento de patrones en los datos de uso. IBM como empresa hace mucho con AI (Watson, etc.), pero no hay indicación de que ese nivel de AI esté incorporado aquí. Se utiliza el término “análisis predictivo y prescriptivo” ⁶⁰, que en la jerga de análisis a menudo significa: predictivo = pronosticar lo que podría suceder (por ejemplo, predecir futuras fallas de piezas o consumo), prescriptivo = sugerir acciones (por ejemplo, ordenar esta pieza ahora, reducir ese pedido). Estos son valiosos, pero se pueden hacer con modelos estadísticos relativamente sencillos más reglas de negocio. De hecho, el enfoque heredado de Oniqua era bastante consultivo, establecerían reglas y umbrales ajustados a cada cliente (como si una pieza no se ha movido en 5 años, es exceso; si una pieza causó un faltante de stock el año pasado, tal vez aumentar el stock). IBM probablemente productizó parte de esa lógica.

Un posible inconveniente para algunos: IBM MRO IO podría asumir que tienes un buen manejo de tus datos de mantenimiento y activos (ya que a menudo se vende con Maximo). Si un MRO de aviación no utiliza Maximo, aún puede usar MRO IO, pero la integración con sus sistemas y asegurar la precisión de los datos (jerarquías de equipos, definiciones de activos críticos, etc.) será clave. La afirmación de que “elimina los requisitos de datos al ingerir los datos tal como están” que vimos en un competidor (Verusen) no es algo que IBM afirma explícitamente, IBM sabe que la limpieza de datos es necesaria. Así que espera una fase de preparación de datos.

La solución de IBM probablemente depende en cierta medida de la entrada del usuario para ciertas cosas: por ejemplo, uno debe clasificar las partes por su criticidad (ir/no ir) en el sistema, establecer los tiempos de entrega, los costos, etc. La optimización entonces ocurre dentro de esos parámetros. Puede que no sepa automáticamente la criticidad de una parte a menos que se la alimente. Por lo tanto, es tan buena como la gobernanza de tus datos.

En términos de automatización, IBM IO automatiza el análisis, no necesariamente la ejecución. Te da una lista de tareas pendientes; el pedido real todavía puede ser hecho en tu ERP por tus planificadores. Esto es un poco menos de automatización integrada que, digamos, una herramienta que crea directamente las solicitudes de compra. Pero algunas empresas prefieren este enfoque de “humano en el bucle” para evitar que el sistema tome decisiones extrañas por sí solo.

Dada la influencia empresarial de IBM, se puede confiar en que el aspecto de integración está bien soportado (especialmente para el propio Maximo de IBM o SAP con el que IBM a menudo trabaja). Pero de nuevo, es poco probable que sea “plug-and-play” - IBM o un socio probablemente harán un proyecto bastante extenso para configurarlo a tus procesos de mantenimiento y supply chain.

En resumen, IBM MRO Inventory Optimization (Oniqua) es una robusta solución analítica que puede producir buenas mejoras, especialmente si actualmente careces de visibilidad en el rendimiento de tu inventario. Es fuerte en la identificación de ineficiencias obvias (exceso, posibles faltantes de stock) y en la optimización de la fruta de bajo alcance. Maneja la demanda intermitente y la criticidad a través de métodos estadísticos y basados en reglas, aunque no necesariamente las técnicas de IA más recientes. Para un ejecutivo de MRO de aviación, esto podría ser una herramienta de mejora más incremental en lugar de un nuevo sistema radical de IA, lo cual podría estar perfectamente bien si necesitas hacer bien lo básico. Se debe aplicar escepticismo a las grandes afirmaciones de mejora: cuestiona a IBM sobre lo que esos números realmente significan y pide referencias similares a tu operación. Además, asegúrate de que la forma de trabajar de la herramienta (paneles de análisis, etc.) se ajusta a tu equipo, podría requerir que tus planificadores adopten un flujo de trabajo más analítico. Si tu cultura está preparada para eso, la solución de IBM puede impulsar sistemáticamente las mejoras. Si esperabas una IA de caja negra que optimiza mágicamente todo sin supervisión, esto no es (y francamente, eso aún no existe en una forma plug-and-play).

Soluciones Integradas de ERP (SAP SPP y Oracle) - Herramientas Incorporadas con Limitaciones

Vale la pena discutir las opciones de los principales proveedores de ERP ya que son “relevantes” especialmente para las organizaciones que intentan utilizar las capacidades del sistema existente antes de comprar software especializado. SAP Service Parts Planning (SPP) y los módulos de repuestos de Oracle son los principales.

SAP SPP: Parte de la suite APO (Advanced Planning & Optimization) de SAP y ahora parcialmente disponible en SAP IBP (Integrated Business Planning), SPP fue co-desarrollado con grandes empresas industriales a mediados de los años 2000. Incluye características como la optimización de inventario multi-echelon, forecasting (incluyendo modelos específicos de demanda intermitente), y la planificación de requerimientos de distribución para piezas de servicio. SAP SPP puede hacer mucho en papel: tiene un método de forecasting de Croston para la demanda intermitente (SAP incluso lo documenta como “Estrategia de Forecast 80” usando el suavizado exponencial de Croston para el tamaño e intervalo) ¹². También tiene una variante actualizada de Croston (Croston-TSB) ⁶¹. Así que, SAP incorporó métodos académicos conocidos para la demanda irregular. También puede modelar transbordos laterales, tiene una funcionalidad de sucesión de partes integrada (intercambiabilidad de productos), y puede optimizar el stock a través de una red dada los niveles de servicio o tasas de llenado. Caterpillar y Ford fueron influenciadores tempranos, y en un punto se afirmó que SAP SPP tenía una funcionalidad muy avanzada (algunos analistas creían que rivalizaba con las mejores herramientas) ⁶².

Sin embargo, la realidad en la aviación es que pocas aerolíneas o MROs aprovecharon completamente SAP SPP a su potencial. Una razón es la complejidad y la experiencia requerida. Configurar SPP significa configurar muchos parámetros: uno debe asignar modelos de forecasting a cada parte (Croston para realmente intermitente, tal vez promedio móvil para otros, etc.), mantener datos maestros como banderas de entrada/salida, y crucialmente, decidir los niveles de servicio objetivo para cada parte o grupo. SAP SPP no decide inherentemente qué nivel de servicio necesitas - tú se lo dices. A menudo las empresas utilizarían la clasificación ABC/XYZ para agrupar partes y luego asignar un objetivo de nivel de servicio por grupo. Este enfoque es definido por el usuario y no está optimizando realmente el trade-off. Es esencialmente una entrada para la optimización. SAP luego calculará los requisitos de stock para alcanzar esas entradas con el mínimo stock (esa es la pieza de optimización, utilizando tal vez un solucionador MILP para el stock multi-echelon). Pero si esos objetivos están desviados, los resultados no son óptimos globalmente en términos económicos.

Otro desafío es que la interfaz de usuario y las alertas de SAP para SPP no eran particularmente amigables para el usuario en comparación con las herramientas especializadas. Está integrado en el entorno de SAP, lo cual es bueno para IT pero tal vez no sea genial para la productividad del planificador. Muchos terminaron usando solo partes de él (como solo el forecasting o solo la planificación de distribución, mientras gestionaban otras cosas en Excel).

En términos del estado del arte hoy en día, SAP SPP está algo congelado en el tiempo. El enfoque estratégico de SAP se trasladó a IBP, y IBP para piezas de repuesto todavía está poniéndose al día en términos de características. Por ejemplo, algunas capacidades avanzadas de SPP no se migraron inicialmente a IBP. Así que si un MRO de aviación está en SAP y está considerando usar su planificación integrada, podrían encontrar que requiere mucha personalización (y posiblemente complementos de terceros) para satisfacer todas las necesidades. Por ejemplo, manejar BOMs de reparación aleatorias o forecasting las tasas de remoción podría no ser de serie; uno podría tener que crear un forecasting personalizado basado en horas de vuelo o uso (algunos usuarios de SAP han preguntado sobre el forecasting a partir de los controladores de la base instalada en lugar de la historia de consumo ⁶³ - indicando brechas en la funcionalidad estándar para el forecasting específico de MRO).

Oracle: La planificación de piezas de servicio de Oracle (a menudo a través de la suite de negocios electrónicos de Oracle Value Chain Planning o como parte de Oracle Cloud SCM) proporciona una funcionalidad básica similar. Cubre el forecasting (probablemente ofreciendo Croston o modelos intermitentes similares también), la optimización de inventario multi-echelon, y la integración de ejecución. La fortaleza de Oracle podría estar en la integración con Oracle eAM (Enterprise Asset Management) y su ERP, pero no ha sido destacado como un líder en este dominio. Oracle ni siquiera participó en algunos estudios de benchmarking de piezas de servicio ⁶⁴, sugiriendo que no se está promoviendo agresivamente. Probablemente funcione suficientemente bien si está bien configurado, pero al igual que SAP, se basa en métodos clásicos y una preparación de datos intensiva. El enfoque de Oracle es típicamente determinista a menos que licencies un paquete de optimización - puede hacer cosas como calcular un stock de seguridad basado en un nivel de confianza asumiendo una cierta distribución (a menudo normal o Poisson). Pero esperar que el sistema de Oracle se autoajuste o use machine learning sería poco realista.

Problemas comunes (SAP/Oracle): Ambas soluciones ERP sufren del hecho de que el MRO de aviación no es de talla única. Estos sistemas son genéricos, por lo que capturar algo como “parte de go-if que puede diferir la sustitución durante 30 días” no es un parámetro estándar que puedes alternar - tendrías que incorporar esa lógica manualmente (quizás diciendo que el nivel de servicio para esa parte puede ser un poco más bajo, etc.). La personalización para modelar verdaderamente el programa de mantenimiento de una aerolínea puede ser extensa. Por ejemplo, modelar BOMs de mantenimiento aleatorios en SAP podría implicar alimentar los horarios de mantenimiento planificados como demandas dependientes y los no planificados como demandas estadísticas, etc. Es factible, pero complejo.

Además, sobrecarga de configuraciones definidas por el usuario: en un SAP o Oracle, los planificadores podrían tener que mantener muchas configuraciones - como períodos de revisión, reglas de tamaño de lote, stocks de seguridad mínimos, etc., porque de lo contrario el sistema podría no comportarse como se desea. Cada una de esas configuraciones es una oportunidad para errores o elecciones subóptimas. Esta dependencia de la configuración manual del usuario es exactamente lo que las soluciones más avanzadas intentan eliminar a través de la automatización.

Ventaja de la integración: Si ya utilizas SAP o Oracle, usar su módulo significa que no hay una integración pesada de los datos maestros - todo está en un solo sistema. Eso es una ventaja (no hay latencia de datos, no hay problemas de reconciliación). Sin embargo, irónicamente, las empresas a menudo descubren que todavía necesitan construir interfaces - por ejemplo, para extraer datos en una herramienta de forecasting (como Smart) o en un almacén de datos personalizado para hacer cosas que el módulo de su ERP no podía. Por lo tanto, la ventaja de la integración puede ser anulada si la herramienta incorporada no está completamente a la altura de la tarea y la complementan con otras herramientas.

En una visión escéptica, las afirmaciones de SAP y Oracle (cuando las hacen) suelen ser moderadas; no suelen lanzar grandes mejoras en porcentaje públicamente a menudo, porque saben que depende de la implementación. La tecnología en estos sistemas es sólida pero no de vanguardia - son en gran medida métodos académicos del siglo XX implementados en software. También carecen del zumbido de la IA/ML (aparte de que SAP empieza a hablar de “MRP impulsado por la demanda con machine learning” en otros contextos, pero no específicamente en la planificación de repuestos).

Para un ejecutivo de MRO, la conclusión es: si ya tienes estos, podrías intentar aprovecharlos, pero prepárate para un posible largo camino de ajuste y quizás no llegar al nivel de rendimiento que podrían ofrecer las herramientas especializadas. Por otro lado, conllevan un menor riesgo de proveedor (es SAP/Oracle, estarán presentes, y todo está en un solo sistema). Un estudio escéptico concluiría que mientras que las soluciones de SAP y Oracle son relevantes, generalmente están por detrás de los proveedores especializados en términos de automatización y sofisticación. Sirven como una línea de base, y muchas aerolíneas que los utilizan eventualmente los complementan o reemplazan con una de las herramientas especialistas mencionadas anteriormente para optimizar verdaderamente su supply chain de MRO.

Entrantes emergentes de IA (por ejemplo, Verusen) - De las palabras de moda a la realidad

Ningún estudio de mercado en 2025 estaría completo sin mencionar la nueva ola de startups y soluciones impulsadas por IA que están surgiendo para la optimización de la supply chain. En el espacio de MRO, un ejemplo es Verusen, que se comercializa como “La única plataforma de IA construida específicamente para optimizar el inventario, el gasto y el riesgo de la supply chain de MRO de los fabricantes intensivos en activos” ⁶⁵. Esa audaz afirmación desencadena inmediatamente el escepticismo - “la única plataforma de IA” es obviamente una hipérbole de marketing (como hemos visto, muchos jugadores establecidos también reclaman IA en diferentes formas).

El enfoque de Verusen, basado en sus materiales, se centra mucho en la ingestión y limpieza de datos. Destacan cosas como “ingerir datos tal como están de los sistemas ERP/EAM” y aplicar IA para identificar materiales duplicados y consolidar datos ⁶⁶. Esto aborda un problema real: los datos de MRO a menudo son desordenados (la misma parte registrada bajo nombres ligeramente diferentes, etc.). Verusen utiliza machine learning (probablemente NLP y coincidencia de patrones) para racionalizar los datos maestros de los materiales. Eso es valioso como precursor de la optimización: si tus datos son un desastre, incluso el mejor algoritmo no puede ayudar. Por lo tanto, Verusen parece concentrarse en construir una única fuente precisa de verdad para las partes y luego encontrar oportunidades de optimización (como identificar el exceso de stock en las plantas que podría compartirse, o reducir el stock de seguridad donde hay exceso de oferta).

Donde Verusen y entrantes similares son ligeros es en la profundidad probada en los algoritmos de forecast e inventario. Mencionan la IA en general pero no los detalles. Uno podría suponer que utilizan modelos genéricos de ML para hacer forecast del uso (quizás alguna red neuronal que mire el consumo y otros factores). Sin detalles, debemos ser cautelosos. En la supply chain, muchas startups han intentado hacer forecast puro de ML y han descubierto que no supera fácilmente a los modelos estadísticos bien ajustados para la demanda intermitente (que es muy difícil de predecir para el ML estándar debido a tantos ceros).

Verusen también enfatiza ser basado en la nube y rápido para integrar, insinuando una promesa de más “plug-and-play” que los proveedores más antiguos. Sin embargo, aquí emitimos una fuerte advertencia: No importa la plataforma, conectar con el ERP de una empresa y obtener todos los datos relevantes de MRO nunca es realmente plug-and-play. Cada sistema ERP o MRO tiene campos personalizados, extensiones, y los datos a menudo necesitan limpieza (partes duplicadas, tiempos de espera faltantes, etc.). La propuesta de Verusen de ingerir datos “tal como están” ⁶⁷ es interesante: sugiere que su IA puede trabajar a través del ruido. Quizás pueda agrupar elementos similares para revelar duplicados o estimar tiempos de espera faltantes a partir del contexto. Estas son características interesantes, pero un ejecutivo debería pedir pruebas de que la IA lo hace bien. No quieres que un algoritmo decida que dos números de parte son duplicados cuando en realidad son partes críticas diferentes.

La visión escéptica sobre los nuevos entrantes de IA: aportan ideas frescas y a menudo interfaces amigables para el usuario (UX moderno, paneles de control). Pueden resolver algunos problemas auxiliares como la calidad de los datos y el fácil análisis de qué pasaría si. Pero a veces carecen del conocimiento del dominio ganado con esfuerzo incrustado en soluciones más antiguas. Una startup de IA podría no saber que “la parte ABC es no-go para el vuelo pero puede ser diferida 3 días si es necesario” a menos que se lo digas explícitamente; mientras que una herramienta específica del dominio podría tener esa lógica. Por lo tanto, a cualquier recién llegado de IA se le debe presionar sobre cómo tienen en cuenta los requisitos específicos de la aviación: vida útil, restricciones de certificación, cumplimiento normativo (no puedes simplemente usar cualquier parte alternativa sin el papeleo adecuado, etc.), entre otros.

Dicho esto, algunos nuevos jugadores podrían asociarse con expertos del dominio o contratar ex planificadores de MRO para incorporar reglas. No es imposible que se pongan al día, pero es algo que hay que verificar, no asumir.

Otros enfoques nuevos notables incluyen el aprovechamiento de los datos de IoT y mantenimiento predictivo directamente para la planificación de inventario (algunas soluciones toman datos de sensores para predecir fallos de partes, luego vinculan eso con las necesidades de inventario). Esta área está evolucionando y a menudo se introduce a través de sistemas de predicción de mantenimiento en lugar de sistemas de inventario. Pero la convergencia está ocurriendo: por ejemplo, el software de mantenimiento predictivo de un fabricante de motores podría recomendar el almacenamiento de ciertos módulos en ciertas ubicaciones porque “ve” un aumento del riesgo de fallo. Los ejecutivos de MRO deben ser conscientes de que el panorama podría ver más integración vertical (los OEMs ofrecen un servicio de extremo a extremo incluyendo la optimización de inventario, utilizando sus datos sobre el equipo).

En esencia, mantén un ojo en las startups que afirman AI/ML para MRO: podrían ofrecer una pieza del rompecabezas o incluso integrarse con una de las herramientas más grandes (por ejemplo, una AI de limpieza de datos que se alimenta en un Lokad o Servigistics). Mantén escepticismo sobre sus audaces declaraciones hasta que puedan demostrar los resultados. A menudo, los pequeños nuevos proveedores tienen estudios de caso limitados y estos podrían ser proyectos piloto, no implementaciones completas.

También se debe considerar cómo estos nuevos sistemas coexistirán con los extensos procesos y sistemas heredados en la aviación. Una herramienta AI llamativa que no puede exportar fácilmente sus resultados a tu ERP existente para su ejecución, o que no registra decisiones para auditoría (importante en el cumplimiento de la aviación), enfrentará obstáculos. Los ejecutivos querrán ver que cualquier herramienta de este tipo puede integrarse en el flujo de trabajo (lo que irónicamente podría requerir tanto esfuerzo de integración como cualquier otro software).

Conclusión y Recomendaciones

Este estudio de mercado escéptico revela un ecosistema de soluciones cada una intentando resolver los desafiantes desafíos de optimización de las piezas de repuesto de MRO de la aviación. Ninguna solución es una bala de plata, y las promesas elevadas siempre deben ser interrogadas con preguntas técnicas y pruebas piloto.

Sin embargo, sí existen técnicas de vanguardia disponibles: el forecast probabilístico, la optimización multi-echelon y la AI/ML para el reconocimiento de patrones pueden mejorar significativamente el rendimiento si se implementan correctamente. Proveedores como Lokad están empujando la frontera en esos métodos específicamente para la aviación, mientras que gigantes como PTC Servigistics y Syncron incorporan muchas características avanzadas aunque detrás de un lenguaje de marketing más opaco. ToolsGroup, Baxter, Smart, y otros aportan fuertes competencias que, si se alinean con las necesidades de tu organización, pueden producir grandes beneficios, siempre y cuando no solo los enciendas y esperes magia. La madurez del proceso interno y la calidad de los datos siguen siendo cruciales.

Un tema recurrente es el equilibrio entre automatización y control del usuario. Los sistemas altamente automatizados, impulsados por AI, pueden manejar la escala y la complejidad (decenas de miles de P/Ns) pero pueden parecer una “caja negra”. Los sistemas más antiguos o más manuales dan a los usuarios más palancas pero a costa de una complejidad abrumadora para los catálogos grandes. Lo ideal parece ser un sistema que automatice el trabajo pesado (forecasting, cálculo de stock óptimo) pero que proporcione transparencia y capacidad de anulación para los planificadores en excepciones. Al evaluar a los proveedores, los ejecutivos de MRO deberían preguntar: ¿El sistema se adapta automáticamente a los cambios de demanda/tiempo de entrega, o requiere que yo ajuste la configuración? Si un proveedor se apoya en ti para mantener muchas reglas de min/max o de clasificación, eso es una señal de tecnología más débil (o al menos, no utilizando la tecnología completamente).

Sé muy escéptico de cualquier proveedor que promocione la “integración plug-and-play” en tus sistemas MRO. Los paisajes de IT de MRO de aviación son heterogéneos, ya sea que uses AMOS, TRAX, Ultramain, Maximo, SAP, o algo hecho a la medida, integrar una herramienta de optimización requerirá mapear campos de datos y probablemente limpiar datos. Un proveedor que afirma que pueden desplegar en semanas con un esfuerzo mínimo de IT probablemente está subestimando el trabajo o asumiendo un alcance muy estrecho. Es prudente asignar tiempo para la integración y las pruebas, e involucrar a tu personal de IT temprano para verificar la cordura de esas afirmaciones.

Otra bandera roja a tener en cuenta es la dependencia de estudios de caso o informes de analistas que parecen demasiado buenos para ser verdad. Muchos estudios de caso no mencionan los desafíos o la línea de base. Por ejemplo, “el inventario se redujo en un 30%” podría sonar genial, pero si la empresa originalmente no tenía un sistema de planificación, entonces el 30% podría ser alcanzado por cualquier mejora de proceso decente. Del mismo modo, “el nivel de servicio mejoró al 99%” podría significar que sobreabastecieron severamente. Siempre profundiza más: pide las métricas antes y después en contexto, y aún mejor, habla directamente con los clientes de referencia si es posible en lugar de confiar en citas pulidas.

Por otro lado, cuando los proveedores proporcionan detalles de ingeniería específicos o metodologías, es una buena señal. Significa que tienen métodos concretos en lugar de solo jerga. Por ejemplo, Smart Software explicando abiertamente su método de arranque ⁸, o Lokad discutiendo la programación diferenciable, muestra sustancia. Los proveedores que simplemente lanzan “AI/ML” sin explicar cómo se aplica al problema probablemente esperan que los compradores no lo cuestionen, pero absolutamente deberías hacerlo. Haz que te expliquen, por ejemplo, cómo su machine learning maneja una pieza que tiene cero uso la mayoría de los meses y luego una necesidad repentina, ¿qué entradas utiliza el ML? Si responden con jerga y sin claridad, ten cuidado. Si pueden articular, digamos, “agrupamos partes similares y usamos un modelo bayesiano que combina las horas operativas de la flota con las remociones históricas”, entonces al menos tienen un enfoque.

En resumen, para los ejecutivos de MRO que evalúan estas soluciones:

• Haz coincidir la herramienta con tu problema: Si sufres de variabilidad de demanda salvaje y faltantes de stock, prioriza a los proveedores con forecast probabilístico probado (Lokad, ToolsGroup, Smart, Syncron en cierta medida). Si tu problema es exceso de inventario y falta de visibilidad, una herramienta de análisis prescriptivo (IBM/Oniqua o Baxter) podría ser suficiente para recortar grasa.
• Evalúa las capacidades de tu equipo: Un sistema muy avanzado requiere planificadores/analistas capacitados para interactuar con él (o los expertos del proveedor para apoyarte). Un sistema más simple podría ser operado por un equipo lean pero podría no exprimir cada centavo de optimización.
• Planifica el trabajo de datos e integración: Cualquier software, invierte en limpiar los maestros de piezas, los datos de uso y establecer interfaces. Es menos sexy que la IA, pero fundamental.
• Piloto y verifica: Ejecuta un piloto en un subconjunto de piezas o una ubicación. Ve si los algoritmos sofisticados del proveedor realmente producen recomendaciones sensatas (por ejemplo, ¿no hay stock de una pieza crítica? ¿o un gran stock de algo barato?). Verifica su optimización simulando escenarios. Un buen proveedor trabajará contigo en esto; uno inestable evitará demasiado escrutinio.

El problema del inventario de MRO de aviación a menudo se describe como “desafiante hasta la locura” ⁶⁸ - de hecho lo es. Pero las herramientas de hoy están a la altura de ese desafío. Al cortar el bombo y centrarse en las capacidades verificables, un MRO puede elegir una solución que realmente optimice su gestión de piezas, entregando mejoras tangibles en la fiabilidad y ahorros de costos. Solo recuerda el lema del escéptico: en Dios confiamos, todos los demás - traigan datos. Cada proveedor debería ser capaz de mostrar datos para respaldar sus afirmaciones en el contexto de tu operación. Con esa diligencia debida, puedes encontrar un socio de software que vaya más allá de las promesas de marketing al éxito real en tu supply chain.

Notas al pie