Logiciel d'Optimisation de MRO en Aviation

Dernière modification : 2 février 2025

Introduction

Les chaînes d’approvisionnement de Maintenance, Réparation et Révision (MRO) dans l’aviation sont confrontées à une extrême complexité. Les compagnies aériennes et les fournisseurs de MRO gèrent des stocks de pièces à longue traîne avec une demande intermittente et rare, des délais et des prix hautement variables. Les pannes imprévisibles et les BOM aléatoires pour les réparations signifient que l’utilisation peut augmenter sans préavis. Les pièces ont souvent des cycles de vie stricts (par exemple, cycles max ou heures de vol) et des classifications de criticité (pièces “no-go” qui immobilisent les avions vs. articles “go-if” ou reportables). Ces facteurs rendent les prévisions et les décisions de stockage notoirement difficiles - un équilibre délicat entre éviter les incidents AOG (avion au sol) et minimiser les stocks excédentaires.

Plusieurs fournisseurs de logiciels prétendent résoudre ces défis avec des outils d’optimisation spécialisés. Cette étude propose une plongée sceptique dans les principales solutions d’optimisation de MRO en aviation. Nous évaluerons de manière critique la technologie de chaque fournisseur : offrent-ils réellement des capacités de pointe comme la prévision probabiliste (pour la demande et les délais), l’optimisation économique (maximiser le rapport qualité-prix dans les décisions de stockage), et une grande automatisation pour faire face à des dizaines ou des centaines de milliers de numéros de pièces ? Les affirmations marketing d’améliorations “AI/ML-driven” - comme des pourcentages de réduction d’inventaire dramatiques ou des augmentations du taux de service - seront examinées pour leur substance. Nous cherchons spécifiquement des preuves d’ingénierie avancée (ou de son absence) derrière ces affirmations, et si les outils s’appuient sur des analyses automatisées versus des paramètres définis par l’utilisateur. Enfin, nous considérons les réalités d’intégration dans le paysage informatique désordonné de la MRO en aviation, remettant en question toute affirmation de “plug-and-play”.

L’objectif est de donner aux dirigeants de MRO avec une inclinaison technologique un aperçu détaillé et sans fioritures des offres du marché - en séparant l’innovation réelle des buzzwords.

Classement des Fournisseurs (Résumé)

1. Lokad – Prévision probabiliste et automatisation de haut niveau pour l’aviation. Lokad se distingue par des technologies de pointe comme la prévision probabiliste de la demande/délai et la programmation différentiable, conçues spécifiquement grâce à des années de R&D dans l’aviation ¹. Il met l’accent sur l’optimisation économique (coût vs. service) et une configuration manuelle minimale, ce qui en fait un leader pour la planification de stocks de MRO véritablement de pointe.

2. PTC Servigistics – Suite héritée complète avec des améliorations modernes. Servigistics offre l’ensemble de fonctionnalités le plus large (optimisation multi-échelon, prévision avancée, intégration IoT) et est largement utilisé dans l’aérospatiale et la défense ². Il applique “AI/ML” sous le capot et gère des scénarios complexes, bien que certains algorithmes remontent à des décennies de développement. Très puissant, mais sa complexité peut signifier une configuration plus lourde et une dépendance à une configuration experte.

3. Syncron – Spécialiste des pièces de service avec des capacités AI en croissance. La plateforme cloud de Syncron est dédiée à la planification des pièces de service pour les fabricants et maintenant l’aérospatiale. Il met en avant l’IA, l’apprentissage automatique et les simulations avancées pour gérer des modèles de demande complexes et intermittents ³. Les fonctionnalités probabilistes émergent, et il se concentre sur l’optimisation économique des stocks, bien que la profondeur dans les particularités spécifiques à l’aviation soit encore en évolution (fort dans le marché après-vente des OEM historiquement).

4. ToolsGroup (SO99+) – Modélisation stochastique éprouvée, mais récit “AI” vieillissant. ToolsGroup a été pionnier dans la prévision de la demande intermittente et l’optimisation des stocks multi-échelons ⁴. Ses modèles probabilistes gèrent bien la “longue queue” des pièces de rechange. Cependant, les affirmations d’être “alimenté par l’IA” semblent exagérées - les analyses suggèrent que sa technologie est en grande partie des statistiques traditionnelles (modèles pré-2000) avec quelques mises à jour ⁵. Néanmoins, il offre une solide automatisation pour la planification des pièces à grande échelle.

5. Armac Systems (RIOsys) – Optimiseur axé sur l’aviation pour les rotatifs et les pièces de rechange. Armac (propriété de SR Technics) est un leader de niche spécifiquement pour l’inventaire des compagnies aériennes/MRO. Son outil RIOsys calcule les niveaux de stock optimaux pour les rotatifs et les consommables même en cas de demande non planifiée (aléatoire) et de réseaux multi-sites ⁶. Il intègre des connaissances opérationnelles (par exemple, des données de fiabilité) dans le modèle et affine continuellement les recommandations. La force spécifique au domaine est élevée, bien que l’entreprise soit plus petite et que les détails techniques (AI/ML) soient moins soulignés publiquement.

6. Baxter Planning (Prophet by Baxter) – Fondamentaux de la planification des pièces de service avec un focus sur les coûts. La solution de Baxter couvre la prévision, la planification des stocks et le réapprovisionnement automatique. Elle utilise une approche d’“Optimisation du Coût Total” qui prend en compte la criticité de la pièce, l’emplacement et l’urgence du client pour équilibrer le service et le coût ⁷. C’est un outil solide et pragmatique (plus de 20 ans dans les pièces de service), bien qu’il repose davantage sur des méthodes de prévision traditionnelles et des paramètres définis par l’utilisateur que sur une véritable automatisation pilotée par l’IA.

7. Smart Software (Smart IP&O) – Moteur de prévision de la demande intermittente avancé. Smart Software est connu pour sa prévision probabiliste des pièces de rechange à l’aide d’une méthode de bootstrap brevetée ⁸. Il génère des milliers de scénarios de demande pour capturer la variabilité, produisant une distribution complète et précise de la demande sur les délais de livraison. Cela se traduit par des niveaux de stock optimisés pour les pièces intermittentes. Cependant, l’accent de Smart est mis sur la prévision et les calculs de stock de sécurité ; c’est une solution plus étroite (souvent en complément d’un ERP) plutôt qu’une plateforme MRO complète de bout en bout. L’intégration et l’effort de l’utilisateur pour agir sur ses prévisions sont encore nécessaires.

8. IBM (MRO Inventory Optimization, anciennement Oniqua) – Focus sur l’industrie intensive en actifs, piloté par l’analytique. L’IO MRO d’IBM (acquis d’Oniqua) est une plateforme cloud combinant analyse statistique, analytique prescriptive et optimisation pour les pièces de rechange de maintenance ⁹. Il traite la demande intermittente avec une prévision intégrée et des recommandations basées sur la criticité, visant à minimiser les temps d’arrêt ¹⁰. L’outil excelle à identifier l’excès par rapport à la pénurie et à guider les planificateurs via des “scores” et des files d’attente de travail. Bien qu’il utilise une certaine automatisation, l’approche penche davantage vers les tableaux de bord d’aide à la décision - nécessitant aux utilisateurs de passer en revue les informations (par exemple, par criticité, délai d’exécution) et d’agir ¹¹. Sa technologie est solide mais pas flashy - plus d’analytique lourde que de “magie AI”, et nécessite souvent un nettoyage de données significatif (une force d’IBM) et un travail d’intégration.

9. SAP Service Parts Planning (SPP) – Module capable avec une configuration lourde. La propre solution de planification des pièces de rechange de SAP (partie de SAP SCM/APO, maintenant en transition vers IBP) offre une optimisation de stocks multi-échelons et prend en charge des méthodes comme celle de Croston pour la demande intermittente ¹². En théorie, elle peut gérer une complexité à l’échelle de l’aviation, et certains grands OEM ont contribué à façonner sa fonctionnalité. En pratique, SAP SPP nécessite de nombreux paramètres définis par l’utilisateur (sélection de modèles de prévision, objectifs de classe de service, etc.) et une personnalisation importante pour répondre aux besoins de l’aviation. Il est généralement moins automatisé - les planificateurs doivent configurer les paramètres (par exemple, codes de cycle de vie, chaînes de supersession, min/max) plutôt que l’apprentissage automatique du système. En tant qu’option intégrée à l’ERP, elle est fiable mais pas à la pointe de l’innovation algorithmique.

10. Oracle Spares Management – Planification de base des pièces de rechange au sein de l’ERP Oracle. Oracle propose un module de pièces de service (dans E-Business Suite et Cloud SCM) couvrant la prévision de la demande, la planification du niveau des stocks, etc. ¹³. Il comprend des techniques standard de demande intermittente et d’optimisation des commandes à travers un réseau. Comme SAP, il a tendance à s’appuyer sur des configurations basées sur des règles et sur l’entrée de l’utilisateur - par exemple, les planificateurs définissent des stratégies de prévision (Croston, lissage exponentiel) et des politiques de stocks. La solution d’Oracle fait le travail pour certains, mais nous n’avons trouvé aucune preuve d’IA de pointe ou d’optimisation probabiliste ; elle est généralement un pas derrière les fournisseurs spécialisés en termes de technologie.

Ensuite, nous nous plongeons dans une analyse détaillée de la technologie, des capacités et des revendications de chaque fournisseur, en soulignant où ils brillent et où le scepticisme est justifié.

Lokad – “la Supply Chain Quantitative” probabiliste pour l’aviation

Lokad est un nouvel entrant (fondé dans les années 2010) qui s’est concentré de manière agressive sur l’optimisation aérospatiale & MRO comme spécialité principale. Son approche est sans équivoque pilotée par la science des données. La plateforme de Lokad se concentre sur la prévision probabiliste et ce qu’ils appellent “l’optimisation prédictive”. Au lieu de prévoir une demande en un seul point, Lokad modélise la distribution de probabilité complète de la demande, des délais d’exécution, et même des taux de rebut des pièces ¹. C’est crucial pour l’incertitude élevée de l’aviation : par exemple, une pièce peut généralement durer 5 000 heures mais échouer beaucoup plus tôt - un modèle probabiliste capture ce risque. Lokad calcule ensuite des politiques de stocks qui minimisent le coût total (coûts de détention, coûts de rupture de stock, pénalités AOG) compte tenu de ces incertitudes.

Un aspect remarquable de la technologie de Lokad est la programmation différentiable ¹. Cela signifie essentiellement qu’ils utilisent des techniques d’apprentissage automatique pour “apprendre” à partir de modèles de données de supply chain complexes. Par exemple, les calendriers de maintenance, les courbes de fiabilité (MTBUR - Mean Time Between Unscheduled Removal), les temps de cycle de réparation, etc., peuvent tous être intégrés dans un modèle de type réseau neuronal plutôt que dans des règles fixes. Lokad prétend que cela permet d’extraire automatiquement des modèles à partir des données que les formules codées en dur traditionnelles pourraient manquer ¹. C’est un concept nouveau en supply chain, et bien qu’il soit difficile à vérifier de l’extérieur, il indique une ingénierie sérieuse au-delà des mots à la mode.

Fait important, Lokad fournit des détails techniques sur leur approche - un changement rafraîchissant par rapport aux affirmations vagues sur l’IA. Dans un communiqué de presse avec Revima (un MRO de APU/Landing Gear), ils mentionnent explicitement la prévision probabiliste pour la demande, le délai d’exécution, et le rebut, combinée à la programmation différentiable pour modéliser des processus de réparation complexes ^{1 1}. Ce sont des techniques concrètes, pas seulement du jargon marketing. Le fait que le PDG de Lokad soit un blogueur actif sur les mathématiques de la supply chain ajoute de la crédibilité (ils critiquent fréquemment les méthodes traditionnelles et publient même des comparaisons).

D’un point de vue automatisation, la solution de Lokad est hautement automatisée une fois les données en place. Elle est livrée sous forme de logiciel-plus-services (concept “Supply Chain as Code”) : leur équipe aide à configurer un modèle d’optimisation personnalisé en utilisant leur langage de script (Envision). Après cela, le système ingère continuellement les données (par exemple, les transactions quotidiennes de pièces, les retraits, etc.) et régénère les recommandations de niveau de stock, les commandes d’achat, la priorisation des commandes de réparation, etc., avec une intervention manuelle minimale. Il est conçu pour gérer des dizaines ou des centaines de milliers de P/N en laissant les algorithmes calculer les politiques optimales pour chacun, plutôt que de laisser les planificateurs maintenir des milliers de paramètres min/max. Un dirigeant de MRO aviation confirme que “Lokad a fourni les bons outils et le soutien pour… réduire l’incertitude en incorporant une approche probabiliste,” atteignant des objectifs de taux de service exigeants avec un risque réduit ¹⁴.

Lokad est également franc sur l’intégration : ils ne proposent pas un pur fantasme de “plug-and-play”, reconnaissant que les données de l’aviation sont désordonnées. Au lieu de cela, ils exploitent souvent toutes les sources de données disponibles, même si elles sont imparfaites. Par exemple, ils pourraient utiliser les mesures de fiabilité fournies par l’OEM (MTBUR) et les données historiques de retrait de l’opérateur, en les pondérant en fonction de ce qui est le plus prédictif pour chaque pièce ^{15 16}. Ce niveau de nuance - l’utilisation de plusieurs sources de données pour trianguler - montre une compréhension avancée des spécificités de l’aviation (par exemple, l’utilisation des données de l’OEM lorsque les données en service sont rares, et vice versa).

Point de vue sceptique : Les affirmations de Lokad sont généralement étayées par des preuves (études de cas avec Air France KLM, Revima, etc., et des blogs techniques détaillés). On doit tout de même se poser des questions difficiles : par exemple, comment un MRO typique peut-il adopter la solution de Lokad sans une équipe de data scientists ? Lokad a tendance à travailler en étroite collaboration avec ses clients via ses propres experts, ce qui est excellent pour les résultats mais pourrait être perçu comme un modèle lourd en consulting initialement plutôt que comme un pur logiciel. De plus, bien que les modèles probabilistes soient idéaux pour la demande intermittente, leur précision dépend de la qualité des données - le risque de produire des déchets sophistiqués reste un risque. Les résultats de Lokad comme “les stocks réduits de 60%” dans un cas ¹⁷ doivent être accueillis avec un scepticisme sain - de tels résultats pourraient être exceptionnels ou mesurés par rapport à une base très pauvre. Néanmoins, parmi les fournisseurs, Lokad semble être celui qui pousse le plus loin l’enveloppe sur la science moderne de la prévision et de l’optimisation. Il ne dépend pas des utilisateurs pour fixer des objectifs de taux de service arbitraires ou des classes ABC ; au lieu de cela, il automatise les décisions en calculant les compromis économiques pour chaque pièce. Ce niveau d’automatisation et de rigueur probabiliste en fait un choix de premier rang pour ceux qui sont prêts à adopter une solution plus récente.

PTC Servigistics - Champion poids lourd avec une technologie mise à jour

Servigistics est le vétéran dans ce domaine - sa lignée remonte à des pionniers de l’industrie (Xelus, MCA Solutions) qui ont été regroupés sous Servigistics, puis acquis par PTC en 2012 ¹⁸. C’est de loin le logiciel de Gestion des Pièces de Service (SPM) le plus largement déployé parmi les grandes organisations aérospatiales et de défense. Qantas, Boeing, Lockheed Martin, l’U.S. Air Force - de tels noms apparaissent souvent comme utilisateurs de Servigistics ¹⁹. Avec ce pedigree, Servigistics fixe une barre haute en termes de largeur et de profondeur des fonctionnalités.

D’un point de vue des capacités, Servigistics liste à peu près toutes les fonctions qu’une équipe de logistique MRO ou aftermarket pourrait souhaiter : prévision de la demande spécialisée pour une demande faible et sporadique, optimisation de stocks multi-échelons (positionnement des stocks à travers, disons, l’entrepôt central, les bases avancées, l’atelier de réparation, etc.), planification des achats multi-sources, décisions de réparation vs achat, et même un module de tarification des pièces intégré ²⁰. Notamment, PTC a également étendu Servigistics via l’intégration IoT - en utilisant leur plateforme ThingWorx pour alimenter en données d’équipement connectées (par exemple, données d’utilisation ou de capteurs provenant d’avions/moteurs) pour prédire les défaillances des pièces à durée de vie limitée et planifier les remplacements de manière proactive ^{21 22}. Cela commence à aborder le problème du “BOM aléatoire” en prévoyant les retraits de pièces basés sur la surveillance réelle de l’état, et non seulement sur les statistiques historiques.

Servigistics prétend incorporer la science des données modernes : “les modules de prévision, d’optimisation et d’analyse tirent parti de l’IA, de l’apprentissage automatique et des big data” ²³. Cependant, les détails sur la manière exacte dont l’IA/ML est utilisée sont rares dans les documents publics. Étant donné la longue histoire de l’outil, il est probable que la majeure partie du moteur de prévision repose encore sur des méthodes statistiques classiques (méthode de Croston, variantes de lissage exponentiel pour la demande intermittente, peut-être estimation bayésienne pour la faible demande) qui ont été améliorées de manière incrémentale. La mention de la collaboration avec des universitaires comme le Dr John Muckstadt suggère l’utilisation de modèles analytiques éprouvés pour l’optimisation multi-échelons ²⁴. Les algorithmes de Muckstadt (de son livre “Service Parts Management”) sont plus de la recherche opérationnelle (optimisation mathématique) que de l’apprentissage automatique - ce qui est bien, souvent optimal pour ces problèmes. L’“IA/ML” peut être plus un enrobage récent - utilisant peut-être l’apprentissage automatique pour des choses comme la détection d’anomalies dans la demande, ou la classification des pièces (par exemple, le regroupement de modèles de demande similaires), plutôt que la prévision de base. On devrait être un peu sceptique que Servigistics soit soudainement devenue une plateforme “IA” ; c’est plus précisément une plateforme de recherche opérationnelle très sophistiquée avec quelques nouvelles fonctionnalités activées par l’IA en périphérie.

Prévision probabiliste : Est-ce que Servigistics le fait ? Historiquement, il pouvait produire une distribution de la demande pour chaque pièce (par exemple, via le bootstrap ou l’ajustement à une distribution statistique prédéfinie) pour calculer les stocks de sécurité optimaux. L’optimisation multi-échelons nécessite intrinsèquement des entrées probabilistes (pour calculer les probabilités de rupture de stock à travers les emplacements). La documentation de PTC fait référence aux “types de distributions de probabilité utilisées” dans les décisions de stockage ²⁵, ce qui implique que le système considère plus qu’une simple prévision moyenne. On peut raisonnablement supposer qu’il fait une certaine forme de prévision probabiliste ou au moins de simulation de scénario pour la demande sporadique (MCA Solutions, l’un de ses prédécesseurs, était connu pour la simulation de Monte Carlo dans la planification). La différence avec une approche moderne est de savoir si ces distributions sont apprises automatiquement ou sélectionnées via des règles. Dans Servigistics, un planificateur définit généralement chaque pièce sur une méthode de prévision (ou le système sélectionne automatiquement à partir d’un ensemble de méthodes) puis choisit les objectifs de taux de service. Il y a beaucoup de politique définie par l’utilisateur possible - par exemple, les planificateurs peuvent segmenter les pièces par criticité ou valeur et assigner différents objectifs de taux de remplissage (le système a une capacité de segmentation riche) ²⁶. Si ce n’est pas entièrement automatisé, cela pourrait être une faiblesse : l’outil peut optimiser une fois que vous avez entré ces paramètres, mais déterminer quel taux de service chacune des dizaines de milliers de pièces devrait avoir est souvent laissé au jugement de l’utilisateur ou à des règles simples (comme “95% pour les pièces non-go, 80% pour les pièces go-if”). Des solutions véritablement optimales calculeraient ces compromis de manière dynamique. Il n’est pas clair si Servigistics dispose d’une “optimisation du taux de service” automatisée qui, par exemple, maximise la disponibilité globale pour un budget donné - probablement qu’il peut le faire, mais beaucoup d’utilisateurs peuvent ne pas utiliser ce mode en raison de sa complexité.

Servigistics aborde également les aspects cycle de vie des pièces et boucle de réparation. Pour les pièces réparables, il peut planifier le pipeline de réparation et prendre en compte les temps de rotation et les rendements. La nouvelle extension “Connected Forecasting” prévoit explicitement le retrait de pièces comme les pièces à durée de vie limitée (LLP) en fonction de leur durée de vie restante et des données d’utilisation ²⁷ - une capacité très importante dans l’aviation où vous savez qu’une pièce aura besoin d’être remplacée après X cycles. Cela aide à atténuer la demande erratique en injectant des signaux déterministes (par exemple, les retraits programmés) dans la prévision.

Sur l’intégration : PTC s’est associé à des fournisseurs majeurs de ERP MRO comme IFS et Trax pour intégrer Servigistics ²⁸. Néanmoins, l’intégration d’un outil aussi complet avec le système de maintenance d’une compagnie aérienne est un projet majeur (souvent de 6 à 12 mois ou plus). Toute affirmation de “plug-and-play” de la part des ventes doit être prise avec des pincettes. En réalité, il faut mapper des dizaines de champs de données (base d’installation, catalogues de pièces, BOM pour les tâches de maintenance, données de cycle de réparation, etc.) et souvent nettoyer la qualité des données. Servigistics a probablement des adaptateurs standard pour des systèmes comme SAP ou Oracle, mais le travail personnalisé est la norme - en accord avec toute solution d’entreprise.

Points de scepticisme clés : Servigistics est extrêmement puissant, mais est-il facile d’en tirer de la valeur ? De nombreuses installations héritées finissent par être sous-utilisées, n’utilisant que des fonctionnalités de base (comme la planification à un seul échelon avec des stocks de sécurité définis) parce que l’optimisation complète peut être accablante sans utilisateurs experts. Il vaut la peine d’interroger un fournisseur sur le degré d’automatisation du système en pratique - par exemple, détecte-t-il automatiquement un changement dans la variabilité du délai d’approvisionnement et ajuste-t-il les points de réapprovisionnement, ou un planificateur doit-il intervenir ? La présence de nombreux “paramètres de planification” suggère qu’un lot de réglages est possible ²⁹, ce qui peut être bon ou mauvais. Par exemple, Servigistics permet de remplacer le EOQ calculé ou de forcer certaines périodes de prévision ²⁹, ce qui laisse supposer que les calculs sortis de la boîte ne sont pas toujours fiables pour les utilisateurs.

En résumé, Servigistics est l’option la plus riche en fonctionnalités et a évolué pour inclure des éléments modernes (données IoT, un peu d’IA). Il offre des capacités de pointe, mais la question de savoir s’il offre des solutions de pointe dépend de l’exécution - un domaine à surveiller. Pour un MRO disposant des ressources pour le mettre en œuvre pleinement, il peut offrir d’excellentes performances (94% de disponibilité des pièces chez Qantas a été signalé ³⁰). Mais les petites opérations peuvent le trouver lourd. Ses revendications marketing (leader dans tous les rapports d’analystes, etc.) sont typiques et en partie vraies compte tenu de la part de marché, mais les acheteurs potentiels devraient regarder au-delà des éloges et s’assurer qu’ils ont la maturité des processus pour exploiter cet outil puissant mais complexe.

Syncron - Planification des pièces de service native du cloud avec des promesses d’IA

Syncron est un autre acteur majeur, venant d’un angle différent - il a commencé avec les pièces de service après-vente des fabricants (en particulier l’automobile et les machines industrielles) et s’est étendu à l’aérospatiale/défense ces dernières années. La proposition de valeur de Syncron repose sur le fait d’être une plateforme spécifiquement conçue pour le cloud pour les pièces de service, combinant plusieurs modules (Optimisation des stocks, Optimisation des prix, et même un module de prévision de disponibilité basé sur l’IoT) ^{31 32}. Dans le contexte de la MRO aéronautique, Syncron gagne du terrain - par exemple, ATR (le constructeur d’avions régionaux) a récemment choisi Syncron pour la gestion des stocks à travers son support de flotte mondial ^{33 3}.

Technologiquement, Syncron fait la publicité de l’utilisation de l’IA, du machine learning et de l’analytique avancée dans sa solution de planification des pièces ³. Concrètement, ils mentionnent que le logiciel “suit les tendances de la demande et configure des simulations avancées pour planifier et prévoir les besoins en pièces de service” ³. Cela suggère que Syncron utilise une forme de simulation de Monte Carlo ou de planification probabiliste également - probablement en générant des scénarios de demande et d’approvisionnement pour optimiser les stocks. Dans un IDC MarketScape, Syncron a été noté pour “le réapprovisionnement dynamique, la planification/prévision probabiliste” parmi ses points forts ³⁴, indiquant qu’il n’utilise pas seulement des méthodes déterministes ou basées sur des règles. Contrairement à certains outils plus anciens, le fait que Syncron soit natif du cloud signifie qu’il peut traiter de grands ensembles de données et exécuter des simulations étendues en arrière-plan sans que le client ait besoin de gérer l’infrastructure informatique.

Un aspect notable de la philosophie de Syncron est la servitisation - aider les entreprises à traiter la disponibilité comme un service. En termes pratiques, la plateforme Syncron lie ensemble la prévision des pièces de service avec les entrées de gestion des services sur le terrain et les signaux de maintenance prédictive IoT (via leur module Uptime™). Pour l’aviation, cela pourrait signifier l’utilisation de données de surveillance de la santé des avions pour anticiper la demande de pièces. C’est similaire en concept à ce que PTC fait avec ThingWorx, mais Syncron l’a emballé comme faisant partie de leur suite spécifiquement pour le service après-vente. Cette approche s’aligne avec des tendances comme le power-by-the-hour en aviation, où la disponibilité est tout.

En termes d’optimisation, Syncron optimise les stocks en équilibrant la disponibilité par rapport au coût. Ils revendiquent explicitement des améliorations telles qu’une augmentation de 12 à 17,5% de la disponibilité des pièces et une réduction de 15% du coût des stocks pour les clients ³⁵. Ces chiffres, comme toutes ces revendications, doivent être considérés avec prudence - ils pourraient provenir d’études de cas spécifiques. Il y a peu de détails techniques publics sur les algorithmes derrière l’optimisation de Syncron. Cependant, on peut déduire qu’ils utilisent une combinaison de modèles de prévision statistiques, d’apprentissage automatique pour la reconnaissance des motifs, et d’une heuristique ou d’un solveur pour le stockage multi-échelon. Syncron Inventory était historiquement fort en optimisation du réseau de distribution (pour les OEM avec des réseaux de concessionnaires, etc.), donc l’optimisation multi-localisation est dans son ADN.

Automatisation et effort de l’utilisateur : Syncron automatise probablement de nombreuses tâches de routine - étant un logiciel moderne, il a été conçu pour le cloud et la facilité d’utilisation. Il sélectionne probablement automatiquement les modèles de prévision appropriés et les met à jour au fur et à mesure que les données changent, plutôt que de s’attendre à ce que les utilisateurs accordent manuellement chaque méthode de prévision de SKU (un fléau des anciens systèmes). Cela dit, la base d’utilisateurs typique de Syncron (les fabricants) fixe souvent encore des règles commerciales - par exemple, classer les pièces par cycle de vie ou par importance pour appliquer différentes politiques. Nous devrions vérifier si Syncron permet une optimisation entièrement sans intervention. Il est mentionné que les modules de prix et de stocks de Syncron utilisent actuellement des bases de données séparées qui nécessitent une intégration ³², ce qui laisse supposer quelques fondations héritées. Il se peut qu’il ne soit pas aussi transparent entre les modules qu’annoncé.

Une force que Syncron met en avant est la gestion du cycle de vie des pièces : gestion des nouvelles introductions de pièces, obsolescence, supersessions. En aviation, où les pièces sont remplacées par des versions plus récentes ou des alternatives PMA, c’est crucial. Syncron a été confronté à des problèmes similaires dans l’automobile (où les changements de modèle affectent la demande de pièces) - on peut supposer que le système peut prévoir la décroissance de la demande pour les pièces plus anciennes et l’augmentation pour les nouvelles en utilisant des analogies ou des prévisions liées.

Vérification des revendications : Syncron a relativement moins de livres blancs techniques publics, donc une partie de notre scepticisme est que nous devons nous fier à ce qu’ils revendiquent et à quelques références. Le communiqué de presse d’ATR indique que la solution aidera à la stabilité de la supply chain et à l’expansion des opérations ³⁶ - mais c’est générique. La revendication technologique clé est la combinaison de l’IA/ML + simulation ³. Nous poserions la question à Syncron : Fournissent-ils des preuves de l’action des modèles ML ? Par exemple, utilisent-ils des réseaux neuronaux pour détecter les causes de la demande (comme les taux d’utilisation ou les pannes) ou simplement des méthodes de séries temporelles ? De plus, s’ils disent “IA”, est-ce juste une étiquette pour leurs modèles statistiques ou de véritables nouvelles techniques ? Sans plus de détails, nous restons prudents.

Cependant, contrairement à certains concurrents, Syncron ne s’appuie pas sur des architectures anciennes - c’est une plateforme du 21ème siècle de bout en bout. Cela signifie probablement une meilleure interface utilisateur, et peut-être une mise en œuvre plus rapide (leur intégration à l’ERP utilise des API modernes, et ils font souvent le gros du travail pour les clients). Cependant, le “plug-and-play” est irréaliste : l’implémentation d’ATR, par exemple, a probablement nécessité de mapper Syncron aux systèmes SAP et de maintenance personnalisés d’ATR. L’équipe de Syncron a travaillé activement avec ATR pour adapter les améliorations aux “exigences uniques” de l’aviation ³⁷ - ce qui implique qu’à l’origine, certains besoins spécifiques à l’aviation n’ont pas été satisfaits avant leur collaboration. C’est à la fois bon (le fournisseur est prêt à s’adapter) et prudent (le produit n’était pas entièrement prêt pour toutes les complexités de l’aviation initialement).

En résumé, Syncron est en train de se diriger vers l’état de l’art avec des éléments probabilistes et d’IA, et il a une forte orientation vers l’automatisation. Il n’a peut-être pas encore le solide historique de l’aviation de Servigistics, mais il devient rapidement un concurrent de premier plan, comme en témoignent les nouveaux clients de l’aviation. Les dirigeants de MRO devraient vérifier les affirmations de Syncron sur le ML (demander des détails ou des démonstrations de la façon dont il prévoit un numéro de pièce irrégulier) et s’assurer que toute amélioration promise de l’inventaire/du service est accompagnée de données - pas seulement de moyennes industrielles. Comme pour les autres, considérez les pourcentages élogieux (par exemple, “réduction des coûts des stocks de 15%”) comme une ligne directrice approximative ; les résultats réels varieront en fonction de la désorganisation du processus de départ. Dans l’ensemble, Syncron se classe haut en raison de son architecture moderne et de son accent sur l’automatisation intelligente, tempérée par le besoin de prouver sa technologie au-delà des mots à la mode.

ToolsGroup - Des algorithmes de demande intermittente solides, mais à quel point sont-ils “intelligents” ?

ToolsGroup est un fournisseur bien établi (fondé en 1993) connu pour son logiciel phare SO99+ (Service Optimizer 99+). Il a une présence significative dans la planification des pièces de rechange dans diverses industries - des pièces de rechange automobiles à l’équipement industriel, et il a également été utilisé dans des contextes aérospatiaux/défense. La force principale de ToolsGroup a toujours été de gérer la “longue traîne” de la demande avec ce qu’ils appellent un modèle probabiliste. Ils soulignent que les outils traditionnels échouent sur la demande intermittente, tandis que ToolsGroup “résout le problème de planification des pièces de service avec une capacité exceptionnelle de prévoir la demande intermittente et d’optimiser globalement l’inventaire multi-échelon” ⁴.

La technologie derrière les prévisions de ToolsGroup est en effet probabiliste. Historiquement, ils ont utilisé une approche propriétaire où, au lieu de prévoir un seul nombre, ils modélisent la demande comme une distribution de probabilité pour chaque SKU. Cela pourrait être fait via une simulation de Monte Carlo ou en ajustant analytiquement une distribution (certaines sources indiquent que ToolsGroup pourrait utiliser une forme de bootstrap ou une variation de la méthode de Croston combinée à une analyse de variabilité). Pour chaque pièce, compte tenu de la distribution de la demande et du délai d’exécution, le logiciel calcule l’inventaire nécessaire pour atteindre un taux de service cible ou inversement, le taux de service atteignable pour un budget de stock donné. Cette approche était quelque peu pionnière dans les années 1990/2000 lorsque la plupart des systèmes de planification utilisaient des méthodes simplistes. Elle permet de gérer très précisément les taux de service même pour des articles extrêmement lents. ToolsGroup a également introduit le concept de “planification basée sur le taux de service” où vous spécifiez le taux de service souhaité par SKU et l’outil détermine le stock nécessaire, plutôt que les planificateurs devinant le stock de sécurité.

Cependant, la critique moderne est de savoir si ToolsGroup a significativement innové au-delà de ses modèles antérieurs. L’entreprise se présente désormais comme étant “alimentée par l’IA” et parle de choses comme la “détection de la demande” et l’apprentissage automatique. Mais une étude de marché réalisée par Lokad souligne que les documents publics de ToolsGroup font toujours allusion à des techniques plus anciennes et notent même une incohérence : ToolsGroup a commencé à faire de la publicité pour des prévisions probabilistes mais a toujours fait référence à des améliorations de MAPE (Mean Absolute Percentage Error), ce qui “ne s’applique pas aux prévisions probabilistes” ⁵. Cela suggère un peu de vernis marketing - vous ne mesureriez pas l’erreur de prévision avec MAPE si vous vous concentriez vraiment sur les prévisions de distribution. En d’autres termes, ToolsGroup pourrait encore produire principalement une seule prévision pour chaque article (pour le reporting d’entreprise), en utilisant des idées probabilistes sous le capot pour les calculs d’inventaire. La mention de “détection de la demande” (signifiant généralement l’utilisation de signaux à très court terme comme les commandes en main ou les données IoT pour ajuster les prévisions) est également contestée comme ayant peu de soutien dans la littérature scientifique ³⁸ - laissant entendre que ToolsGroup peut utiliser le buzzword mais pas nécessairement une méthode avancée éprouvée.

Cela dit, les capacités de ToolsGroup sont solides. Il prend en charge l’optimisation multi-échelons, ce qui signifie qu’il peut recommander où stocker les pièces dans un réseau pour atteindre les objectifs de service avec un minimum de stocks. Il peut également gérer le repositionnement des stocks et le redéploiement, ce qui est utile en MRO lorsque les pièces peuvent être déplacées entre les bases ou les régions. La solution de ToolsGroup est souvent intégrée à des ERP comme SAP - certaines entreprises utilisent SO99+ à côté de SAP pour surmonter les limitations de la planification de SAP (ToolsGroup affirme même qu’il peut étendre SAP APO avec des prévisions probabilistes ³⁹). Il est généralement très automatisé : une fois configuré, les planificateurs surveillent principalement les exceptions. L’outil va passer en revue des milliers de combinaisons SKU-localisation et ne signalera que les articles où peut-être le taux de service est projeté de glisser ou une pointe de demande s’est produite qui nécessite une intervention.

Sur les spécificités du contexte MRO : ToolsGroup peut certainement modéliser la demande intermittente, mais tient-il compte de choses comme la criticité des pièces ou le cycle de vie ? ToolsGroup a tendance à être générique ; cependant, les utilisateurs peuvent entrer différents objectifs de taux de service ou coûts pour différentes catégories de pièces. Il peut ne pas connaître nativement la criticité “go/no-go”, mais un client pourrait l’incorporer en fixant simplement un objectif de taux de service proche de 100% pour les articles “no-go” et plus bas pour les autres. L’optimisation suit alors cette directive. De même, pour les cycles de vie, ToolsGroup pourrait ne pas avoir un module prêt à l’emploi pour prévoir en fonction de la durée de vie restante (comme le font Servigistics ou Syncron avec les données IoT), mais on peut manuellement ajuster les prévisions pour les remplacements programmés connus. C’est plus un kit d’outils qui peut être adapté à divers besoins, plutôt qu’une solution spécifique à l’aviation.

Un domaine à surveiller est les revendications de ToolsGroup sur les résultats typiques : par exemple, ils affirment que les clients réalisent une réduction de 20 à 50% des ventes perdues, une réduction de 10 à 30% des stocks et des taux de service de 95 à 99% ⁴⁰. Bien que ces fourchettes soient plausibles, elles sont larges et clairement motivées par le marketing. De telles améliorations proviennent probablement d’entreprises qui n’avaient aucune véritable optimisation auparavant - la mise en œuvre de n’importe quel outil décent donnerait de grands gains. Cela ne signifie pas nécessairement que ToolsGroup atteint uniquement ces résultats par rapport à ses pairs. Il n’y a souvent pas d’étude indépendante pour vérifier ces pourcentages, nous restons donc sceptiques quant à les prendre à leur valeur nominale (l’absence de contexte comme “comparé à quelle base de référence ?” ou “sur combien de temps ?” est révélatrice).

Défini par l’utilisateur vs. automatisation : ToolsGroup est relativement automatisé dans la prévision, mais il permet beaucoup de configuration. Par exemple, les planificateurs peuvent choisir les objectifs de taux de service par article ou par groupe. Si une entreprise ne sait pas comment les définir, elle pourrait revenir à de vieilles habitudes (classification ABC, etc.), ce qui limite l’impact de la technologie. Idéalement, on utiliserait l’optimisation de ToolsGroup pour déterminer ces objectifs de manière optimale - je crois que ToolsGroup a des fonctionnalités comme l’équilibrage de l’investissement en stocks vs. le service à travers le portefeuille, qui est une forme d’optimisation économique. Mais cela peut nécessiter d’utiliser leur conseil ou des fonctionnalités avancées pour une bonne configuration.

L’effort d’intégration pour ToolsGroup est modéré - ils ont besoin de flux d’historique d’utilisation, de BOMs, etc. Ce n’est pas tout à fait du plug-and-play avec quelque chose comme AMOS ou Rusada (systèmes MRO courants), donc attendez-vous à un projet, bien que de nombreux connecteurs d’intégration existent étant donné la longue histoire de ToolsGroup.

En résumé : ToolsGroup est une solution capable et fiable pour l’optimisation des pièces de rechange. Il se qualifie certainement comme état de l’art vers 2010, et tient toujours bien la route. Mais en 2025, on devrait se demander combien il a incorporé de nouvelles techniques d’IA/ML. Les preuves disponibles suggèrent beaucoup de buzzwords mais pas beaucoup de nouvelle méthodologie concrète publiée. Cela ne signifie pas qu’il ne fonctionne pas - il fonctionne, mais l’étiquette “IA” pourrait simplement signifier qu’il utilise des statistiques sophistiquées (ce qui est bien). Pour un dirigeant de MRO, ToolsGroup pourrait être un choix à moindre risque (produit établi, nombreux clients de référence). Soyez simplement conscient que vous pourriez ne pas obtenir un système vraiment de nouvelle génération ; vous obtenez un très bon système traditionnel. Si l’entreprise fait la promotion de “l’IA”, demandez-leur de préciser ce qui est exactement piloté par l’IA dans le produit et comment cela améliore leurs modèles probabilistes déjà bons. Assurez-vous également que votre équipe exploitera pleinement ses points forts (comme l’optimisation multi-échelons), et ne le réduira pas à un simple outil de planification.

Armac Systems (RIOsys) - Natif de l’aviation, Optimisant les Rotables et les Réparations

Armac Systems est unique sur cette liste car il est né spécifiquement du monde MRO de l’aviation. C’est un fournisseur plus petit (basé en Irlande, maintenant détenu par SR Technics depuis la fin des années 2010 ⁴¹) qui se concentre à 100% sur l’optimisation des stocks d’aviation. Le produit phare d’Armac, RIOsys (système d’optimisation des stocks rotables), est conçu pour les compagnies aériennes et les MROs qui traitent à la fois des pièces de rechange consommables et des composants rotables de grande valeur.

Ce qui distingue Armac, c’est sa spécificité de domaine. Le logiciel est décrit comme une “planification et optimisation des stocks spécifiques à l’aviation” visant à maximiser la disponibilité des pièces de rechange au coût économique le plus bas ⁶. Il reconnaît explicitement le scénario typique de l’aviation : “la demande de pièces non planifiée, de nombreux composants et des opérations multi-sites sont la norme” ⁴². L’outil aide à calculer les niveaux de stocks optimaux pour les pièces rotables et consommables, ce qui signifie qu’il peut déterminer non seulement combien en acheter, mais aussi combien en garder en réserve par rapport à la chaîne de réparation, etc., pour atteindre les objectifs de fiabilité de l’expédition. Il mentionne également que les connaissances opérationnelles sont intégrées dans votre modèle de provisionnement et continuellement affinées ⁴³. Cela suggère que le système apprend ou met à jour ses paramètres à mesure que plus de données arrivent (par exemple, lorsque vous observez les taux de retrait réels des composants, il affine la prévision ou le stock recommandé pour ce composant).

Un aspect probable de l’approche d’Armac est l’exploitation des données d’ingénierie de fiabilité. La maintenance aéronautique a des concepts comme MTBF/MTBUR, les courbes de fiabilité et les taux de retrait par 1000 heures de vol. Armac utilise probablement ceux-ci pour prédire la demande plutôt que simplement l’extrapolation des séries temporelles. Par exemple, si une compagnie aérienne exploite 100 A320 et qu’une certaine pompe a un MTBUR de 5000 heures de vol, vous pouvez prévoir à peu près combien de pannes par an vous pouvez attendre (avec variabilité). C’est très spécifique à MRO et diffère de la prévision, disons, de la vente de pièces de rechange aux clients. Le partenariat d’Armac avec le monde universitaire et les “techniques de business intelligence de big data” ⁴¹ implique qu’ils ont recherché et mis en œuvre des modèles adaptés à ce type de prévision basée sur la fiabilité.

Armac répond également indirectement à la criticité “go/no-go” en se concentrant sur la fiabilité technique de l’expédition. Dans une compagnie aérienne, la fiabilité de l’expédition (le pourcentage de vols qui partent sans retard ou annulation due à la maintenance) est une mesure clé. La disponibilité des pièces de rechange, en particulier des articles no-go, y contribue directement. Les études de cas d’Armac (comme Iberia) indiquent que l’objectif était d’améliorer la disponibilité des matériaux tout en réduisant les coûts ⁴⁴. Le PDG d’Armac a souligné l’amélioration de la disponibilité des pièces de rechange au coût économique le plus bas ⁴⁵. Ils font donc clairement une optimisation économique : s’assurer que les pièces critiques sont toujours disponibles (pour éviter AOG) mais sans surstocker partout.

Une note intéressante : RIOsys d’Armac s’intègre avec les ERP existants (comme SAP) pour fournir une “couche supplémentaire d’intelligence” ⁴⁶. Cela montre qu’ils ne remplacent pas le système transactionnel, mais le complètent - un thème commun dans les logiciels d’optimisation. L’intégration avec SAP était un argument de vente (ils ont obtenu la certification SAP, etc.), mais encore une fois, l’intégration demande du travail.

Armac fournit probablement beaucoup d’automatisation pour les planificateurs en ce sens qu’il génère des recommandations (par exemple, stocker cette pièce à la base X, déplacer ces unités excédentaires de la base Y à Z, réparer autant d’unités maintenant, etc.). Il a probablement aussi des tableaux de bord conviviaux mettant en évidence les surplus et les pénuries et aidant à prioriser les actions ⁴⁷. C’est crucial pour les petites équipes de planification - l’outil doit leur dire quoi faire aujourd’hui. L’utilisation d’Armac par Iberia a apparemment aidé à “identifier les surplus et les pénuries, et à prioriser les activités quotidiennes” pour les planificateurs de stocks ⁴⁷. Cela indique un haut niveau de prise de décision guidée par le système - un signe d’une forte automatisation.

Du côté du scepticisme, parce qu’Armac est plus petit et moins visible en marketing, il y a moins d’évaluation indépendante disponible. Il semble très compétent pour l’aviation, mais utilise-t-il vraiment des algorithmes de pointe ? Ou son succès est-il principalement dû au fait qu’il est adapté (avec beaucoup de règles d’experts et de modèles spécifiquement pour les compagnies aériennes) ? Par exemple, Armac pourrait utiliser des modèles statistiques assez standard mais pré-configurés avec les bons paramètres pour les scénarios d’aviation dès la sortie de la boîte. C’est toujours précieux, mais pas “magique”. La mention de modèles “continuellement affinés” ⁴³ laisse entendre qu’un certain apprentissage automatique ou au moins une calibration itérative se produit, ce qui est bon.

Une faiblesse potentielle pourrait être l’échelle et les ressources : en tant que fournisseur plus petit, Armac peut-il investir dans les dernières recherches en IA au même rythme que, disons, PTC ou Lokad ? Peut-être pas, mais en étant concentrés, ils n’ont peut-être pas besoin d’une IA sophistiquée si leur solution conçue correspond déjà bien au domaine. De plus, le fait d’être détenu par SR Technics (un important MRO) pourrait signifier qu’ils ont un retour d’information approfondi sur le domaine, mais aussi que leur horizon pourrait être limité aux besoins de ce propriétaire.

Armac ne vante pas bruyamment “l’IA” dans leurs communiqués de presse - ils utilisent des termes comme “planification des stocks intelligente de nouvelle génération” et “techniques de big data” ⁴¹, qui sont des mots à la mode mais pas très spécifiques. Il vaut la peine de demander des précisions à Armac : simulent-ils la variabilité du cycle de réparation ? Optimisent-ils à la fois le taux de service et l’utilisation des actifs ? Comment gèrent-ils l’obsolescence des pièces (le système alerte-t-il lorsqu’une pièce est en train d’être éliminée pour que vous ne la surstockiez pas) ? Compte tenu de leur créneau, ils ont probablement des fonctionnalités pour la planification de fin de vie et l’optimisation du pooling des pièces rotatives que d’autres pourraient ne pas mettre en avant.

L’intégration reste un défi : même avec une intégration SAP, toutes les compagnies aériennes n’utilisent pas des systèmes standard. Beaucoup utilisent des systèmes MRO spécialisés comme AMOS, Ultramain, etc. Armac devrait s’intégrer à ceux-ci ou s’appuyer sur des exportations de données. Ce n’est pas du plug-and-play, mais leur équipe a probablement déjà fait cela pour des clients similaires.

En conclusion, RIOsys d’Armac Systems est un choix solide pour la MRO aéronautique en particulier, apportant probablement beaucoup de valeur avec relativement moins de configuration si vous correspondez à leur profil typique (compagnie aérienne avec plusieurs bases de maintenance, mélange de pièces rotatives et consommables). Il peut être considéré comme l’état de l’art en termes d’alignement de domaine - il connaît intimement votre problème. Sur le plan technologique pur, il utilise probablement des analyses avancées (si ce n’est pas de l’IA de pointe, au moins des algorithmes très spécialisés). Les dirigeants de MRO évaluant Armac devraient vérifier que l’outil couvre bien tous les besoins modernes (peut-être demander s’ils utilisent des prévisions probabilistes ou des solveurs d’optimisation, etc.). Le bilan prouvé (des économies de “millions pour les organisations aéronautiques” sont revendiquées ⁴¹) donne de la crédibilité à Armac. Il suffit d’aborder leurs revendications de ROI comme vous le feriez avec n’importe quel fournisseur - avec un état d’esprit de “confiance mais vérification” - et de vous assurer que vous avez le support informatique pour l’intégrer dans votre environnement.

Baxter Planning (Prophet by Baxter) - Planification axée sur les coûts avec l’humain dans la boucle

Baxter Planning est un fournisseur établi dans la gestion des pièces de service, présent depuis les années 1990. Leur solution, souvent appelée Prophet, cible un large éventail d’industries (technologie, dispositifs médicaux, etc.) et inclut le secteur MRO/aviation dans une certaine mesure (bien que leur plus forte empreinte soit dans les pièces de service pour le matériel technologique et de télécommunication). L’approche de Baxter est ancrée dans une expérience pratique de la planification - le fondateur était lui-même un planificateur de pièces de service - donc le logiciel reflète les processus du monde réel. Cela signifie qu’il couvre la planification de bout en bout : Prévision, Optimisation des stocks, Réapprovisionnement, Planification des réparations, Gestion du cycle de vie, Gestion des excédents, etc., dans un seul système ⁷.

Un principe clé de la méthode de Baxter est l’“Optimisation du coût total” ⁴⁸. Ils prennent explicitement en compte le coût de la pièce, l’emplacement et la criticité du client/de l’actif lors de la planification des stocks. En d’autres termes, leur moteur essaie de minimiser le coût total des stocks tout en atteignant les objectifs de service. Par exemple, si une pièce est très coûteuse et seulement légèrement critique, le système pourrait accepter un délai plus long (peut-être en s’appuyant sur des commandes d’urgence) plutôt que de stocker beaucoup de pièces sur l’étagère. À l’inverse, pour une pièce indispensable sur un site éloigné, Prophet pourrait recommander de stocker des pièces de rechange malgré une faible demande car le coût de rupture de stock (AOG, temps d’arrêt) est trop élevé. C’est une philosophie d’optimisation économique et c’est ce que signifie “en avoir pour son argent” dans les décisions de stockage. Baxter mérite d’être crédité pour avoir intégré cette réflexion.

Cependant, la façon dont Baxter y parvient semble être à travers beaucoup de paramètres dirigés par l’utilisateur augmentés par l’automatisation. Leur système permet aux planificateurs d’entrer des attributs tels que la criticité de la pièce, les engagements de support (SLA), et le logiciel optimisera dans ces contraintes. Mais fait-il des prévisions probabilistes ? Ce n’est pas très clair à partir des informations publiques. Étant une solution plus ancienne, elle a probablement commencé par des prévisions traditionnelles (moyennes mobiles, lissage exponentiel) et a peut-être ajouté plus tard la méthode de Croston ou le bootstrap pour la demande intermittente. Il n’est peut-être pas aussi explicitement probabiliste que Lokad ou Smart. Au lieu de cela, Baxter pourrait optimiser les stocks par une analyse de scénario ou des formules de taux de service.

Pour la demande intermittente, Baxter reconnaît certainement le problème - leur littérature parlerait de pièces à mouvement lent nécessitant un traitement spécial. La question est de savoir s’ils comptent sur le planificateur pour classer ces pièces et choisir une méthode ou si le système s’adapte. Étant donné l’époque à laquelle il a été construit, je soupçonne plus le premier cas : le planificateur définit, par exemple, une méthode de prévision (peut-être que Prophet a un module de “prévision de la demande intermittente” qui utilise une certaine technique), et ensuite le système utilise cela pour calculer les niveaux de stock.

L’outil de Baxter met l’accent sur l’automatisation dans l’exécution : des choses comme l’Automatisation des commandes d’approvisionnement (génération automatique de bons de commande, ordres de réparation) et le Redéploiement (déplacement des stocks excédentaires là où ils sont nécessaires) figurent dans sa liste de fonctionnalités ⁴⁹. C’est essentiel lorsqu’on traite des milliers de pièces - vous voulez que le système déclenche automatiquement les actions recommandées et n’implique les planificateurs que par exception. Selon la plupart des comptes rendus, Prophet peut gérer une grande échelle (des dizaines de milliers de pièces à travers de nombreux emplacements) car certains de leurs clients sont de grandes entreprises technologiques avec des pièces de rechange sur le terrain à l’échelle mondiale.

Une chose à surveiller est que Baxter Planning a historiquement fait beaucoup de personnalisation par client. En tant que petite entreprise privée, ils modifiaient ou ajoutaient souvent des fonctionnalités pour des besoins spécifiques. Cela signifie que votre expérience peut varier - une entreprise pourrait utiliser l’optimisation avancée min-max de Baxter, une autre pourrait l’utiliser dans un mode min-max plus simple. C’est flexible, mais cette flexibilité indique également qu’en dehors de la boîte, il se peut qu’il ne vous force pas à adopter une “meilleure pratique” - il vous donne des outils.

Baxter ne fait pas beaucoup de publicité pour l’IA/ML. Ils sont plus discrets, ce qui peut être un point positif (moins de battage médiatique). Mais cela signifie aussi que si vous cherchez des prévisions de pointe, vous devez vous demander : sont-ils à jour avec les nouvelles méthodes ? Il est possible qu’ils aient incorporé de nouveaux algorithmes dans les versions récentes, mais ceux-ci ne sont pas bien publicisés.

Étant donné la clientèle de Baxter, ils n’ont peut-être pas autant de fonctionnalités spécifiques à l’aviation intégrées. Par exemple, gèrent-ils les limites de durée de vie (où une pièce est jetée après X utilisations) ? Peut-être en tant que champ personnalisé mais pas sûr que l’optimisation en tienne naturellement compte (au-delà de la prévision de la demande lorsque le remplacement est dû). Ils gèrent les statuts de cycle de vie (nouvelles pièces, pièces en fin de vie) et peuvent planifier les derniers achats pour l’obsolescence, ce qui est pertinent dans l’aviation lorsque les pièces cessent d’être produites.

Sur les revendications de résultats, Baxter a tendance à ne pas publier de pourcentages sensationnels. Ils se concentrent sur la façon dont ils aident les planificateurs à atteindre leurs objectifs, plutôt que sur “nous avons réduit les stocks de X%”. Cela pourrait en fait indiquer une approche réaliste : des améliorations se produisent, mais elles dépendent de la façon dont l’outil est utilisé.

Intégration : Prophet de Baxter se situe généralement à côté d’un système ERP/MRO. L’intégration est comparable à celle des autres - apportant l’utilisation, les stocks, la nomenclature, etc. Baxter a probablement des connecteurs préconstruits pour les systèmes courants (ils mentionnent le soutien des réseaux d’approvisionnement peu profonds et l’intégration avec d’autres systèmes d’entreprise). Personne ne devrait s’attendre à du plug-and-play cependant ; un certain travail informatique sera nécessaire.

En termes de scepticisme, on devrait examiner si la solution de Baxter est vraiment optimisante ou plutôt un support de décision qui laisse encore des choix critiques aux humains. La mention que de nombreux clients de Baxter se concentrent sur l’optimisation des coûts de localisation des stocks en avant plutôt que sur le multi-échelon suggère que l’outil pourrait souvent être utilisé dans un mode plus simple (optimisation de chaque emplacement individuellement vers un objectif de coût). Il note que certains réseaux de clients sont peu profonds, donc le multi-échelon n’était pas une préoccupation. Mais pour une compagnie aérienne avec un entrepôt central et des stations extérieures, le multi-échelon compte ; espérons que Baxter peut gérer cela si nécessaire.

Pour conclure, Baxter Planning propose un système de planification de pièces de service bien équilibré, bien que traditionnel. Il est fiable, axé sur les compromis entre coût et service, et automatise de nombreuses tâches. Il n’a peut-être pas les fonctionnalités d’IA les plus flashy, mais il a une profondeur dans la fonctionnalité pratique. Les dirigeants de MRO devraient voir Baxter comme une solution “pair de mains sûres” - susceptible d’améliorer les choses en appliquant des méthodes éprouvées. Soyez simplement conscient que vous pourriez ne pas sauter à l’avant-garde de l’analytique ; vous obtiendrez une approche solide, peut-être un peu conservatrice. Si votre organisation préfère plus de contrôle et de transparence (par opposition à une IA boîte noire), le style de Baxter pourrait en fait être préférable. Son point de scepticisme : assurez-vous que le système n’est pas trop dépendant des entrées utilisateur statiques (par exemple, il ne devrait pas vous demander de maintenir manuellement une tonne de paramètres de pièces). Demandez comment il s’adapte au changement (ajuste-t-il automatiquement les prévisions à chaque cycle, apprend-il la saisonnalité ou les taux d’utilisation, etc. ?). Si cela se vérifie, Baxter peut apporter des avantages constants sans promettre des miracles.

Smart Software (Smart IP&O) – Expert de niche en prévision de la demande intermittente

Smart Software est un fournisseur plus petit qui s’est taillé une réputation pour s’attaquer à l’une des parties les plus difficiles du problème : la prévision de la demande intermittente. Leur solution, désormais proposée comme une plateforme intégrée appelée Smart IP&O (Inventory Planning & Optimization), est issue de travaux universitaires visant à améliorer la méthode de Croston. En fait, Smart Software a introduit une méthode de bootstrap brevetée pour la prévision de la demande intermittente qui a remporté un prix de l’APICS ⁸. Cette méthode est bien documentée dans des livres blancs et génère essentiellement de nombreux scénarios de demande synthétiques basés sur l’historique pour créer une distribution complète de la demande sur un délai d’approvisionnement ^{8 50}. Le résultat est une courbe de probabilité de combien d’unités pourraient être nécessaires, au lieu d’une seule supposition. Avec cela, vous pouvez planifier des niveaux de stock presque optimaux pour une probabilité de service souhaitée.

Pour l’aviation MRO, où 80%+ des pièces pourraient être à mouvement lent avec beaucoup de zéros dans la demande ^{51 52}, la précision des prévisions de Smart peut être un véritable changement de jeu. La prévision traditionnelle (moyennes mobiles, etc.) échoue lamentablement sur de telles données. L’approche probabiliste de Smart gère la nature “grumeleuse” en ne l’aplanissant pas mais en l’embrassant. Il peut modéliser des motifs étranges comme “nous voyons généralement 0, mais occasionnellement 5 unités dans un pic” très bien.

Les détails technologiques de Smart sont rafraîchissants concrets : ils mentionnent ne pas supposer de distribution particulière (donc ils ne forcent pas aveuglément les distributions normales ou de Poisson) et utilisent plutôt des données empiriques pour simuler les résultats ⁵³. Ils soulignent spécifiquement que la demande souvent “ne se conforme pas à une simple distribution normale”, d’où leur approche de bootstrap ⁸. Ils produisent ensuite la “distribution entière de la demande cumulative sur le temps de plomb complet d’un article” ⁵⁴. Avec cela, le calcul du stock de sécurité pour, disons, un taux de service de 95% est simple et précis - juste le 95e percentile de cette distribution.

La solution de Smart Software va au-delà de la simple prévision ; leur plateforme IP&O comprend également des modules d’optimisation des stocks et de planification de la demande. Cependant, le différenciateur clé reste la partie prévision. La partie optimisation utilise probablement ces distributions de prévision pour calculer les points de réapprovisionnement, les quantités de commande, etc., afin de minimiser les stocks tout en atteignant les objectifs de service. Elle est peut-être moins sophistiquée sur l’optimisation multi-échelons ou sur des choses comme les boucles de pièces réparables. On pourrait intégrer la sortie de Smart dans un autre système pour cela, ou gérer chaque emplacement séparément dans Smart (l’accent a historiquement été mis sur l’échelon unique, mais ils pourraient avoir ajouté des fonctionnalités multi-emplacements dans IP&O).

Un avantage de la taille et de l’orientation de Smart est qu’ils intègrent souvent avec des systèmes EAM/ERP populaires dans la maintenance. Par exemple, ils listent des intégrations avec IBM Maximo, SAP, Oracle, etc. ⁵⁵. Cela suggère que vous pouvez ajouter leur moteur de prévision à votre système existant relativement facilement. Essentiellement, vous utiliseriez Smart pour calculer les paramètres de stockage (comme le min/max ou le stock de sécurité pour chaque pièce) et ensuite les repousser dans l’ERP pour exécution. C’est un paradigme différent que de remplacer entièrement votre système de planification.

Maintenant, en regardant leurs revendications : Smart cite souvent que les entreprises utilisant leur solution “réduisent les stocks d’environ 20% la première année et augmentent la disponibilité des pièces de 10-20%” ⁵⁶. Ces chiffres sont raisonnables et moins bombastiques que certaines revendications que nous voyons (et ils s’alignent avec les améliorations typiques d’une meilleure prévision). Cela implique que précédemment les entreprises surstockaient “juste au cas où” ou stockaient les mauvais articles ; en optimisant, ils ont libéré 20% de stocks tout en améliorant réellement le service. Cependant, aucune source indépendante ne confirme ces chiffres exacts pour chaque cas - considérez donc cela comme une moyenne des histoires de réussite. Ce n’est pas garanti, mais c’est plausible si une entreprise n’avait pas de planification probabiliste auparavant.

Parce que Smart est hautement spécialisé, le scepticisme à appliquer est : peut-il gérer l’ensemble du périmètre des besoins de l’aviation MRO ? Prévoir et fixer les niveaux de stock est une chose ; mais qu’en est-il de la gestion des retours de réparation, du pooling des rotables, ou du rééquilibrage dynamique des stocks entre les bases ? Smart IP&O pourrait ne pas avoir toutes ces cloches et sifflets intégrés. Il pourrait supposer un processus assez standard où le stock de chaque emplacement est planifié à un niveau de service cible et c’est tout. Il peut ne pas optimiser quels emplacements devraient détenir des stocks si vous avez un réseau - du moins pas au degré qu’un outil multi-échelons le ferait. De plus, il n’incorpore probablement pas explicitement les métriques d’ingénierie de fiabilité (à moins que vous ne les alimentiez dans l’historique de la demande d’une manière ou d’une autre).

Une autre mise en garde concerne l’automatisation vs. l’entrée de l’utilisateur : les outils de Smart calculeront des chiffres, mais l’utilisateur doit souvent décider des objectifs de niveau de service (bien qu’ils revendiquent une “précision de près de 100%” donc peut-être qu’ils visent un service élevé et optimisent le coût). Smart ne vous oblige pas à choisir un modèle de prévision pour chaque SKU ; l’algorithme fonctionne automatiquement sur les données. C’est bien. Mais vous devez toujours gérer les exceptions - par exemple, si une pièce devient obsolète, vous devez informer le système ou ajuster la prévision manuellement. La technologie “Gen2” qu’ils mentionnent ⁵⁷ peut inclure une identification plus automatique des facteurs causaux de la demande, mais les détails ne sont pas publics.

L’intégration (encore) nécessite des efforts. Smart fournit la science, mais vous devez lui fournir des données (demande historique propre, etc.) et ensuite prendre sa sortie et l’implémenter. Si une organisation n’est pas prête à faire confiance aux prévisions ou aux stocks de sécurité générés, elle pourrait les remplacer, réduisant ainsi l’avantage. Les succès de Smart impliquent généralement une équipe engagée qui utilise pleinement les recommandations de l’outil.

Dans l’ensemble, Smart Software est une sorte d’outil spécialisé qui peut augmenter la capacité de planification d’un MRO. Il est sans doute à la pointe de la prévision de la demande intermittente - même certains grands fournisseurs pourraient utiliser des méthodes moins avancées dans ce domaine spécifique. Si un MRO estime que sa plus grande douleur est la précision de la prévision pour des milliers de pièces sporadiques, Smart est une solution attrayante. Mais si le défi plus grand est d’optimiser à travers une supply chain de réparation complexe, Smart seul pourrait ne pas suffire ; il pourrait être une pièce d’un puzzle plus grand (peut-être utilisé en conjonction avec un ERP ou un autre système de planification).

Pour les dirigeants de MRO avec un focus technologique, il vaut la peine de considérer Smart IP&O non pas comme un remplacement complet des systèmes de planification mais comme un “moteur de prévision en boîte”. Le scepticisme à maintenir : assurez-vous que l’organisation peut agir sur ces prévisions (avez-vous des processus pour exécuter les recommandations de stockage ?), et questionnez Smart sur la façon dont il gère des choses comme la variabilité du délai d’exécution (ils sont excellents sur la variabilité de la demande ; espérons qu’ils simulent aussi les délais d’exécution, ou du moins qu’ils permettent des tampons de variabilité). De plus, clarifiez comment il se met à jour - si de nouvelles données arrivent montrant un pic, comment réagit-il rapidement, et évite-t-il de sur-réagir ? Étant donné leur rigueur académique, il y a de fortes chances qu’ils aient pensé à ces points, mais il est bon de vérifier.

IBM MRO Inventory Optimization (Oniqua) – Support de décision basé sur les données

L’optimisation de l’inventaire MRO d’IBM, qui est essentiellement le produit qu’IBM a acquis d’Oniqua en 2018, est positionnée comme une plateforme d’analyse pour les industries à forte intensité d’actifs comme l’exploitation minière, l’énergie, la fabrication, et oui, l’aérospatiale. Oniqua était connu pour son approche lourde en consulting pour optimiser les inventaires MRO pour les entreprises minières, en se concentrant sur la minimisation des temps d’arrêt et la réduction des stocks. En tant que partie d’IBM, l’outil a été incorporé dans la suite Maximo et Supply Chain d’IBM, mais peut être utilisé de manière autonome.

IBM MRO IO est décrit comme “combinant des analyses statistiques, des analyses prescriptives, l’automatisation et des algorithmes d’optimisation” pour améliorer les taux de service et réduire les coûts ⁹. Ce que cela signifie en pratique : il analyse vos données d’utilisation et de stocks, identifie où vous avez trop de stock (excédent) et où vous risquez des ruptures de stock, puis prescrit des actions comme “réduisez ceci, augmentez cela”. C’est un peu comme avoir un analyste intelligent qui examine en continu vos KPI d’inventaire MRO. Le logiciel comprend des fonctionnalités comme la notation des articles (probablement un score de criticité ou de risque) et des files d’attente de travail pour les planificateurs ¹⁰. Cela indique qu’il générera une liste d’actions recommandées pour l’utilisateur à examiner - une manière très pratique de gérer des milliers de pièces.

Du côté des prévisions, IBM mentionne explicitement la “prévision de la demande intermittente” comme une capacité de MRO IO ¹⁰. Étant donné l’expérience d’Oniqua, ils ont probablement utilisé la méthode de Croston ou une variante pour prévoir l’utilisation sporadique des pièces. Ce n’est peut-être pas aussi avancé que le bootstrap de Smart, mais cela aborde au moins la nature intermittente. De plus, la solution d’IBM prend en compte la criticité, le délai d’exécution, et plus lors de l’examen des données historiques pour générer des insights ⁵⁸. Cela suggère une couche analytique basée sur des règles : par exemple, elle pourrait souligner que “la pièce critique X a un délai d’exécution de 90 jours, et vous n’avez pas de stock de sécurité - risque élevé”. Le système pourrait alors recommander d’augmenter le stock de X, et inversement signaler les pièces non critiques avec trop de stocks.

IBM met également en avant des résultats comme “une réduction de 50% des temps d’arrêt non planifiés liés aux pièces” et “une réduction de 40% des coûts des stocks” ⁵⁹. Ce sont des affirmations très audacieuses et représentent probablement des scénarios idéaux. Nous devrions être sceptiques : une réduction de 50% des temps d’arrêt grâce à un outil est énorme - cela suppose probablement que les temps d’arrêt étaient causés par l’indisponibilité des pièces et que vous avez résolu tous ces cas en stockant mieux. Dans une compagnie aérienne bien gérée, le temps d’arrêt causé par une pièce est déjà faible (ils se démènent pour éviter l’AOG à tout prix). On pourrait donc ne pas voir quelque chose comme 50%. De même, une réduction de 40% des coûts des stocks est énorme - possible seulement si l’entreprise avait beaucoup trop de stocks pour commencer (courant dans certaines industries lourdes qui stockent des pièces de rechange, mais moins dans l’aviation commerciale qui essaie déjà d’optimiser en raison du coût élevé des pièces). Ces chiffres doivent donc être pris comme des valeurs aberrantes ou un point de données choisi par le marketing ⁵⁹.

Technologiquement, l’outil d’IBM n’utilise probablement pas non plus d’IA/ML flashy, à part peut-être une certaine reconnaissance de motifs dans les données d’utilisation. IBM en tant qu’entreprise fait beaucoup avec l’IA (Watson, etc.), mais il n’y a aucune indication que ce niveau d’IA est intégré ici. Le terme “analytique prédictive et prescriptive” est utilisé ⁶⁰, ce qui dans le jargon analytique signifie souvent : prédictif = prévoir ce qui pourrait arriver (par exemple, prévoir les futures défaillances de pièces ou la consommation), prescriptif = suggérer des actions (par exemple, commander cette pièce maintenant, réduire cette commande). Ce sont des éléments précieux, mais ils peuvent être réalisés avec des modèles statistiques relativement simples et des règles commerciales. En fait, l’approche héritée d’Oniqua était assez consultative - ils établiraient des règles et des seuils adaptés à chaque client (comme si une pièce n’a pas bougé en 5 ans, c’est un excédent ; si une pièce a causé une rupture de stock l’année dernière, peut-être augmenter le stock). IBM a probablement produit une partie de cette logique.

Un inconvénient possible pour certains : IBM MRO IO pourrait supposer que vous avez une bonne maîtrise de vos données de maintenance et d’actifs (car il est souvent vendu avec Maximo). Si un MRO d’aviation n’utilise pas Maximo, il peut toujours utiliser MRO IO, mais l’intégration avec leurs systèmes et l’assurance de l’exactitude des données (hiérarchies d’équipements, définitions d’actifs critiques, etc.) sera essentielle. L’affirmation selon laquelle il “élimine les prérequis de données en ingérant les données telles quelles” que nous avons vue chez un concurrent (Verusen) n’est pas quelque chose que IBM revendique explicitement - IBM sait que le nettoyage des données est nécessaire. Donc, attendez-vous à une phase de préparation des données.

La solution d’IBM repose probablement en partie sur l’entrée de l’utilisateur pour certaines choses : par exemple, il faut classer les pièces par criticité (go/no-go) dans le système, définir les délais, les coûts, etc. L’optimisation se fait ensuite dans ces paramètres. Il se peut qu’il ne connaisse pas automatiquement la criticité d’une pièce à moins que vous ne la lui fournissiez. Donc, il n’est aussi bon que votre gouvernance des données.

En termes d’automatisation, IBM IO automatise l’analyse, pas nécessairement l’exécution. Il vous donne une liste de choses à faire ; la commande réelle peut encore être effectuée dans votre ERP par vos planificateurs. C’est un peu moins d’automatisation intégrée que, disons, un outil qui crée directement des demandes d’achat. Mais certaines entreprises préfèrent cette approche “humain dans la boucle” pour éviter que le système ne prenne des décisions étranges de son propre chef.

Compte tenu de la puissance d’IBM en entreprise, on peut faire confiance à l’aspect intégration qui est bien pris en charge (surtout pour le propre Maximo d’IBM ou SAP avec lequel IBM travaille souvent). Mais encore une fois, le “plug-and-play” est peu probable - IBM ou un partenaire fera probablement un projet assez vaste pour le configurer à vos processus de maintenance et de supply chain.

Pour résumer, IBM MRO Inventory Optimization (Oniqua) est une solide solution analytique qui peut apporter de bonnes améliorations, surtout si vous manquez actuellement de visibilité sur les performances de vos stocks. Il est fort pour identifier les inefficacités évidentes (excès, ruptures de stock potentielles) et optimiser les fruits à portée de main. Il gère la demande intermittente et la criticité par des méthodes statistiques et basées sur des règles, bien que pas nécessairement les toutes dernières techniques d’IA. Pour un dirigeant de MRO d’aviation, cela pourrait être un outil d’amélioration plus incrémental plutôt qu’un nouveau système d’IA radical - ce qui pourrait être parfaitement bien si vous avez besoin de bien faire les choses de base. Le scepticisme doit être appliqué aux grandes revendications d’amélioration : questionnez IBM sur ce que ces chiffres signifient réellement et demandez des références similaires à votre opération. De plus, assurez-vous que la façon de travailler de l’outil (tableaux de bord analytiques, etc.) convient à votre équipe - il pourrait nécessiter que vos planificateurs adoptent un flux de travail plus analytique. Si votre culture est prête pour cela, la solution d’IBM peut systématiquement entraîner des améliorations. Si vous vous attendiez à une IA en boîte noire qui optimise tout magiquement sans surveillance, ce n’est pas ça (et franchement, cela n’existe pas encore sous une forme plug-and-play).

Solutions intégrées à l’ERP (SAP SPP et Oracle) - Outils intégrés avec des limitations

Il est intéressant de discuter des options des principaux fournisseurs d’ERP car ils sont “pertinents” surtout pour les organisations qui essaient d’utiliser les capacités du système existant avant d’acheter un logiciel spécialisé. SAP Service Parts Planning (SPP) et les modules de pièces de rechange d’Oracle sont les principaux.

SAP SPP : Faisant partie de la suite APO (Advanced Planning & Optimization) de SAP et maintenant partiellement disponible dans SAP IBP (Integrated Business Planning), le SPP a été co-développé avec de grandes entreprises industrielles au milieu des années 2000. Il comprend des fonctionnalités telles que l’optimisation des stocks à plusieurs échelons, la prévision (y compris des modèles spécifiques de demande intermittente) et la planification des besoins de distribution pour les pièces de service. Le SAP SPP peut faire beaucoup sur le papier : il a une méthode de prévision de Croston pour la demande intermittente (SAP la documente même comme “Stratégie de prévision 80” en utilisant le lissage exponentiel de Croston pour la taille et l’intervalle) ¹². Il a également une variante de Croston mise à jour (Croston-TSB) ⁶¹. Ainsi, SAP a incorporé des méthodes académiques connues pour la demande irrégulière. Il peut également modéliser les transbordements latéraux, dispose d’une fonctionnalité de supersession de pièces intégrée (interchangeabilité de produits) et peut optimiser les stocks à travers un réseau étant donné les taux de service ou les taux de remplissage. Caterpillar et Ford ont été des influenceurs précoces, et à un moment donné, on prétendait que le SAP SPP avait une fonctionnalité très avancée (certains analystes croyaient qu’il rivalisait avec les meilleurs outils) ⁶².

Cependant, la réalité dans l’aviation est que peu de compagnies aériennes ou de MRO ont pleinement adopté le SAP SPP à son potentiel. Une raison est la complexité et l’expertise requise. La mise en place du SPP signifie la configuration de nombreux paramètres : il faut attribuer des modèles de prévision à chaque pièce (Croston pour les véritablement intermittents, peut-être la moyenne mobile pour les autres, etc.), maintenir des données maîtres comme les indicateurs de phase d’entrée/sortie, et surtout, décider des taux de service cibles pour chaque pièce ou groupe. Le SAP SPP ne décide pas intrinsèquement du taux de service dont vous avez besoin - c’est vous qui le lui dites. Souvent, les entreprises utiliseraient la classification ABC/XYZ pour regrouper les pièces et ensuite attribuer un objectif de taux de service par groupe. Cette approche est définie par l’utilisateur et n’optimise pas vraiment le compromis. C’est essentiellement une entrée pour l’optimisation. SAP calculera ensuite les exigences de stockage pour atteindre ces entrées au stock minimum (c’est la partie optimisation, en utilisant peut-être un solveur MILP pour le stock à plusieurs échelons). Mais si ces objectifs sont dépassés, les résultats ne sont pas globalement optimaux économiquement.

Un autre défi est que l’interface utilisateur et les alertes de SAP pour le SPP n’étaient pas particulièrement conviviales par rapport aux outils spécialisés. Il est intégré dans l’environnement SAP, ce qui est bon pour l’IT mais peut-être pas idéal pour la productivité du planificateur. Beaucoup ont fini par n’utiliser que certaines parties (comme juste la prévision ou juste la planification de la distribution, tout en gérant d’autres choses dans Excel).

En termes de pointe de l’art aujourd’hui, le SAP SPP est quelque peu figé dans le temps. L’accent stratégique de SAP s’est déplacé vers l’IBP, et l’IBP pour les pièces de rechange rattrape encore en termes de fonctionnalités. Par exemple, certaines capacités avancées du SPP n’ont pas initialement migré vers l’IBP. Donc, si un MRO d’aviation est sur SAP et envisage d’utiliser leur planification intégrée, il pourrait constater qu’il nécessite beaucoup de personnalisation (et éventuellement des add-ons tiers) pour répondre à tous les besoins. Par exemple, la gestion des BOM de réparation aléatoires ou la prévision des taux de retrait pourrait ne pas être prête à l’emploi ; on pourrait devoir créer une prévision personnalisée basée sur les heures de vol ou l’utilisation (certains utilisateurs de SAP ont posé des questions sur la prévision à partir des pilotes de la base installée plutôt que de l’historique de consommation ⁶³ - indiquant des lacunes dans la fonctionnalité standard pour la prévision spécifique aux MRO).

Oracle : La planification des pièces de service d’Oracle (souvent via la suite Oracle E-Business Suite’s Value Chain Planning ou dans le cadre d’Oracle Cloud SCM) offre également une fonctionnalité de base. Elle couvre la prévision (probablement en offrant des modèles intermittents comme Croston ou similaires), l’optimisation des stocks à plusieurs échelons et l’intégration de l’exécution. La force d’Oracle pourrait être dans l’intégration avec Oracle eAM (Enterprise Asset Management) et son ERP, mais il n’a pas été mis en avant comme un leader dans ce domaine. Oracle n’a même pas participé à certaines études de benchmarking des pièces de service ⁶⁴, suggérant qu’il n’est pas poussé de manière agressive. Il fonctionne probablement suffisamment bien s’il est bien configuré, mais comme SAP, il repose sur des méthodes classiques et une préparation intensive des données. L’approche d’Oracle est généralement déterministe à moins que vous ne souscriviez à un pack d’optimisation - il peut faire des choses comme calculer un stock de sécurité basé sur un niveau de confiance en supposant une certaine distribution (souvent normale ou Poisson). Mais s’attendre à ce que le système d’Oracle s’auto-ajuste ou utilise l’apprentissage automatique serait irréaliste.

Problèmes communs (SAP/Oracle) : Les deux solutions ERP souffrent du fait que le MRO d’aviation n’est pas universel. Ces systèmes sont génériques, donc pour capturer quelque chose comme “aller si la pièce peut différer le remplacement pendant 30 jours” n’est pas un paramètre standard que vous pouvez basculer - vous devriez incorporer cette logique manuellement (peut-être en disant que le taux de service pour cette pièce peut être un peu plus bas, etc.). La personnalisation pour modéliser réellement le programme de maintenance d’une compagnie aérienne peut être extensive. Par exemple, la modélisation des BOM de maintenance aléatoires dans SAP pourrait impliquer de nourrir les calendriers de maintenance prévus en tant que demandes dépendantes et imprévues en tant que demandes statistiques, etc. C’est faisable, mais complexe.

De plus, surcharge des paramètres définis par l’utilisateur : dans un SAP ou Oracle, les planificateurs pourraient devoir maintenir beaucoup de paramètres - comme les périodes de révision, les règles de taille de lot, les stocks de sécurité minimum, etc., car sinon le système pourrait ne pas se comporter comme souhaité. Chacun de ces paramètres est une opportunité d’erreur ou de choix sous-optimal. Cette dépendance à la configuration manuelle de l’utilisateur est exactement ce que les solutions plus avancées tentent d’éliminer par l’automatisation.

Avantage de l’intégration : Si vous utilisez déjà SAP ou Oracle, l’utilisation de leur module signifie pas d’intégration lourde des données maîtres - tout est dans un seul système. C’est un plus (pas de latence de données, pas de problèmes de réconciliation). Cependant, ironiquement, les entreprises constatent souvent qu’elles ont encore besoin de construire des interfaces - par exemple, pour extraire des données dans un outil de prévision (comme Smart) ou un entrepôt de données personnalisé pour faire des choses que le module de leur ERP ne pouvait pas faire. Ainsi, l’avantage de l’intégration peut être annulé si l’outil intégré n’est pas entièrement à la hauteur de la tâche et qu’ils le complètent avec d’autres outils.

Dans une vision sceptique, les affirmations de SAP et Oracle (quand ils en font) sont généralement modérées ; ils ne lancent pas souvent de grandes améliorations en pourcentage publiquement, car ils savent que cela dépend de la mise en œuvre. La technologie de ces systèmes est solide mais pas à la pointe - ce sont principalement des méthodes académiques de la fin du 20ème siècle mises en œuvre dans le logiciel. Ils manquent également du buzz AI/ML (à part SAP qui commence à parler de “MRP axé sur la demande avec apprentissage automatique” dans d’autres contextes, mais pas spécifiquement pour la planification des pièces de rechange).

Pour un dirigeant de MRO, la conclusion est la suivante : si vous avez déjà ces outils, vous pourriez essayer de les exploiter, mais soyez prêt pour un éventuel long voyage de réglage et peut-être ne pas atteindre le niveau de performance que pourraient offrir des outils spécialisés. En revanche, ils présentent un risque fournisseur plus faible (c’est SAP/Oracle, ils seront là, et tout est dans un seul système). Une étude sceptique conclurait que bien que les solutions SAP et Oracle soient pertinentes, elles sont généralement à la traîne par rapport aux fournisseurs spécialisés en termes d’automatisation et de sophistication. Ils servent de base, et de nombreuses compagnies aériennes qui les utilisent finissent par les compléter ou les remplacer par l’un des outils spécialisés mentionnés précédemment pour vraiment optimiser leur supply chain MRO.

Les nouveaux acteurs de l’IA (par exemple, Verusen) - Des mots à la mode à la réalité

Aucune étude de marché en 2025 ne serait complète sans mentionner la nouvelle vague de startups et de solutions basées sur l’IA qui apparaissent pour l’optimisation de la supply chain. Dans le domaine du MRO, un exemple est Verusen, qui se présente comme “La seule plateforme IA conçue spécifiquement pour optimiser les stocks, les dépenses et les risques de la supply chain MRO des fabricants à forte intensité d’actifs” ⁶⁵. Cette affirmation audacieuse suscite immédiatement le scepticisme - “seule plateforme IA” est évidemment une hyperbole marketing (comme nous l’avons vu, de nombreux acteurs établis revendiquent également l’IA sous différentes formes).

L’approche de Verusen, basée sur leurs documents, se concentre beaucoup sur l’ingestion et le nettoyage des données. Ils mettent en avant des choses comme “l’ingestion des données telles quelles à partir des systèmes ERP/EAM” et l’application de l’IA pour identifier les matériaux en double et consolider les données ⁶⁶. Cela répond à un véritable problème : les données MRO sont souvent désordonnées (la même pièce enregistrée sous des noms légèrement différents, etc.). Verusen utilise l’apprentissage automatique (probablement NLP et correspondance de motifs) pour rationaliser les données maîtres des matériaux. C’est précieux comme précurseur à l’optimisation - si vos données sont un désordre, même le meilleur algorithme ne peut pas aider. Ainsi, Verusen semble se concentrer sur la construction d’une source unique et précise de vérité pour les pièces, puis sur la recherche d’opportunités d’optimisation (comme l’identification des surstocks dans les usines qui pourraient être partagés, ou la réduction des stocks de sécurité là où il y a une surproduction).

Là où Verusen et d’autres nouveaux entrants sont légers, c’est dans la profondeur prouvée des algorithmes de prévision et d’inventaire. Ils mentionnent l’IA de manière générale mais pas de manière spécifique. On pourrait supposer qu’ils utilisent des modèles ML génériques pour prévoir l’utilisation (peut-être un réseau neuronal qui examine la consommation et d’autres facteurs). Sans détails, nous devons être prudents. Dans la supply chain, de nombreuses startups ont essayé la prévision pure ML et ont constaté qu’elle ne bat pas facilement les modèles statistiques bien réglés pour la demande intermittente (qui est très difficile à prévoir pour le ML standard à cause de tant de zéros).

Verusen met également l’accent sur le fait d’être basé sur le cloud et rapide à intégrer - sous-entendant une promesse de plus de “plug-and-play” que les fournisseurs plus anciens. Cependant, ici nous émettons une forte mise en garde : Peu importe la plateforme, se connecter à l’ERP d’une entreprise et obtenir toutes les données MRO pertinentes n’est jamais vraiment plug-and-play. Chaque ERP ou système MRO a des champs personnalisés, des extensions, et les données ont souvent besoin d’être nettoyées (pièces en double, délais d’exécution manquants, etc.). La proposition de Verusen d’ingérer les données “telles quelles” ⁶⁷ est intéressante - cela suggère que leur IA peut travailler à travers le bruit. Peut-être peut-elle regrouper des éléments similaires pour révéler des doublons ou estimer les délais d’exécution manquants à partir du contexte. Ce sont des fonctionnalités intéressantes, mais un dirigeant devrait demander une preuve que l’IA fait les choses correctement. Vous ne voulez pas qu’un algorithme décide que deux numéros de pièce sont des doublons alors qu’ils sont en fait des pièces critiques différentes.

Le point de vue sceptique sur les nouveaux entrants en IA : ils apportent des idées nouvelles et souvent des interfaces conviviales (UX moderne, tableaux de bord). Ils peuvent résoudre certains problèmes secondaires comme la qualité des données et l’analyse facile des scénarios. Mais ils manquent parfois de la connaissance du domaine durement acquise intégrée dans les solutions plus anciennes. Une startup en IA pourrait ne pas savoir que “la pièce ABC est interdite de vol mais peut être reportée de 3 jours si nécessaire” à moins que vous ne le lui disiez explicitement ; alors qu’un outil spécifique au domaine pourrait avoir cette logique. Ainsi, tout nouvel arrivant en IA devrait être interrogé sur la manière dont il tient compte des exigences spécifiques à l’aviation : durée de vie, contraintes de certification, conformité réglementaire (on ne peut pas simplement utiliser n’importe quelle pièce de rechange sans la documentation appropriée, etc.), entre autres.

Cela dit, certains nouveaux acteurs pourraient s’associer à des experts du domaine ou embaucher d’anciens planificateurs MRO pour intégrer des règles. Il n’est pas impossible pour eux de rattraper leur retard, mais c’est quelque chose à vérifier, et non à supposer.

D’autres approches nouvelles notables incluent l’exploitation des données IoT et de maintenance prédictive directement pour la planification des stocks (certaines solutions prennent les données des capteurs pour prédire les défaillances des pièces, puis lient cela aux besoins en stocks). Ce domaine évolue et passe souvent par des systèmes de prédiction de maintenance plutôt que par des systèmes de stocks. Mais la convergence se produit - par exemple, le logiciel de maintenance prédictive d’un fabricant de moteurs pourrait recommander de stocker certains modules à certains endroits parce qu’il “voit” un risque de défaillance accru. Les dirigeants MRO devraient être conscients que le paysage pourrait voir plus d’intégration verticale (les OEM offrant un service de bout en bout incluant l’optimisation des stocks, en utilisant leurs données sur l’équipement).

En essence, gardez un œil sur les startups qui revendiquent l’IA/ML pour le MRO - elles pourraient offrir une pièce du puzzle ou même s’intégrer à l’un des outils plus importants (par exemple, une IA de nettoyage de données alimentant un Lokad ou Servigistics). Restez sceptique quant à leurs déclarations audacieuses jusqu’à ce qu’ils puissent démontrer les résultats. Souvent, les petits nouveaux fournisseurs ont des études de cas limitées et celles-ci pourraient être des projets pilotes, et non des déploiements complets.

Il faut également considérer comment ces nouveaux systèmes coexisteront avec les processus étendus et les systèmes hérités de l’aviation. Un outil d’IA flashy qui ne peut pas facilement exporter ses résultats vers votre ERP existant pour exécution, ou qui ne consigne pas les décisions pour audit (important dans la conformité aéronautique), rencontrera des obstacles. Les dirigeants voudront voir que tout outil de ce type peut s’intégrer dans le flux de travail (ce qui pourrait ironiquement nécessiter autant d’effort d’intégration que tout autre logiciel).

Conclusion et Recommandations

Cette étude de marché sceptique révèle un écosystème de solutions qui tentent chacune de résoudre les défis d’optimisation vexants des pièces de rechange MRO de l’aviation. Aucune solution n’est une balle d’argent, et les promesses élevées devraient toujours être interrogées avec des questions techniques et des essais pilotes.

Cependant, il existe des techniques de pointe disponibles : la prévision probabiliste, l’optimisation multi-échelons, et l’IA/ML pour la reconnaissance de motifs peuvent améliorer significativement les performances si elles sont correctement mises en œuvre. Des fournisseurs comme Lokad repoussent les limites de ces méthodes spécifiquement pour l’aviation, tandis que des géants comme PTC Servigistics et Syncron intègrent de nombreuses fonctionnalités avancées, bien que derrière un langage marketing plus opaque. ToolsGroup, Baxter, Smart, et d’autres apportent de solides compétences qui, si elles sont alignées avec les besoins de votre organisation, peuvent apporter des avantages majeurs - tant que vous ne les activez pas simplement et n’attendez pas de la magie. La maturité des processus internes et la qualité des données restent cruciales.

Un thème récurrent est le compromis entre l’automatisation et le contrôle de l’utilisateur. Les systèmes hautement automatisés, pilotés par l’IA, peuvent gérer l’échelle et la complexité (des dizaines de milliers de P/N) mais peuvent sembler être une “boîte noire”. Les systèmes plus anciens ou plus manuels donnent plus de leviers aux utilisateurs, mais au prix d’une complexité écrasante pour les grands catalogues. L’idéal semble être un système qui automatise le travail de base (prévision, calcul du stock optimal) tout en offrant une transparence et une capacité de surpassement pour les planificateurs sur les exceptions. Lors de l’évaluation des fournisseurs, les dirigeants de MRO devraient se demander : Le système s’adapte-t-il automatiquement aux changements de demande/délai, ou me demande-t-il d’ajuster les paramètres ? Si un fournisseur s’appuie sur vous pour maintenir beaucoup de règles de min/max ou de classification, c’est un signe de technologie plus faible (ou du moins, de non utilisation de la technologie à son plein potentiel).

Soyez très sceptique à l’égard de tout fournisseur qui vante une “intégration plug-and-play” dans vos systèmes MRO. Les paysages informatiques de MRO en aviation sont hétérogènes - que vous utilisiez AMOS, TRAX, Ultramain, Maximo, SAP, ou quelque chose de fait maison, l’intégration d’un outil d’optimisation nécessitera la cartographie des champs de données et probablement le nettoyage des données. Un fournisseur qui prétend pouvoir déployer en quelques semaines avec un effort informatique minimal sous-estime probablement le travail ou suppose un périmètre très étroit. Il est judicieux de prévoir du temps pour l’intégration et les tests, et d’impliquer vos informaticiens dès le début pour vérifier la véracité de ces affirmations.

Un autre drapeau rouge à surveiller est la dépendance à l’égard des études de cas ou des rapports d’analystes qui semblent trop beaux pour être vrais. De nombreuses études de cas ne mentionnent pas les défis ou la base de référence. Par exemple, “les stocks ont été réduits de 30%” peut sembler formidable, mais si l’entreprise n’avait à l’origine aucun système de planification, alors 30% pourraient être atteints par n’importe quelle amélioration de processus décente. De même, “le taux de service a été amélioré à 99%” pourrait signifier qu’ils ont surstocké de manière sévère. Creusez toujours plus profondément : demandez les métriques avant et après en contexte, et mieux encore, parlez directement aux clients de référence si possible plutôt que de faire confiance à des citations polies.

À l’inverse, lorsque les fournisseurs fournissent des détails d’ingénierie spécifiques ou des méthodologies, c’est un bon signe. Cela signifie qu’ils ont des méthodes concrètes plutôt que de simples buzz. Par exemple, Smart Software expliquant ouvertement leur méthode de bootstrap ⁸, ou Lokad discutant de la programmation différentiable, montre de la substance. Les fournisseurs qui se contentent de lancer “AI/ML” sans expliquer comment cela s’applique au problème s’attendent probablement à ce que les acheteurs ne le remettent pas en question - mais vous devriez absolument le faire. Faites-leur expliquer, par exemple, comment leur apprentissage automatique gère une pièce qui n’a aucune utilisation la plupart des mois et qui a ensuite un besoin soudain - quelles entrées l’IA utilise-t-elle ? Si leur réponse est pleine de jargon et sans clarté, soyez prudent. S’ils peuvent articuler, par exemple, “nous regroupons des pièces similaires et utilisons un modèle bayésien combinant les heures opérationnelles de la flotte avec les retraits historiques”, alors ils ont au moins une approche.

En résumé, pour les dirigeants de MRO évaluant ces solutions :

• Adaptez l’outil à votre problème : Si vous souffrez de variabilité de la demande sauvage et de ruptures de stock, privilégiez les fournisseurs avec une prévision probabiliste éprouvée (Lokad, ToolsGroup, Smart, Syncron dans une certaine mesure). Si votre problème est l’excès de stocks et le manque de visibilité, un outil d’analyse prescriptive (IBM/Oniqua ou Baxter) pourrait suffire pour éliminer les graisses.
• Évaluez les capacités de votre équipe : Un système très avancé nécessite des planificateurs/analystes qualifiés pour interagir avec lui (ou les experts du fournisseur pour vous soutenir). Un système plus simple pourrait être exploité par une équipe maigre mais pourrait ne pas optimiser chaque centime.
• Prévoyez des travaux de données et d’intégration : Quel que soit le logiciel, investissez dans le nettoyage des maîtres de pièces, des données d’utilisation, et l’établissement d’interfaces. C’est moins sexy que l’IA, mais fondamental.
• Pilotez et vérifiez : Lancez un pilote sur un sous-ensemble de pièces ou un emplacement. Voyez si les algorithmes sophistiqués du fournisseur produisent réellement des recommandations sensées (par exemple, pas de stock d’une pièce critique ? ou un énorme stock de quelque chose de bon marché ?). Vérifiez leur optimisation en simulant des scénarios. Un bon fournisseur travaillera avec vous sur ce point ; un fournisseur instable évitera trop de contrôle.

Le problème des stocks de MRO en aviation est souvent décrit comme “extrêmement difficile” ⁶⁸ – en effet, il l’est. Mais les outils d’aujourd’hui se hissent à la hauteur de ce défi. En coupant à travers le battage médiatique et en se concentrant sur des capacités vérifiables, un MRO peut choisir une solution qui optimise réellement leur gestion des pièces, apportant des améliorations tangibles de la fiabilité et des économies de coûts. N’oubliez pas la devise du sceptique : en Dieu nous avons confiance, tous les autres – apportez des données. Chaque fournisseur devrait être en mesure de montrer des données pour étayer leurs affirmations dans le contexte de votre opération. Avec cette diligence raisonnable, vous pouvez trouver un partenaire logiciel qui va au-delà des promesses marketing pour réussir dans le monde réel dans votre supply chain.

Notes de bas de page