Logiciel d'optimisation de la maintenance, de la réparation et de la révision (MRO) de l'aviation, février 2025

Dernière modification : 2 février 2025

Introduction

Les chaînes d’approvisionnement de maintenance, de réparation et de révision (MRO) de l’aviation font face à une complexité extrême. Les compagnies aériennes et les prestataires MRO gèrent des stocks de pièces à longue traîne avec une demande intermittente et clairsemée et des délais de livraison et des prix très variables. Les pannes imprévisibles et les BOM aléatoires pour les réparations signifient que l’utilisation peut augmenter brusquement sans avertissement. Les pièces ont souvent des cycles de vie stricts (par exemple, des cycles maximaux ou des heures de vol) et des classifications de criticité (pièces “no-go” qui immobilisent les avions par rapport aux articles “go-if” ou différables). Ces facteurs rendent les décisions de prévision et 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 plonge de manière sceptique dans les principales solutions d’optimisation de la “maintenance, de la réparation et de la révision de l’aviation”. Nous évaluerons de manière critique la technologie de chaque fournisseur : fournissent-ils vraiment des capacités de pointe comme la prévision probabiliste (pour la demande et les délais de livraison), l’ optimisation économique (maximiser le rapport qualité-prix dans les décisions de stock) et une automatisation élevée pour faire face à des dizaines ou des centaines de milliers de numéros de pièces ? Les affirmations marketing d’améliorations “AI/ML-driven” - telles que des pourcentages de réduction de stocks spectaculaires ou des augmentations du taux de service - seront examinées en profondeur. Nous recherchons spécifiquement des preuves d’ingénierie avancée (ou de son absence) derrière ces affirmations, et si les outils reposent sur des analyses automatisées ou des paramètres définis par l’utilisateur fastidieux. Enfin, nous examinons les réalités de l’intégration dans le paysage informatique chaotique de la maintenance, de la réparation et de la révision de l’aviation, remettant en question toute affirmation de “plug-and-play”.

L’objectif est de donner aux cadres MRO avec une inclination technologique un aperçu sans fioritures et détaillé des offres du marché - séparant l’innovation réelle des mots à la mode.

Classement des fournisseurs (Résumé)

1. Lokad – Prévision probabiliste de pointe et automatisation pour l’aviation. Lokad se distingue par une technologie de pointe comme la prévision probabiliste de la demande/des délais de livraison et la programmation différentiable, développée sur des années de R&D dans l’aviation ¹. Il met l’accent sur l’optimisation économique (coût vs service) et un réglage manuel minimal, ce qui en fait un leader pour la planification des stocks MRO vraiment de pointe.

2. PTC Servigistics – Suite héritée complète avec des améliorations modernes. Servigistics offre l’ensemble de fonctionnalités le plus large (optimisation multi-échelons, prévision avancée, intégration IoT) et est largement utilisé dans l’aérospatiale et la défense ². Il applique de l’ “IA/ML” en interne 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 croissantes en IA. La plateforme cloud de Syncron est dédiée à la planification des pièces de service pour les fabricants et maintenant l’aviation. Il met en avant l’IA, l’apprentissage automatique et les simulations avancées pour gérer des schémas de demande complexes et intermittents ³. Des fonctionnalités probabilistes émergent et il se concentre sur l’optimisation économique des stocks, bien que la profondeur des particularités spécifiques à l’aviation soit encore en évolution (fort dans l’aftermarket OEM historiquement).

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

5. Armac Systems (RIOsys) – Optimiseur axé sur l’aviation pour les pièces tournantes et les pièces de rechange. Armac (appartenant à SR Technics) est un leader de niche spécifiquement pour les stocks des compagnies aériennes/MRO. Son outil RIOsys calcule les niveaux de stock optimaux pour les pièces tournantes et les consommables même en cas de demande imprévue (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. Sa force spécifique au domaine est élevée, bien que la société soit plus petite et que les détails technologiques (IA/ML) soient moins mis en avant publiquement.

6. Baxter Planning (Prophet by Baxter) – Fondamentaux de la planification des pièces de service avec un accent sur les coûts. La solution de Baxter couvre la prévision, la planification des stocks et le réapprovisionnement automatisé. Il 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 automatisation véritablement pilotée par l’IA.

7. Smart Software (Smart IP&O) – Moteur avancé de prévision de la demande intermittente. Smart Software est connu pour sa prévision probabiliste des pièces de rechange en utilisant 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 le calcul des stocks 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 les efforts de l’utilisateur pour agir sur ses prévisions sont encore nécessaires.

8. IBM (Optimisation des stocks de pièces de rechange MRO, anciennement Oniqua) – Concentration sur l’industrie axée sur les actifs. MRO IO d’IBM (acquis auprès d’Oniqua) est une plateforme cloud combinant l’analyse statistique, l’analyse prédictive et l’optimisation pour les pièces de rechange de maintenance ⁹. Il aborde 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 dans l’identification des excédents par rapport aux pénuries et guide les planificateurs via des “scores” et des files de travail. Bien qu’il utilise une certaine automatisation, l’approche penche davantage vers des tableaux de bord d’aide à la décision - nécessitant aux utilisateurs de passer en revue les informations (par exemple, par criticité, délai de livraison) et d’agir ¹¹. Sa technologie est solide mais pas spectaculaire - plus d’analyse approfondie que de “magie de l’IA”, et nécessite souvent un travail important de nettoyage des données (une spécialité d’IBM) et d’intégration.

9. Planification des pièces de rechange SAP (SPP) – Module capable avec une configuration lourde. La solution de planification des pièces de rechange de SAP (partie de SAP SCM/APO, en transition vers IBP) offre une optimisation des 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 des paramètres définis par l’utilisateur (sélection des modèles de prévision, objectifs de classe de service, etc.) et une personnalisation significative pour répondre aux besoins de l’aviation. Elle est généralement moins automatisée - les planificateurs doivent configurer des paramètres (par exemple, codes de cycle de vie, chaînes de supersession, min/max) plutôt que le système d’apprentissage automatique. En tant qu’option intégrée à un ERP, elle est fiable mais n’est pas à la pointe de l’innovation algorithmique.

10. Gestion des pièces de rechange Oracle – Planification de base des pièces de rechange dans l’ERP Oracle. Oracle propose un module de pièces de rechange (dans E-Business Suite et Cloud SCM) couvrant la prévision de la demande, la planification des niveaux de stock, etc. ¹³. Il inclut 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 l’entrée de l’utilisateur - par exemple, les planificateurs définissent les stratégies de prévision (Croston, lissage exponentiel) et les politiques de stock. La solution d’Oracle fait le travail pour certains, mais nous n’avons trouvé aucune preuve d’une IA de pointe ou d’une optimisation probabiliste ; elle est généralement un pas en arrière par rapport aux fournisseurs spécialisés en technologie.

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

Lokad – 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 et MRO en tant que spécialité principale. Son approche est résolument axée sur 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 ponctuelle, Lokad modélise la distribution complète de la demande, des délais de livraison et même des taux de déchets de pièces ¹. Cela est crucial pour l’incertitude élevée de l’aviation : par exemple, une pièce peut normalement durer 5 000 heures mais parfois tomber en panne beaucoup plus tôt - un modèle probabiliste capture ce risque. Lokad calcule ensuite des politiques de stockage 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 schémas complexes de données de la chaîne d’approvisionnement. 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 pris en compte dans un modèle de type réseau neuronal plutôt que des règles fixes. Lokad affirme que cela permet d’extraire automatiquement des schémas des données que des formules traditionnelles codées en dur pourraient manquer ¹. C’est un concept novateur dans la chaîne d’approvisionnement, et bien qu’il soit difficile à vérifier de manière externe, il indique un sérieux travail d’ingénierie au-delà des mots à la mode.

Importamment, Lokad fournit des détails d’ingénierie sur leur approche - un changement rafraîchissant par rapport aux revendications floues en matière d’IA. Dans un communiqué de presse avec Revima (un MRO pour APU/Landing Gear), ils mentionnent explicitement la prévision probabiliste de la demande, des délais de livraison et des déchets, combinée à une programmation différentiable pour modéliser des processus de réparation complexes ^{1 1}. Il s’agit de techniques concrètes, pas seulement de discours marketing. Le fait que le PDG de Lokad soit un blogueur actif sur les mathématiques de la chaîne d’approvisionnement ajoute de la crédibilité (ils critiquent fréquemment les méthodes traditionnelles et publient même des comparaisons).

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

Lokad est également franc sur l’intégration : ils ne vendent pas un fantasme de “brancher et jouer” pur, reconnaissant que les données de l’aviation sont chaotiques. Au lieu de cela, ils exploitent souvent toutes les sources de données disponibles, même si elles sont imparfaites. Par exemple, ils peuvent utiliser les métriques de fiabilité fournies par le OEM (MTBUR) et les données historiques de retrait de l’opérateur, en les pondérant en fonction de celle qui est la plus prédictive pour chaque pièce ^{15 16}. Ce niveau de nuance - utiliser plusieurs sources de données pour trianguler - montre une compréhension avancée des spécificités de l’aviation (par exemple, utiliser les données 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 blogs techniques détaillés). Il est tout de même important de poser des questions difficiles : par exemple, dans quelle mesure un MRO typique peut-il adopter la solution de Lokad sans une équipe de data scientists ? Lokad a tendance à travailler étroitement avec les clients via leurs propres experts, ce qui est excellent pour les résultats mais pourrait être perçu comme un modèle consultatif initialement plutôt que purement logiciel. De plus, bien que les modèles probabilistes soient idéaux pour la demande intermittente, leur précision dépend de la qualité des données - la règle “des données de mauvaise qualité entraînent des résultats sophistiqués de mauvaise qualité” reste un risque. Les résultats de Lokad comme “inventaire réduit de 60%” dans un cas ¹⁷ devraient être accueillis avec un sain scepticisme - de tels résultats pourraient être exceptionnels ou mesurés par rapport à une base très médiocre. Néanmoins, parmi les fournisseurs, Lokad semble repousser les limites le plus en matière de prévision moderne et d’optimisation scientifique. Il ne repose pas sur les utilisateurs pour définir des objectifs de niveau 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 plan 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 - son héritage remonte aux pionniers de l’industrie (Xelus, MCA Solutions) qui ont été regroupés dans Servigistics, puis acquis par PTC en 2012 ¹⁸. C’est de loin le logiciel de Gestion des Pièces de Rechange de Service (SPM) le plus largement déployé parmi les grandes organisations aérospatiales et de défense. Qantas, Boeing, Lockheed Martin, l’US Air Force - de tels noms apparaissent souvent comme utilisateurs de Servigistics ¹⁹. Avec ce pedigree, Servigistics fixe une norme élevée en termes de largeur et de profondeur des fonctionnalités.

D’un point de vue des capacités, Servigistics liste pratiquement toutes les fonctions qu’une équipe de MRO ou de logistique après-vente pourrait souhaiter : prévision de la demande spécialisée pour une demande de faible volume et sporadique, optimisation des stocks multi-échelons (positionnement des stocks à travers, par exemple, 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 intégré de tarification des pièces ²⁰. Notamment, PTC a également étendu Servigistics via l’intégration IoT - en utilisant leur plateforme ThingWorx pour intégrer des données d’équipements connectés (par exemple, données d’utilisation ou de capteurs 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 résoudre le problème du “BOM aléatoire” en prévoyant les retraits de pièces basés sur la surveillance de l’état réel, et non seulement sur des statistiques historiques.

Servigistics affirme incorporer la science des données moderne : « les modules de prévision, d’optimisation et d’analyse tirent parti de l’IA, de l’apprentissage automatique et du 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 le moteur de prévision repose encore largement 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 incrémentielle. 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”) relèvent davantage de la recherche opérationnelle (optimisation mathématique) que de l’apprentissage automatique - ce qui est bien, souvent optimal pour ces problèmes. L’« IA/ML » est peut-être plus une enveloppe récente - utilisant éventuellement l’apprentissage automatique pour des tâches telles que la détection d’anomalies dans la demande, ou la classification des pièces (par exemple, regrouper des modèles de demande similaires), plutôt que pour la prévision principale. Il convient d’être un peu sceptique quant au fait que Servigistics soit soudainement devenu une plateforme “IA” ; il s’agit plus précisément d’une plateforme de recherche opérationnelle très sophistiquée avec quelques nouvelles fonctionnalités activées par l’IA en périphérie.

Prévision probabiliste : Servigistics le fait-il ? Historiquement, il pouvait produire une distribution de la demande pour chaque pièce (par exemple, via un échantillonnage bootstrap ou un ajustement de distribution statistique prédéfini) 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 laisse entendre que le système prend en compte plus qu’une simple prévision moyenne. Nous pouvons raisonnablement supposer qu’il effectue une forme de prévision probabiliste ou au moins une simulation de scénarios pour la demande sporadique (MCA Solutions, l’un de ses prédécesseurs, était connu pour la simulation de Monte Carlo en planification). La différence avec une approche moderne réside dans le fait que 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 parmi un ensemble de méthodes) puis choisit des objectifs de taux de service. Il est possible d’avoir beaucoup de politiques définies par l’utilisateur - par exemple, les planificateurs peuvent segmenter les pièces par criticité ou valeur et attribuer différents objectifs de taux de remplissage (le système dispose d’une capacité de segmentation riche) ²⁶. Si ce n’est pas entièrement automatisé, cela pourrait être une faiblesse : l’outil peut s’optimiser une fois que vous avez entré ces paramètres, mais déterminer quel taux de service chaque dizaine de milliers de pièces devrait avoir est souvent laissé au jugement de l’utilisateur ou à des règles simples (comme “95% pour les pièces critiques, 80% pour les pièces facultatives”). Des solutions vraiment 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 - il est probable qu’il puisse le faire, mais de nombreux utilisateurs pourraient ne pas utiliser ce mode en raison de sa complexité.

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

Sur l’intégration : PTC s’est associé à des grands fournisseurs de progiciels de gestion intégrée de maintenance (MRO) tels que 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). Toute affirmation de “brancher et jouer” des ventes doit être prise avec des pincettes. En réalité, il faut mapper des dizaines de champs de données (données d’installation de base, catalogues de pièces, nomenclatures 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 - conforme à 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) car l’optimisation à grande échelle peut être écrasante sans utilisateurs experts. Il vaut la peine d’interroger un fournisseur sur le degré d’automatisation réel du système en pratique - par exemple, détecte-t-il automatiquement un changement de variabilité du délai de livraison et ajuste-t-il les points de commande, ou un planificateur doit-il intervenir ? La présence de nombreux “paramètres de planification” suggère qu’un grand nombre de réglages sont possibles ²⁹, ce qui peut être bon ou mauvais. Par exemple, Servigistics permet de remplacer la quantité économique de commande calculée ou d’imposer certaines périodes de prévision ²⁹, ce qui laisse entendre que les calculs prêts à l’emploi 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 s’il offre des solutions de pointe dépend de l’exécution - un domaine où il faut être prudent. Pour un MRO disposant des ressources nécessaires pour le mettre en œuvre pleinement, il peut offrir d’excellentes performances (94 % de disponibilité des pièces chez Qantas a été rapportée ³⁰). Mais les petites opérations pourraient le trouver lourd. Ses affirmations 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 du processus pour exploiter cet outil puissant mais complexe.

Syncron - Planification des pièces de service basée sur le cloud avec des promesses d’IA

Syncron est un autre acteur majeur, venant d’un angle différent - il a commencé avec les pièces de rechange après-vente des fabricants (en particulier automobiles et machines industrielles) et s’est étendu à l’aérospatiale/défense ces dernières années. La proposition de valeur de Syncron se concentre sur une plateforme basée sur le cloud, spécialement conçue 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 maintenance MRO de l’aviation, Syncron gagne du terrain - par exemple, ATR (le fabricant d’avions régionaux) a récemment choisi Syncron pour la gestion des stocks de sa flotte mondiale de soutien ^{33 3}.

Technologiquement, Syncron fait la publicité de l’utilisation de IA, d’apprentissage automatique et d’analyse 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 prédire les besoins en pièces de service” ³. Cela suggère que Syncron utilise une forme de simulation de Monte Carlo ou de planification probabiliste - générant probablement 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 forces ³⁴, ce qui indique 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 approfondies 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 considérer le temps de fonctionnement comme un service. En termes pratiques, la plateforme Syncron lie la prévision des pièces de service avec les entrées de gestion des services sur site et les signaux de maintenance prédictive de l’IoT (via leur module Uptime™). Pour l’aviation, cela pourrait signifier l’utilisation des données de surveillance de l’état des avions pour anticiper la demande de pièces. C’est similaire en concept à ce que fait PTC avec ThingWorx, mais Syncron l’a emballé comme faisant partie de leur suite spécifiquement pour le service après-vente. Cette approche est conforme à des tendances comme le “power-by-the-hour” dans l’aviation, où la disponibilité est primordiale.

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 % des coûts de stock pour les clients ³⁵. Ces chiffres, comme toutes ces affirmations, doivent être pris avec prudence - ils pourraient provenir d’études de cas sélectionnées. Il y a peu de détails techniques publiquement disponibles sur les algorithmes derrière l’optimisation de Syncron. Cependant, on peut déduire qu’ils utilisent une combinaison de modèles de prévision statistique, d’apprentissage automatique pour la reconnaissance de motifs, et quelques heuristiques ou solveurs pour le stockage multi-échelons. L’optimisation des stocks de Syncron était historiquement forte dans l’optimisation du réseau de distribution (pour les OEM avec des réseaux de concessionnaires, etc.), donc l’optimisation multi-site est dans son ADN.

Automatisation et effort de l’utilisateur : Syncron automatise probablement de nombreuses tâches routinières - 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 lorsque les données changent, plutôt que de s’attendre à ce que les utilisateurs règlent manuellement la méthode de prévision de chaque SKU (un fléau des systèmes plus anciens). Cela dit, la base d’utilisateurs typique de Syncron (les fabricants) fixent souvent encore des règles métier - par exemple, classer les pièces par cycle de vie ou criticité pour appliquer différentes politiques. Nous devrions vérifier si Syncron permet une optimisation entièrement automatisée. 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 entendre des fondations héritées. Il pourrait ne pas être aussi fluide entre les modules que ce qui est annoncé.

Une force que Syncron met en avant est la gestion du cycle de vie des pièces : la gestion des introductions de nouvelles pièces, de l’obsolescence, des remplacements. Dans l’aviation, où les pièces sont remplacées par des versions plus récentes ou des alternatives PMA, cela est crucial. Syncron a été confronté à des problèmes similaires dans l’automobile (où les changements de modèle affectent la demande de pièces) - vraisemblablement, 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 peu de livres blancs techniques publics, donc une partie de notre scepticisme vient du fait 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 l’instabilité de la chaîne d’approvisionnement et à la mise à l’échelle des opérations ³⁶ - mais c’est générique. La revendication technologique clé est la combinaison d’IA/ML + simulation ³. Nous questionnerions Syncron : Fournissent-ils des preuves de modèles ML en action ? 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 vraiment de nouvelles techniques ? Sans plus de détails, nous restons prudents.

Cependant, contrairement à certains concurrents, Syncron ne repose pas sur des architectures anciennes - c’est une plateforme du 21e siècle dès le départ. Cela signifie probablement une meilleure interface utilisateur, et peut-être un déploiement plus rapide (leur intégration à l’ERP utilise des API modernes, et ils font souvent le gros du travail pour les clients). Cependant, le “brancher et jouer” est irréaliste : l’implémentation d’ATR, par exemple, a probablement nécessité de mapper Syncron aux systèmes SAP personnalisés et de maintenance d’ATR. L’équipe de Syncron a travaillé activement avec ATR pour adapter des améliorations aux “exigences uniques” de l’aviation ³⁷ - ce qui implique qu’au départ, certaines besoins spécifiques à l’aviation n’étaient pas satisfaits jusqu’à ce qu’ils collaborent. C’est à la fois positif (le fournisseur est prêt à s’adapter) et préventif (le produit n’était pas entièrement prêt pour toutes les complexités de l’aviation initialement).

En résumé, Syncron se dirige 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 même historique approfondi dans l’aviation que Servigistics, mais il devient rapidement un concurrent de premier plan comme en témoignent les nouveaux clients de l’aviation. Les cadres de la MRO devraient vérifier les revendications de ML de Syncron (demander des détails ou des démonstrations de comment il prévoit un numéro de pièce en grappe) et s’assurer que toutes les améliorations promises en matière de stocks/service sont accompagnées de données - pas seulement des moyennes de l’industrie. Comme pour les autres, considérez les pourcentages élogieux (par exemple, “réduction des coûts de stocks de 15 %”) comme une indication approximative ; les résultats réels varieront en fonction du désordre 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, tempéré par le besoin de prouver sa technologie au-delà des mots à la mode.

ToolsGroup - Des algorithmes forts pour la demande intermittente, mais à quel point “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 après-vente dans divers secteurs - des pièces de rechange automobiles aux équipements industriels, 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 à prévoir la demande intermittente et à optimiser globalement les stocks multi-échelons” ⁴.

La technologie derrière la prévision de ToolsGroup est en effet probabiliste. Historiquement, ils utilisaient une approche propriétaire où, au lieu de prévoir un seul chiffre, ils modélisaient la demande sous forme de distribution de probabilité pour chaque SKU. Cela pouvait 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 de livraison, le logiciel calcule les stocks nécessaires pour atteindre un niveau de service cible ou inversement, le niveau de service atteignable pour un budget de stocks donné. Cette approche était quelque peu novatrice dans les années 1990/2000 lorsque la plupart des systèmes de planification utilisaient des méthodes simplistes. Elle permet de gérer très étroitement les niveaux de service même pour des articles à rotation très lente. ToolsGroup a également introduit le concept de “planification basée sur le niveau de service” où vous spécifiez le niveau de service souhaité par SKU et l’outil détermine les stocks nécessaires, plutôt que les planificateurs qui devinent les stocks de sécurité.

Cependant, la critique moderne porte sur la question de savoir si ToolsGroup a réellement innové au-delà de ses modèles antérieurs. La société se présente désormais comme “alimentée par l’IA” et parle de choses comme “la détection de la demande” et l’apprentissage automatique. Mais une étude de marché de Lokad souligne que les documents publics de ToolsGroup laissent encore entendre 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 du 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 le 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 les rapports commerciaux), en utilisant des idées probabilistes sous-jacentes pour les calculs de stocks. La mention de la “détection de la demande” (qui signifie généralement l’utilisation de signaux très proches dans le temps comme les commandes en cours ou les données IoT pour ajuster les prévisions) est également remise en question pour son peu de soutien dans la littérature scientifique ³⁸ - ce qui implique que ToolsGroup pourrait utiliser le mot à la mode 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 inventaire minimal. Il peut également gérer le repositionnement des stocks et la redistribution, 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+ aux côtés de SAP pour surmonter les limitations de la planification de SAP (ToolsGroup va même jusqu’à dire qu’il peut étendre SAP APO avec des prévisions probabilistes ³⁹). C’est généralement très automatisé : une fois configuré, les planificateurs surveillent principalement les exceptions. L’outil traitera des milliers de combinaisons SKU-emplacement et ne signalera que les articles où peut-être le niveau de service est projeté pour baisser ou une augmentation de la demande s’est produite nécessitant une intervention.

Sur les spécificités du contexte MRO : ToolsGroup peut certainement modéliser la demande intermittente, mais prend-il en compte des éléments tels que la criticité des pièces ou leur cycle de vie ? ToolsGroup a tendance à être générique ; cependant, les utilisateurs peuvent saisir différents objectifs de niveau 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 définissant simplement un niveau de service cible proche de 100 % pour les articles “no-go” et plus bas pour les autres. L’optimisation suit ensuite cette directive. De même, pour les cycles de vie, ToolsGroup pourrait ne pas avoir de 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 ajuster manuellement les prévisions pour les remplacements planifiés connus. C’est plus un ensemble d’outils qui peut être adapté à divers besoins, plutôt qu’une solution spécifique à l’aviation.

Un domaine à surveiller est les affirmations de résultats typiques de ToolsGroup : par exemple, ils affirment que les clients obtiennent une réduction de 20 à 50 % des ventes perdues, une réduction de 10 à 30 % des stocks et des niveaux de service de 95 à 99 % ⁴⁰. Bien que ces plages soient plausibles, elles sont larges et clairement orientées marketing. De telles améliorations sont probablement réalisées par des entreprises qui n’avaient pas vraiment d’optimisation auparavant - la mise en œuvre de tout outil décent entraînerait des gains importants. Cela ne signifie pas nécessairement que ToolsGroup atteint ces résultats de manière unique par rapport à ses concurrents. Il n’y a souvent pas d’étude indépendante pour vérifier ces pourcentages, nous restons donc sceptiques quant à les prendre pour argent comptant (l’absence de contexte comme “par rapport à quelle référence ?” ou “sur quelle période ?” est révélatrice).

Défini par l’utilisateur vs. automatisation : ToolsGroup est relativement automatisé en matière de prévisions, mais il permet beaucoup de configuration. Par exemple, les planificateurs peuvent choisir les objectifs de niveau de service par article ou 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 dispose de fonctionnalités pour équilibrer l’investissement en stocks par rapport au service dans l’ensemble du portefeuille, ce qui est une forme d’optimisation économique. Mais cela peut nécessiter l’utilisation de leurs services de consultation ou de fonctionnalités avancées pour être configuré correctement.

L’effort d’intégration pour ToolsGroup est modéré - ils ont besoin de données d’historique d’utilisation, de nomenclatures, etc. Ce n’est pas tout à fait 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 compte tenu de la longue histoire de ToolsGroup.

En fin de compte : ToolsGroup est une solution capable et fiable pour l’optimisation des pièces de rechange. Elle se qualifie certainement comme à la pointe de la technologie vers 2010, et tient toujours bien la route. Mais en 2025, on devrait se demander dans quelle mesure elle a incorporé de nouvelles techniques d’IA/ML. Les preuves disponibles suggèrent beaucoup de mots à la mode mais pas beaucoup de nouvelles méthodologies concrètes publiées. Cela ne signifie pas que cela ne fonctionne pas - cela fonctionne, mais l’étiquette “IA” pourrait simplement signifier qu’elle utilise des statistiques sophistiquées (ce qui est bien). Pour un dirigeant MRO, ToolsGroup pourrait être un choix à plus faible risque (produit établi, de 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 met en avant l’IA, demandez-leur de clarifier 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 forces (comme l’optimisation multi-échelons) et ne le simplifiera pas à un simple outil de planification de base.

Armac Systems (RIOsys) - Natif de l’aviation, optimisation des pièces tournantes et des réparations

Armac Systems est unique dans cette liste car il est né du monde de la maintenance aéronautique MRO spécifiquement. C’est un petit fournisseur (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 de l’aviation. Le produit phare d’Armac, RIOsys (système d’optimisation des stocks tournants), est conçu pour les compagnies aériennes et les MRO traitant à la fois des pièces de rechange consommables et des composants tournants 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 les opérations multi-sites sont la norme” ⁴². L’outil aide à calculer les niveaux de stocks optimaux pour les pièces tournantes et consommables, ce qui signifie qu’il peut déterminer non seulement combien acheter, mais aussi combien détenir en tant que pièces de rechange par rapport au pipeline de réparation, etc., pour atteindre les objectifs de fiabilité de la mise en service. Il mentionne également que la connaissance opérationnelle est incorporée dans votre modèle de provisionnement et continuellement affinée ⁴³. Cela suggère que le système apprend ou met à jour ses paramètres à mesure que de nouvelles données arrivent (par exemple, lorsque vous observez les taux de dépose 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 de l’ingénierie de la fiabilité. La maintenance aéronautique comprend des concepts tels que le MTBF/MTBUR, les courbes de fiabilité et les taux de dépose par 1000 heures de vol. Armac utilise probablement ceux-ci pour prédire la demande plutôt que simplement extrapoler les 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 approximativement combien de pannes par an vous attendez (avec une variabilité). Cela est très spécifique à la MRO et diffère de la prévision, par exemple, de la vente de pièces de rechange aux clients. Le partenariat d’Armac avec le monde académique et les “techniques d’intelligence d’affaires 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 du “go/no-go” en se concentrant sur la fiabilité technique des vols. Dans une compagnie aérienne, la fiabilité des vols (le pourcentage de vols qui partent sans retard ou annulation en raison de la maintenance) est une mesure clé. La disponibilité des pièces de rechange, en particulier des articles indispensables, influence directement cela. Les études de cas d’Armac (comme celle d’Iberia) indiquent que l’objectif était d’améliorer la disponibilité des matériaux tout en réduisant les coûts ⁴⁴. Le PDG d’Armac a souligné la livraison d’une disponibilité améliorée des pièces de rechange au coût économique le plus bas ⁴⁵. Ils effectuent donc clairement une optimisation économique : s’assurer que les pièces critiques sont toujours disponibles (pour éviter les AOG) mais sans surstocker partout.

Une note intéressante : le système RIOsys d’Armac s’intègre aux ERP existants (comme SAP) pour fournir une “couche supplémentaire d’intelligence” ⁴⁶. Cela montre qu’ils ne remplacent pas le système transactionnel, mais l’augmentent - 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 dans le sens où 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 dispose également probablement de tableaux de bord conviviaux mettant en évidence les surplus et les pénuries et aidant à prioriser les actions ⁴⁷. Cela est crucial pour les petites équipes de planification - l’outil doit leur dire quoi faire aujourd’hui. L’utilisation d’Armac par Iberia aurait aidé à “identifier les surplus et les pénuries, et à prioriser les activités quotidiennes” pour les planificateurs de stocks ⁴⁷. Cela indique un niveau élevé de prise de décision guidée par le système - un signe d’une forte automatisation.

Du côté du scepticisme, étant donné qu’Armac est plus petit et moins visible en marketing, il y a moins d’évaluations indépendantes disponibles. Il semble très compétent pour l’aviation, mais utilise-t-il vraiment des algorithmes de pointe ? Ou son succès est-il principalement dû à une adaptation (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 préconfigurés avec les bons paramètres pour les scénarios de l’aviation prêts à l’emploi. C’est toujours précieux, mais ce n’est pas de la “magie”. La mention de modèles “continuellement affinés” ⁴³ laisse entendre qu’un certain apprentissage automatique ou du moins un calibrage itératif se produit, ce qui est bon.

Une faiblesse potentielle pourrait être l’échelle et les ressources : en tant que petit fournisseur, Armac peut-il investir dans les dernières recherches en IA au même rythme que, par exemple, PTC ou Lokad ? Peut-être pas, mais en étant concentré, ils n’ont peut-être pas besoin d’une IA sophistiquée si leur solution technique convient déjà bien au domaine. De plus, le fait d’être détenu par SR Technics (un important MRO) pourrait signifier qu’ils bénéficient de retours d’expérience approfondis dans le domaine, mais aussi que leur horizon pourrait être limité aux besoins de cet actionnaire.

Armac ne met pas en avant “l’IA” de manière bruyante dans leurs communiqués de presse - ils utilisent des termes comme “planification intelligente de stocks 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 détails à Armac : simulent-ils la variabilité du cycle de réparation ? Optimisent-ils à la fois le taux de remplissage et l’utilisation des actifs ? Comment gèrent-ils l’obsolescence des pièces (le système alerte-t-il lorsqu’une pièce est en voie d’être éliminée pour éviter un surstockage) ? Étant donné leur créneau, ils ont probablement des fonctionnalités pour la planification en fin de vie et l’optimisation du regroupement des pièces réutilisables 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 les intégrer ou compter sur des exportations de données. Ce n’est pas plug-and-play, mais leur équipe l’a probablement déjà fait pour des clients similaires.

En conclusion, le système RIOsys d’Armac Systems est un choix solide pour la maintenance, réparation et révision (MRO) de l’aviation en particulier, offrant probablement beaucoup de valeur avec relativement moins de configuration si vous correspondez à leur profil type (compagnie aérienne avec plusieurs bases de maintenance, mélange de pièces réutilisables et consommables). Il peut être considéré comme à la pointe en termes d’alignement sur le domaine - il connaît intimement votre problème. Sur le plan technologique pur, il utilise probablement des analyses avancées (sinon de l’IA de pointe, au moins des algorithmes très spécialisés). Les cadres MRO évaluant Armac devraient vérifier que l’outil couvre effectivement 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 de l’aviation” sont revendiquées ⁴¹) donne à Armac une certaine crédibilité. Approchez simplement leurs affirmations de retour sur investissement comme vous le feriez avec n’importe quel fournisseur - avec une mentalité de “confiance mais vérification” - et assurez-vous d’avoir le support informatique nécessaire 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 rechange, 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 empreinte la plus forte soit dans les pièces de service de matériel technologique et de télécommunications). L’approche de Baxter repose sur une expérience pratique de la planification - le fondateur était lui-même un planificateur de pièces de rechange - 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 des coûts totaux” ⁴⁸. Ils considèrent explicitement le coût des pièces, l’emplacement et la criticité client/matériel lors de la planification des stocks. En d’autres termes, leur moteur tente 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 de livraison plus long (en se reposant peut-être sur des commandes d’urgence) plutôt que de stocker de nombreuses pièces en rayon. En revanche, pour une pièce critique sur un site distant, Prophet pourrait recommander de stocker des pièces de rechange malgré une demande faible car le coût de la rupture de stock (AOG, temps d’arrêt) est trop élevé. Il s’agit d’une philosophie d’optimisation économique et c’est ce que signifie “obtenir le meilleur rapport qualité-prix” dans les décisions de stockage. Baxter mérite des éloges pour avoir intégré cette réflexion.

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

Pour la demande intermittente, Baxter reconnaît certainement le problème - leur documentation parlerait de pièces à rotation lente nécessitant un traitement spécial. La question est de savoir s’ils s’appuient 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 davantage la première option : 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 Automatisation des commandes d’approvisionnement (génération automatique de bons de commande, ordres de réparation) et Redéploiement (déplacement des stocks excédentaires là où ils sont nécessaires) figurent dans sa liste de fonctionnalités ⁴⁹. C’est crucial lorsqu’il s’agit de traiter des milliers de pièces - vous voulez que le système déclenche automatiquement des actions recommandées et n’implique les planificateurs que par exception. Selon la plupart des comptes, Prophet peut gérer une grande échelle (des dizaines de milliers de pièces dans de nombreux endroits) 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 ajustaient souvent ou ajoutaient des fonctionnalités pour des besoins spécifiques. Cela signifie que vos résultats peuvent 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’au départ, il pourrait ne pas vous contraindre à une “meilleure pratique” - il vous donne des outils.

Baxter ne fait pas de publicité bruyante sur l’IA/ML. Ils sont plus discrets, ce qui peut être un avantage (moins de battage médiatique). Mais cela signifie aussi que si vous recherchez 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 peuvent ne pas avoir autant de fonctionnalités spécifiques à l’aviation intégrées. Par exemple, gèrent-ils des limites de durée de vie strictes (où une pièce est jetée après X utilisations) ? Peut-être en tant que champ personnalisé mais pas sûr si l’optimisation tient naturellement compte de cela (au-delà de la prévision de la demande lorsque le remplacement est dû). Ils gèrent les statuts du cycle de vie (pièces neuves, en fin de vie) et peuvent planifier les achats de dernière minute pour l’obsolescence, ce qui est pertinent dans l’aviation lorsque les pièces ne sont plus produites.

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

Intégration : Prophet de Baxter est généralement associé à un système ERP/MRO. L’intégration est comparable à d’autres - en apportant l’utilisation, les stocks, la nomenclature, etc. Baxter a probablement des connecteurs pré-construits pour les systèmes courants (ils mentionnent le support 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.

Dans le scepticisme, il convient d’examiner si la solution de Baxter est vraiment optimisante ou plutôt un support à la décision qui laisse encore des choix critiques aux humains. Le fait que de nombreux clients de Baxter se concentrent sur l’optimisation des coûts de localisation de stockage en avant plutôt que sur le multi-échelon suggère que l’outil est souvent 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 est important ; espérons que Baxter peut gérer cela si nécessaire.

Pour conclure, Baxter Planning offre un système de planification de pièces de service bien équilibré, bien que traditionnel. Fiable, axé sur les compromis coût-service, et automatise de nombreuses tâches. Il peut ne pas avoir les fonctionnalités d’IA les plus flashy, mais il a une profondeur dans la fonctionnalité pratique. Les cadres MRO devraient considérer Baxter comme une solution “sûre” - susceptible d’améliorer les choses en appliquant des méthodes éprouvées. Soyez simplement conscient que vous pourriez ne pas être à la pointe de l’analyse ; 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 en boîte noire), le style de Baxter pourrait en fait être préférable. Son point de scepticisme : assurez-vous que le système ne dépend pas trop des entrées utilisateur statiques (par exemple, il ne devrait pas vous obliger à 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 tout est en ordre, Baxter peut offrir des avantages constants sans promettre des miracles.

Logiciel Intelligent (Smart IP&O) - Expert de Niche en Prévision de la Demande Intermittente

Smart Software est un petit fournisseur qui s’est forgé une réputation en s’attaquant à l’une des parties les plus difficiles du problème : la prévision de la demande intermittente. Leur solution, désormais proposée sous forme de plateforme intégrée appelée Smart IP&O (Planification et Optimisation des Stocks), est issue de travaux académiques 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 la part d’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 une période de temps donnée ^{8 50}. Le résultat est une courbe de probabilité indiquant combien d’unités pourraient être nécessaires, au lieu d’une simple estimation. Avec cela, vous pouvez planifier des niveaux de stock presque optimaux pour une probabilité de service souhaitée.

Pour la maintenance, réparation et révision aéronautique, où plus de 80 % des pièces peuvent être à rotation lente avec beaucoup de zéros dans la demande ^{51 52}, la précision de la prévision de Smart peut changer la donne. Les méthodes de prévision traditionnelles (moyennes mobiles, etc.) échouent lamentablement avec de telles données. L’approche probabiliste de Smart gère la nature “en grumeaux” en ne la lissant pas mais en l’embrassant. Elle peut modéliser des schémas inhabituels comme “nous voyons généralement 0, mais parfois 5 unités en un pic” très bien.

Les détails technologiques de Smart sont étonnamment concrets : ils mentionnent ne pas supposer de distribution particulière (donc ils n’imposent pas aveuglément des distributions normales ou de Poisson) et utilisent plutôt des données empiriques pour simuler les résultats ⁵³. Ils soulignent spécifiquement que la demande ne « correspond souvent pas à une simple distribution normale », d’où leur approche de bootstrap ⁸. Ils produisent ensuite « l’ensemble de la distribution de la demande cumulée sur toute la période de temps d’un article » ⁵⁴. Avec cela, le calcul des stocks de sécurité pour, par exemple, un taux de service de 95 % est simple et précis - juste le 95e centile de cette distribution.

La solution de Smart Software va au-delà de la simple prévision ; leur plateforme IP&O inclut également des modules d’optimisation des stocks et de planification de la demande. Cependant, le différenciateur principal reste la partie prévision. La partie d’optimisation utilise probablement ces distributions de prévision pour calculer les points de commande, les quantités de commande, etc., afin de minimiser les stocks tout en atteignant les objectifs de service. Elle est peut-être moins sophistiquée en matière d’optimisation multi-échelons ou de 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 était historiquement mis sur un seul échelon, mais ils ont peut-être ajouté des fonctionnalités multi-emplacements dans IP&O).

Un avantage de la taille et de la focalisation de Smart est qu’ils s’intègrent souvent avec des systèmes EAM/ERP populaires en maintenance. Par exemple, ils mentionnent 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. Fondamentalement, vous utiliseriez Smart pour calculer les paramètres de stockage (comme min/max ou stock de sécurité pour chaque pièce) et les renvoyer dans l’ERP pour exécution. C’est un paradigme différent de remplacer entièrement votre système de planification.

En regardant maintenant leurs affirmations: Smart cite souvent que les entreprises utilisant leur solution “réduisent les stocks de ~20% la première année et augmentent la disponibilité des pièces de 10 à 20%” ⁵⁶. Ces chiffres sont raisonnables et moins bombastiques que certaines affirmations que nous voyons (et ils correspondent aux améliorations typiques grâce à une meilleure prévision). Cela implique que précédemment, les entreprises avaient soit surstocké “au cas où”, soit stocké de mauvaises pièces; en optimisant, elles ont libéré 20% de stocks tout en améliorant réellement le service. Cependant, aucune source indépendante ne confirme ces chiffres exacts pour chaque cas - donc considérez-le comme une moyenne des histoires à succès. Ce n’est pas garanti, mais c’est plausible si une entreprise n’avait pas de planification probabiliste auparavant.

Étant donné que Smart est hautement spécialisé, le scepticisme à appliquer est le suivant: peut-il gérer toute l’étendue des besoins en maintenance de l’aviation MRO? Prévoir et définir les niveaux de stock est une chose; mais que dire de la gestion des délais de réparation, du regroupement des pièces réutilisables ou de la rééquilibrage dynamique des stocks entre les bases? Smart IP&O pourrait ne pas avoir toutes ces fonctionnalités intégrées. Il pourrait supposer un processus assez standard où les stocks de chaque emplacement sont planifiés pour un niveau de service cible et c’est tout. Il se peut qu’il n’optimise pas 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 ne prend probablement pas explicitement en compte les métriques de l’ingénierie de fiabilité (à moins que vous ne les introduisiez d’une manière ou d’une autre dans l’historique de la demande).

Une autre mise en garde concerne l’automatisation par rapport à la saisie utilisateur: les outils de Smart calculeront les chiffres, mais l’utilisateur doit souvent décider des objectifs de niveau de service (bien qu’ils revendiquent une “précision presque de 100%” donc peut-être visent-ils un service élevé et optimisent les coûts). 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 le dire au système ou ajuster la prévision manuellement. La technologie “Gen2” qu’ils mentionnent ⁵⁷ pourrait inclure une identification plus automatique des facteurs causaux de la demande, mais les détails ne sont pas publics.

L’intégration (encore une fois) nécessite des efforts. Smart fournit la science, mais vous devez lui fournir des données (demande historique propre, etc.) puis prendre sa sortie et la mettre en œuvre. Si une organisation n’est pas prête à faire confiance aux prévisions générées ou aux stocks de sécurité, elle pourrait les outrepasser, réduisant ainsi les avantages. Les histoires à succès de Smart impliquent généralement une équipe engagée utilisant pleinement les recommandations de l’outil.

Dans l’ensemble, Smart Software est quelque peu un outil spécialisé qui peut augmenter la capacité de planification d’un MRO. Il est probablement 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 difficulté est la précision de la prévision pour des milliers de pièces sporadiques, Smart est une solution attrayante. Mais si le plus grand défi est l’optimisation à travers une chaîne d’approvisionnement de réparation complexe, Smart seul pourrait ne pas suffire; il pourrait être un élément d’un puzzle plus grand (peut-être utilisé en conjonction avec un ERP ou un autre système de planification).

Pour les cadres de MRO axés sur la technologie, 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 prêt à l’emploi”. La prudence à maintenir : assurez-vous que l’organisation peut agir sur ces prévisions (avez-vous des processus pour exécuter les recommandations de stockage ?), et interrogez Smart sur la manière dont il gère des éléments tels que la variabilité des délais de livraison (ils sont excellents en matière de variabilité de la demande ; espérons qu’ils simulent également les délais de livraison, ou du moins autorisent des tampons de variabilité). Clarifiez également comment il se met à jour - si de nouvelles données montrent un pic, réagit-il rapidement, et évite-t-il de réagir de manière excessive ? Étant donné leur rigueur académique, il y a de fortes chances qu’ils aient réfléchi à ces aspects, mais il est bon de vérifier.

IBM MRO Inventory Optimization (Oniqua) – Support à la Décision Axé sur les Données

L’optimisation des stocks MRO d’IBM, essentiellement le produit qu’IBM a acquis auprès d’Oniqua en 2018, est positionnée comme une plateforme analytique pour les industries à forte intensité d’actifs comme l’exploitation minière, l’énergie, la fabrication, et oui, l’aérospatiale. Oniqua était connue pour son approche très axée sur le conseil pour optimiser les stocks MRO des entreprises minières, en mettant l’accent sur la réduction des temps d’arrêt et la réduction des stocks. En tant que partie d’IBM, l’outil a été incorporé dans Maximo et la suite 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 niveaux 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 les ruptures de stock, puis prescrit des actions comme “réduire ceci, augmenter cela”. C’est un peu comme avoir un analyste intelligent qui passe en revue en continu vos KPI de stocks MRO. Le logiciel comprend des fonctionnalités telles que la notation des articles (probablement une note de criticité ou de risque) et des files de travail pour les planificateurs ¹⁰. Cela indique qu’il générera une liste d’actions recommandées pour que l’utilisateur les examine - une manière très pratique de gérer des milliers de pièces.

Du côté de la prévision, 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 de livraison, et plus encore lors de l’examen des données historiques pour générer des insights ⁵⁸. Cela suggère une couche analytique basée sur des règles : par exemple, il pourrait souligner que “la pièce critique X a un délai de livraison 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 stock.

IBM met également en avant des résultats tels qu’une “réduction de 50 % des temps d’arrêt non planifiés liés aux pièces” et une “réduction de 40 % des coûts d’inventaire” ⁵⁹. Ce sont des chiffres très audacieux 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 améliorant les stocks. Dans une compagnie aérienne bien gérée, les temps d’arrêt causés par les pièces sont déjà faibles (ils se démènent pour éviter les AOG à tout prix). Ainsi, on ne pourrait pas voir une réduction de 50 %. De même, une réduction de 40 % des coûts d’inventaire est énorme - possible uniquement si l’entreprise avait beaucoup trop d’inventaire au départ (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 considérés comme des cas extrêmes ou des points de données choisis par le marketing ⁵⁹.

Technologiquement, l’outil d’IBM ne doit probablement pas non plus utiliser d’IA/ML flashy, à part peut-être une 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 pas d’indication que ce niveau d’IA soit intégré ici. Le terme “analyse prédictive et prescriptive” est utilisé ⁶⁰, ce qui dans le jargon analytique signifie souvent : prédictif = prévoir ce qui pourrait se produire (par exemple, prédire les pannes futures 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 plus des règles métier. En fait, l’approche héritée d’Oniqua était assez consultative - ils établissaient des règles et des seuils adaptés à chaque client (par exemple, si une pièce n’a pas bougé en 5 ans, c’est un excédent ; si une pièce a provoqué une rupture de stock l’année dernière, peut-être augmenter le stock). IBM a probablement industrialisé 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 de l’aviation n’utilise pas Maximo, il peut toujours utiliser MRO IO, mais l’intégration avec leurs systèmes et la garantie de l’exactitude des données (hiérarchies d’équipements, définitions d’actifs critiques, etc.) seront essentielles. L’affirmation selon laquelle il “élimine les prérequis en matière de données en ingérant les données telles quelles” que nous avons vue chez un concurrent (Verusen) n’est pas quelque chose qu’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 de livraison, les coûts, etc. L’optimisation se fait ensuite dans ces paramètres. Il ne saura peut-être pas automatiquement la criticité d’une pièce à moins que vous ne la lui fournissiez. Ainsi, il est aussi bon que votre gouvernance des données.

En termes d’automatisation, IBM IO automatise l’analyse, mais pas nécessairement l’exécution. Il vous donne une liste de tâches à faire ; la commande réelle pourrait encore être effectuée dans votre ERP par vos planificateurs. Il s’agit d’une automatisation un peu moins intégrée que, par exemple, 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 lui-même.

Étant donné le poids de l’entreprise IBM, on peut faire confiance à l’aspect intégration (surtout pour le propre Maximo d’IBM ou SAP avec lequel IBM travaille souvent). Mais encore une fois, le “brancher et jouer” est peu probable - IBM ou un partenaire devra probablement réaliser un projet assez important pour le configurer selon vos processus de maintenance et de supply chain.

En résumé, l’optimisation des stocks MRO d’IBM (Oniqua) est une solution analytique robuste qui peut apporter de bonnes améliorations, surtout si vous manquez actuellement de visibilité sur les performances de votre inventaire. Elle est efficace pour identifier les inefficacités évidentes (excès, risques de rupture de stock potentiels) et optimiser les fruits faciles à atteindre. Elle gère la demande intermittente et la criticité grâce à des méthodes statistiques et basées sur des règles, bien que pas nécessairement les toutes dernières techniques d’IA. Pour un cadre de MRO de l’aviation, cela pourrait être un outil d’amélioration plus incrémentiel plutôt qu’un nouveau système d’IA radical - ce qui pourrait être parfaitement acceptable si vous avez besoin de bien maîtriser les bases. Il convient d’adopter une attitude sceptique face aux grandes revendications d’amélioration : interrogez IBM sur ce que signifient vraiment ces chiffres et demandez des références similaires à votre activité. Assurez-vous également que la manière de fonctionner de l’outil (tableaux de bord analytiques, etc.) convient à votre équipe - cela 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 magiquement tout sans surveillance, ce n’est pas le cas (et franchement, cela n’existe pas encore sous une forme plug-and-play).

Solutions Intégrées ERP (SAP SPP et Oracle) - Outils Intégrés avec Limitations

Il est intéressant de discuter des options des principaux fournisseurs ERP car elles sont “pertinentes”, surtout pour les organisations qui essaient d’utiliser les capacités des systèmes existants 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), 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 multi-échelons, la prévision (y compris des modèles spécifiques de demande intermittente) et la planification des besoins en distribution pour les pièces de service. SAP SPP peut faire beaucoup sur le papier : il dispose d’une méthode de prévision de Croston pour la demande intermittente (SAP le documente même comme “Stratégie de prévision 80” en utilisant le lissage exponentiel de Croston pour la taille et l’intervalle) ¹². Il dispose également d’une variante Croston mise à jour (Croston-TSB) ⁶¹. Ainsi, SAP a incorporé des méthodes académiques connues pour la demande irrégulière. Il peut également modéliser des transbordements latéraux, dispose d’une fonctionnalité d’interchangeabilité des pièces intégrée et peut optimiser les stocks à travers un réseau en fonction des niveaux de service ou des taux de remplissage. Caterpillar et Ford ont été des influenceurs précoces, et à un moment donné, il a été affirmé que SAP SPP avait des fonctionnalités très avancées (certains analystes pensaient qu’il rivalisait avec les meilleurs outils de sa catégorie) ⁶².

Cependant, la réalité dans l’aviation est que peu de compagnies aériennes ou de MRO ont pleinement adopté SAP SPP à son potentiel. Une raison en est la complexité et l’expertise requise. Configurer SPP signifie configurer de nombreux paramètres : il faut attribuer des modèles de prévision à chaque pièce (Croston pour les demandes vraiment intermittentes, peut-être une moyenne mobile pour les autres, etc.), maintenir des données maîtresses comme les indicateurs de phase d’entrée/sortie, et surtout, décider des niveaux de service cibles pour chaque pièce ou groupe. SAP SPP ne décide pas intrinsèquement du niveau de service dont vous avez besoin - vous le lui dites. Souvent, les entreprises utiliseraient la classification ABC/XYZ pour regrouper les pièces, puis attribueraient un objectif de niveau de service par groupe. Cette approche est définie par l’utilisateur et ne permet pas vraiment d’optimiser le compromis. C’est essentiellement une entrée pour l’optimisation. SAP calculera ensuite les besoins de stock pour atteindre ces entrées au stock minimum (c’est la pièce d’optimisation, en utilisant peut-être un solveur MILP pour le stock multi-échelons). Mais si ces objectifs sont incorrects, les résultats ne sont pas optimaux économiquement.

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

En termes de dernières avancées technologiques aujourd’hui, SAP SPP est quelque peu figé dans le temps. La focalisation stratégique de SAP s’est déplacée vers IBP, et IBP pour les pièces de rechange rattrape encore en termes de fonctionnalités. Par exemple, certaines capacités avancées de SPP n’ont pas migré initialement vers IBP. Ainsi, si un MRO de l’aviation est sur SAP et envisage d’utiliser leur planification intégrée, il pourrait constater que cela nécessite beaucoup de personnalisation (et éventuellement des modules complémentaires tiers) pour répondre à tous les besoins. Par exemple, la gestion des nomenclatures de réparation aléatoires ou la prévision des taux de suppression pourraient ne pas être prêtes à l’emploi ; il pourrait être nécessaire de créer une prévision personnalisée basée sur les heures de vol ou l’utilisation (certains utilisateurs de SAP ont demandé une prévision à partir des conducteurs de 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 rechange d’Oracle (souvent via la chaîne de valeur de l’Oracle E-Business Suite ou dans le cadre de l’Oracle Cloud SCM) offre des fonctionnalités de base similaires. Elle couvre la prévision (offrant probablement des modèles intermittents de type Croston ou similaires), l’optimisation des stocks multi-échelons et l’intégration de l’exécution. La force d’Oracle pourrait résider dans l’intégration avec Oracle eAM (Enterprise Asset Management) et son ERP, mais elle n’a pas été mise en avant comme un leader dans ce domaine. Oracle n’a même pas participé à certaines études de référence sur les pièces de rechange ⁶⁴, ce qui suggère qu’elle n’est pas poussée de manière agressive. Elle fonctionne probablement suffisamment bien si elle est bien configurée, mais comme SAP, elle 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 - elle peut faire des choses comme calculer un stock de sécurité en fonction d’un niveau de confiance en supposant une certaine distribution (souvent normale ou de 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 la maintenance MRO de l’aviation n’est pas universelle. Ces systèmes sont génériques, donc capturer quelque chose comme “pièce à remplacer dans les 30 jours” n’est pas un paramètre standard que vous activez - 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 vraiment le programme de maintenance d’une compagnie aérienne peut être étendue. Par exemple, modéliser des nomenclatures de maintenance aléatoires dans SAP pourrait impliquer de fournir des calendriers de maintenance planifiée en tant que demandes dépendantes et non planifiées en tant que demandes statistiques, etc. C’est faisable, mais complexe.

De plus, surcharge des paramètres définis par l’utilisateur : dans un SAP ou un Oracle, les planificateurs pourraient devoir maintenir de nombreux 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-optimaux. Cette dépendance à la configuration manuelle de l’utilisateur est exactement ce que les solutions plus avancées essaient d’éliminer via l’automatisation.

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

Dans une perspective sceptique, les affirmations de SAP et d’Oracle (lorsqu’ils en font) sont généralement modérées ; ils ne revendiquent 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 de l’innovation - il s’agit principalement de méthodes académiques du fin du 20e siècle mises en œuvre dans des logiciels. Ils manquent également du buzz de l’IA/ML (à part SAP qui commence à parler de “MRP piloté par la demande avec apprentissage automatique” dans d’autres contextes, mais pas spécifiquement pour la planification des pièces de rechange).

Pour un cadre MRO, la conclusion est la suivante : si vous avez déjà ces outils, vous pouvez essayer de les exploiter, mais soyez prêt pour un voyage potentiellement long de réglages et peut-être ne pas atteindre le niveau de performance que des outils spécialisés pourraient offrir. D’un autre côté, ils présentent un risque fournisseur moindre (c’est SAP/Oracle, ils seront là, et tout est dans un seul système). Une étude sceptique conclurait que bien que les solutions de SAP et d’Oracle soient pertinentes, elles sont généralement en retard par rapport aux fournisseurs spécialisés à la fois en termes d’automatisation et de sophistication. Ils servent de référence, et de nombreuses compagnies aériennes les utilisant finissent par les compléter ou les remplacer par l’un des outils spécialisés mentionnés ci-dessus pour optimiser véritablement leur chaîne d’approvisionnement MRO.

Nouveaux Entrants en IA Émergente (par ex. Verusen) - De la Mode aux Faits

Aucune étude de marché en 2025 ne serait complète sans mentionner la nouvelle vague de startups et de solutions basées sur l’IA qui émergent pour l’optimisation de la chaîne d’approvisionnement. Dans l’espace MRO, un exemple est Verusen, qui se présente comme « La seule plateforme IA conçue pour optimiser les stocks, les dépenses et les risques pour la chaîne d’approvisionnement MRO des fabricants d’actifs intensifs » ⁶⁵. Cette affirmation audacieuse suscite immédiatement le scepticisme - “seule plateforme IA” est clairement de l’exagération marketing (comme nous l’avons vu, de nombreux acteurs établis revendiquent également l’IA sous différentes formes).

Selon les informations de Verusen, leur approche se concentre beaucoup sur l’ingestion et le nettoyage des données. Ils mettent en avant des éléments tels que « ingérer les données telles quelles à partir des systèmes ERP/EAM » et appliquer l’IA pour identifier les matériaux en double et consolider les données ⁶⁶. Cela répond à un problème réel : les données MRO sont souvent désordonnées (même pièce enregistrée sous des noms légèrement différents, etc.). Verusen utilise l’apprentissage automatique (probablement le TAL et la correspondance de motifs) pour rationaliser les données maîtresses des matériaux. C’est précieux en tant que 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 identifier les stocks excédentaires entre les usines qui pourraient être partagés, ou réduire les stocks de sécurité là où il y a surapprovisionnement).

Là où Verusen et des entrants similaires sont en retrait, c’est dans la profondeur prouvée des algorithmes de prévision et de gestion des stocks. Ils mentionnent l’IA de manière générale mais sans détails spécifiques. 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 chaîne d’approvisionnement, de nombreuses startups ont essayé la prévision purement ML et ont constaté qu’elle ne bat pas facilement les modèles statistiques bien ajustés pour la demande intermittente (qui est très difficile à prédire pour le ML standard en raison de tant de zéros).

Verusen met également l’accent sur le fait d’être basé sur le cloud et rapide à intégrer - impliquant une promesse de plus de “brancher et jouer” que les fournisseurs plus anciens. Cependant, nous émettons ici une mise en garde forte : 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 de livraison 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 articles similaires pour révéler des doublons ou estimer les délais de livraison manquants à partir du contexte. Ce sont des fonctionnalités intéressantes, mais un cadre devrait demander la preuve que l’IA fait les bons choix. 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 accessoires comme la qualité des données et l’analyse de scénarios. Mais ils manquent parfois des connaissances métier acquises à la dure intégrées dans les solutions plus anciennes. Une startup en IA pourrait ne pas savoir que “la pièce ABC est interdite pour le 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 (vous ne pouvez pas simplement utiliser une pièce de rechange sans les documents appropriés, 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, pas à supposer.

D’autres approches nouvelles notables incluent l’utilisation directe des données IoT et de maintenance prédictive pour la planification des stocks (certaines solutions utilisent les données des capteurs pour prédire les défaillances de pièces, puis les relient aux besoins en stocks). Ce domaine évolue souvent à travers les systèmes de prédiction de maintenance plutôt que les 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 accru de défaillance. Les cadres MRO doivent 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 revendiquant l’IA/ML pour le MRO - elles pourraient offrir un morceau du puzzle ou même s’intégrer à l’un des plus gros outils (par exemple, une IA de nettoyage des données alimentant un Lokad ou un Servigistics). Gardez un esprit critique face à leurs affirmations audacieuses jusqu’à ce qu’elles puissent démontrer les résultats. Souvent, les petits nouveaux fournisseurs ont des études de cas limitées et celles-ci pourraient être des projets pilotes, pas des déploiements complets.

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

Conclusion et Recommandations

Cette étude de marché sceptique révèle un écosystème de solutions tentant chacune de résoudre les défis d’optimisation épineux des pièces de rechange de MRO de l’aviation. Aucune solution n’est une solution miracle, et les promesses grandioses doivent toujours être interrogées avec des questions techniques et des essais pilotes.

Cependant, il existe des techniques de pointe : 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 sur 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 des compétences solides qui, si elles sont alignées sur les besoins de votre organisation, peuvent générer des avantages majeurs - à condition de ne pas simplement les activer et attendre un miracle. La maturité des processus internes et la qualité des données restent cruciales.

Un thème récurrent est le compromis entre l’automatisation et le contrôle 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 aux utilisateurs plus de leviers mais au prix d’une complexité écrasante pour de grands catalogues. L’idéal semble être un système qui automatise le travail ingrat (prévision, calcul des stocks optimaux) tout en offrant transparence et capacité de remplacement pour les planificateurs sur les exceptions. Lors de l’évaluation des fournisseurs, les cadres de MRO devraient se demander : Le système s’adapte-t-il automatiquement aux changements de demande/délai, ou dois-je ajuster les paramètres ? Si un fournisseur vous demande de maintenir de nombreux règles de min/max ou de classification, c’est un signe d’une technologie plus faible (ou du moins, n’utilisant pas pleinement la technologie).

Soyez très sceptique envers tout fournisseur qui vante une “intégration plug-and-play” dans vos systèmes MRO. Les paysages informatiques MRO de l’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 affirmant qu’il peut déployer en quelques semaines avec un effort informatique minimal sous-estime probablement le travail ou suppose un champ d’application très étroit. Il est sage d’allouer du temps pour l’intégration et les tests, et d’impliquer vos informaticiens tôt pour vérifier la validité de ces affirmations.

Un autre signal d’alarme à surveiller est la dépendance aux études de cas ou aux rapports d’analystes qui semblent trop beaux pour être vrais. De nombreuses études de cas ne mentionnent pas les défis ou la situation de départ. Par exemple, “les stocks ont été réduits de 30%” peut sembler formidable, mais si l’entreprise n’avait initialement aucun système de planification, alors 30% pourrait être atteint par n’importe quelle amélioration de processus décente. De même, “le taux de service est passé à 99%” pourrait signifier qu’ils ont surapprovisionné. Creusez toujours plus profondément : demandez les métriques avant vs après dans le contexte, et encore mieux, parlez directement aux clients de référence si possible plutôt que de faire confiance à des citations bien polies.

En revanche, 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 simplement du buzz. Par exemple, Smart Software expliquant ouvertement leur méthode de bootstrap ⁸, ou Lokad discutant de la programmation différentiable, montre du contenu. Les fournisseurs qui se contentent de jeter autour de “IA/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. Demandez-leur par exemple comment leur apprentissage automatique gère une pièce qui n’est pas utilisée la plupart des mois et qui a ensuite un besoin soudain - quels sont les inputs utilisés par le ML ? S’ils répondent avec du jargon et aucune clarté, soyez prudent. S’ils peuvent expliquer, 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 cadres 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 un excès de stocks et un manque de visibilité, un outil d’analyse prescriptive (IBM/Oniqua ou Baxter) pourrait suffire pour réduire les excès.
• 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 géré par une équipe réduite mais pourrait ne pas exploiter chaque centime d’optimisation.
• Planifiez le travail sur les données et l’intégration : Peu importe le logiciel, investissez dans le nettoyage des références 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 effectivement 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 cela ; un fournisseur peu fiable évitera trop de scrutation.

Le problème des stocks de MRO de l’aviation est souvent décrit comme « exaspérément difficile » ⁶⁸ – en effet, c’est le cas. Mais les outils d’aujourd’hui se lèvent pour relever 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 vraiment la gestion de ses pièces, offrant des améliorations tangibles en termes de fiabilité et d’économies. Souvenez-vous simplement de la devise du sceptique : en Dieu nous croyons, tous les autres – apportez des données. Chaque fournisseur devrait être capable 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