Software di Ottimizzazione per MRO dell'Aviazione

Ultima modifica: 2 Febbraio 2025

Introduzione

Le catene di approvvigionamento per la Manutenzione, Riparazione e Revisione (MRO) dell’aviazione devono affrontare una complessità estrema. Le compagnie aeree e i fornitori di MRO gestiscono profondi inventari di pezzi a coda lunga con una domanda intermittente e scarsa e tempi di consegna e prezzi altamente variabili. Guasti imprevedibili e BOM casuali per le riparazioni significano che l’uso può aumentare senza preavviso. I pezzi spesso hanno cicli di vita rigorosi (ad es. cicli massimi o ore di volo) e classificazioni di criticità (“pezzi no-go” che bloccano gli aerei vs. “pezzi go-if” o articoli differibili). Questi fattori rendono notoriamente difficili le decisioni di previsione e stoccaggio - un delicato equilibrio tra evitare incidenti AOG (aerei a terra) e minimizzare l’eccesso di inventario.

Diversi fornitori di software affermano di risolvere queste sfide con strumenti di ottimizzazione specializzati. Questo studio effettua un approfondimento scettico nelle principali soluzioni di “ottimizzazione MRO dell’aviazione”. Valuteremo criticamente la tecnologia di ciascun fornitore: offrono veramente capacità all’avanguardia come la previsione probabilistica (sia per la domanda che per i tempi di consegna), l’ottimizzazione economica (massimizzazione del rapporto qualità-prezzo nelle decisioni di inventario) e un’alta automazione per gestire decine o centinaia di migliaia di numeri di parte? Le affermazioni di marketing di miglioramenti “guidati da AI/ML” - come percentuali di riduzione dell’inventario o aumenti del livello di servizio - saranno esaminate per la loro sostanza. Cerchiamo specificamente prove di ingegneria avanzata (o mancanza di essa) dietro queste affermazioni, e se gli strumenti si basano su analisi automatizzate rispetto a parametri definiti dall’utente ingombranti. Infine, consideriamo le realtà dell’integrazione nel disordinato panorama IT del MRO dell’aviazione, mettendo in discussione qualsiasi affermazione di “plug-and-play”.

L’obiettivo è fornire agli esecutivi MRO con una propensione tecnologica una panoramica dettagliata e senza fronzoli delle offerte del mercato - separando l’innovazione genuina dai buzzword.

Classifiche dei Fornitori (Riassunto)

1. Lokad – Previsione probabilistica e automazione di alto livello per l’aviazione. Lokad si distingue con tecnologie all’avanguardia come la previsione probabilistica della domanda/dei tempi di consegna e la programmazione differenziabile, sviluppata appositamente attraverso anni di R&D in aviazione ¹. Pone l’accento sull’ottimizzazione economica (costo vs. servizio) e sulla minima regolazione manuale, rendendola una leader per la pianificazione dell’inventario MRO veramente all’avanguardia.

2. PTC Servigistics – Suite legacy completa con miglioramenti moderni. Servigistics offre il set di funzionalità più ampio (ottimizzazione multi-echelon, previsione avanzata, integrazione IoT) ed è ampiamente utilizzato in aeronautica e difesa ². Applica “AI/ML” sotto il cofano e gestisce scenari complessi, sebbene alcuni algoritmi risalgano a decenni di sviluppo. Molto potente, ma la sua complessità può comportare una configurazione più pesante e la dipendenza da una configurazione esperta.

3. Syncron – Specialista di parti di servizio con crescenti capacità di AI. La piattaforma cloud di Syncron è dedicata alla pianificazione delle parti di servizio per i produttori e ora l’aerospazio. Vanta AI, apprendimento automatico e simulazioni avanzate per gestire complessi modelli di domanda intermittente ³. Le funzionalità probabilistiche stanno emergendo e si concentra sull’ottimizzazione economica delle scorte, sebbene la profondità nelle peculiarità specifiche dell’aviazione sia ancora in evoluzione (forte nel mercato post-vendita OEM storicamente).

4. ToolsGroup (SO99+) – Modellazione stocastica collaudata, ma narrativa “AI” invecchiata. ToolsGroup ha introdotto la previsione della domanda intermittente e l’ottimizzazione dell’inventario multi-echelon ⁴. I suoi modelli probabilistici gestiscono bene la “coda lunga” delle parti di ricambio. Tuttavia, le affermazioni di essere “alimentato da AI” sembrano esagerate - le analisi suggeriscono che la sua tecnologia è in gran parte statistica tradizionale (modelli pre-2000) con alcuni aggiornamenti ⁵. Tuttavia, offre un’automazione solida per la pianificazione delle parti su larga scala.

5. Armac Systems (RIOsys) – Ottimizzatore focalizzato sull’aviazione per rotables e ricambi. Armac (di proprietà di SR Technics) è un leader di nicchia specificamente per l’inventario delle compagnie aeree/MRO. Il suo strumento RIOsys calcola i livelli di stock ottimali sia per i rotables che per i consumabili anche in caso di domanda non programmata (casuale) e reti multi-sito ⁶. Incorpora conoscenze operative (ad es. dati di affidabilità) nel modello e affina continuamente le raccomandazioni. La forza specifica del dominio è alta, sebbene l’azienda sia più piccola e i dettagli tecnologici (AI/ML) siano meno enfatizzati pubblicamente.

6. Baxter Planning (Prophet by Baxter) – Fondamentali della pianificazione delle parti di servizio con focus sui costi. La soluzione di Baxter copre la previsione, la pianificazione dell’inventario e il rifornimento automatizzato. Utilizza un approccio di “Ottimizzazione del Costo Totale” che considera la criticità della parte, la posizione e l’urgenza del cliente per bilanciare il servizio e il costo ⁷. È uno strumento solido e pragmatico (più di 20 anni nelle parti di servizio), sebbene si basi più su metodi di previsione tradizionali e parametri definiti dall’utente che sulla vera automazione guidata dall’IA.

7. Smart Software (Smart IP&O) – Motore di previsione avanzato per la domanda intermittente. Smart Software è noto per la sua previsione probabilistica delle parti di ricambio utilizzando un metodo di bootstrap brevettato ⁸. Genera migliaia di scenari di domanda per catturare la variabilità, ottenendo una distribuzione completa e accurata della domanda nel corso dei tempi di consegna. Questo si traduce in livelli di stock ottimizzati per le parti intermittenti. Tuttavia, l’attenzione di Smart è sulla previsione e sui calcoli delle scorte di sicurezza; è una soluzione più stretta (spesso integra un ERP) piuttosto che una piattaforma MRO end-to-end completa. Sono ancora necessari l’integrazione e lo sforzo dell’utente per agire sulle sue previsioni.

8. IBM (MRO Inventory Optimization, precedentemente Oniqua) – Focus sull’industria intensiva di asset, guidato dall’analisi. L’MRO IO di IBM (acquisito da Oniqua) è una piattaforma cloud che combina analisi statistica, analisi prescrittiva e ottimizzazione per i ricambi di manutenzione ⁹. Affronta la domanda intermittente con previsioni integrate e raccomandazioni basate sulla criticità, con l’obiettivo di minimizzare i tempi di inattività ¹⁰. Lo strumento eccelle nell’identificare l’eccesso rispetto alla carenza e nel guidare i pianificatori tramite “punteggi” e code di lavoro. Sebbene utilizzi un po’ di automazione, l’approccio tende più verso le dashboard di supporto alle decisioni - richiedendo agli utenti di rivedere le intuizioni (ad es. per criticità, lead time) e agire ¹¹. La sua tecnologia è solida ma non appariscente - più analisi pesanti che “magia AI”, e spesso richiede un significativo lavoro di pulizia dei dati (un punto di forza di IBM) e di integrazione.

9. SAP Service Parts Planning (SPP) – Modulo capace con pesante configurazione. La soluzione di pianificazione delle parti di ricambio di SAP (parte di SAP SCM/APO, ora in transizione in IBP) offre un’ottimizzazione dell’inventario multi-echelon e supporta metodi come Croston per la domanda intermittente ¹². In teoria può gestire la complessità su scala aeronautica, e alcuni grandi OEM hanno contribuito a modellare le sue funzionalità. In pratica, SAP SPP richiede estese impostazioni definite dall’utente (selezione dei modelli di previsione, obiettivi della classe di servizio, ecc.) e una significativa personalizzazione per adattarsi alle esigenze dell’aviazione. È tipicamente meno automatizzato - i pianificatori devono configurare i parametri (ad es. codici del ciclo di vita, catene di successione, min/max) piuttosto che l’apprendimento autonomo del sistema. Come opzione integrata nell’ERP, è affidabile ma non all’avanguardia dell’innovazione algoritmica.

10. Oracle Spares Management – Pianificazione di base delle parti di ricambio all’interno dell’ERP Oracle. Oracle offre un modulo di parti di servizio (in E-Business Suite e Cloud SCM) che copre la previsione della domanda, la pianificazione del livello di stock, ecc. ¹³. Include tecniche standard di domanda intermittente e ottimizzazione degli ordini su una rete. Come SAP, tende a fare affidamento su configurazioni basate su regole e input dell’utente - ad es. i pianificatori definiscono le strategie di previsione (Croston, smoothing esponenziale) e le politiche di inventario. La soluzione di Oracle svolge il lavoro per alcuni, ma non abbiamo trovato prove di AI all’avanguardia o ottimizzazione probabilistica; è generalmente un passo indietro rispetto ai fornitori specializzati in termini di tecnologia.

Successivamente, ci addentriamo in un’analisi dettagliata della tecnologia, delle capacità e delle affermazioni di ciascun fornitore, evidenziando dove eccellono e dove è giustificato lo scetticismo.

Lokad - “Quantitative Supply Chain” probabilistica per l’Aviazione

Lokad è un nuovo entrante (fondato negli anni 2010) che si è concentrato aggressivamente sull’ottimizzazione aerospaziale & MRO come specialità principale. Il suo approccio è senza scuse guidato dalla scienza dei dati. La piattaforma di Lokad si concentra sulla previsione probabilistica e su quello che definiscono “ottimizzazione predittiva”. Invece di prevedere la domanda a singolo punto, Lokad modella la distribuzione di probabilità completa della domanda, dei tempi di consegna e persino dei tassi di rottamazione delle parti ¹. Questo è fondamentale per l’alta incertezza dell’aviazione: ad esempio, una parte può di solito durare 5.000 ore ma fallire molto prima - un modello probabilistico cattura quel rischio. Lokad calcola quindi le politiche di stoccaggio che minimizzano il costo totale (costi di detenzione, costi di stockout, penalità AOG) date queste incertezze.

Un aspetto di spicco della tecnologia di Lokad è la programmazione differenziabile ¹. Questo significa essenzialmente che utilizzano tecniche di apprendimento automatico per “imparare” dai complessi schemi di dati della supply chain. Ad esempio, programmi di manutenzione, curve di affidabilità (MTBUR - Mean Time Between Unscheduled Removal), tempi di ciclo di riparazione, ecc., possono tutti essere inseriti in un modello simile a una rete neurale piuttosto che in regole fisse. Lokad sostiene che ciò permette di estrarre automaticamente schemi dai dati che le formule codificate potrebbero perdere ¹. È un concetto nuovo nella supply chain, e sebbene sia difficile da verificare esternamente, indica un serio ingegneria oltre le parole di moda.

Importante, Lokad fornisce dettagli di ingegneria sul loro approccio - un cambiamento rinfrescante rispetto alle vaghe affermazioni di AI. In un comunicato stampa con Revima (un MRO di APU/Landing Gear), menzionano esplicitamente previsione probabilistica per la domanda, il tempo di consegna e la rottamazione, combinata con la programmazione differenziabile per modellare processi di riparazione complessi ^{1 1}. Queste sono tecniche concrete, non solo discorsi di marketing. Il fatto che il CEO di Lokad sia un blogger attivo sulla matematica della supply chain aggiunge credibilità (criticano frequentemente i metodi tradizionali e pubblicano anche confronti).

Da un punto di vista dell’automazione, la soluzione di Lokad è altamente automatizzata una volta che i dati sono in posizione. Viene fornita come software più servizi (concetto di “Supply Chain as Code”): il loro team aiuta a configurare un modello di ottimizzazione personalizzato utilizzando il loro linguaggio di scripting (Envision). Dopo di che, il sistema ingloba continuamente i dati (ad es. transazioni giornaliere di parti, rimozioni, ecc.) e rigenera le raccomandazioni di livello di stock, gli ordini di acquisto, la priorità degli ordini di riparazione, ecc., con un minimo intervento manuale. È costruito per gestire decine o centinaia di migliaia di P/N lasciando che gli algoritmi calcolino le politiche ottimali per ciascuno, piuttosto che i pianificatori che mantengono migliaia di impostazioni min/max. Un dirigente di un MRO aeronautico conferma “Lokad ha fornito gli strumenti giusti e il supporto per… ridurre l’incertezza incorporando un approccio probabilistico,” raggiungendo obiettivi di riempimento esigenti con un rischio ridotto ¹⁴.

Lokad è anche sincero riguardo all’integrazione: non propongono una pura fantasia “plug-and-play”, riconoscendo che i dati dell’aviazione sono disordinati. Invece, spesso sfruttano tutte le fonti di dati disponibili, anche se imperfette. Ad esempio, potrebbero utilizzare metriche di affidabilità fornite dall’OEM (MTBUR) e i dati storici di rimozione dell’operatore, pesandoli in base a quale è più predittivo per ogni parte ^{15 16}. Questo livello di sfumatura - utilizzare più fonti di dati per triangolare - mostra una comprensione avanzata delle specifiche dell’aviazione (ad es. utilizzare i dati OEM quando i dati in servizio sono scarsi, e viceversa).

Punto di vista scettico: Le affermazioni di Lokad sono generalmente supportate da prove (case study con Air France KLM, Revima, ecc., e blog tecnici dettagliati). Tuttavia, bisognerebbe ancora porsi delle domande difficili: ad esempio, quanto facilmente un tipico MRO può adottare la soluzione di Lokad senza un team di data scientist? Lokad tende a lavorare a stretto contatto con i clienti tramite i propri esperti, il che è ottimo per i risultati ma potrebbe essere visto come un modello pesante di consulenza inizialmente piuttosto che un puro software. Inoltre, sebbene i modelli probabilistici siano ideali per la domanda intermittente, la loro accuratezza dipende dalla qualità dei dati - i rifiuti in entrata, i rifiuti sofisticati in uscita rimangono un rischio. I risultati di Lokad come “inventario ridotto del 60%” in un caso ¹⁷ dovrebbero essere accolti con un sano scetticismo - tali risultati potrebbero essere eccezionali o misurati rispetto a una baseline molto scarsa. Tuttavia, tra i fornitori, Lokad sembra spingere di più l’envelope sulla scienza moderna della previsione e dell’ottimizzazione. Non si basa sugli utenti per impostare obiettivi di livello di servizio arbitrari o classi ABC; invece automatizza le decisioni calcolando i compromessi economici per ogni parte. Questo livello di automazione e rigore probabilistico lo rende una scelta di primo piano per coloro che sono disposti ad abbracciare una soluzione più recente.

PTC Servigistics - Campione Peso Massimo con Tecnologia Aggiornata

Servigistics è il veterano in questo spazio - la sua discendenza risale ai pionieri dell’industria (Xelus, MCA Solutions) che sono stati incorporati in Servigistics, e poi acquisiti da PTC nel 2012 ¹⁸. È di gran lunga il software Service Parts Management (SPM) più diffuso tra le grandi organizzazioni aerospaziali e di difesa. Qantas, Boeing, Lockheed Martin, l’U.S. Air Force - tali nomi spesso appaiono come utenti di Servigistics ¹⁹. Con quel pedigree, Servigistics pone un alto standard in termini di ampiezza e profondità delle funzionalità.

Da un punto di vista delle capacità, Servigistics elenca praticamente ogni funzione che un team MRO o di logistica aftermarket potrebbe desiderare: previsione della domanda specializzata per domanda a basso volume, sporadica, ottimizzazione dell’inventario a più livelli (posizionamento delle scorte attraverso, ad esempio, magazzino centrale, basi avanzate, officina di riparazione, ecc.), pianificazione degli approvvigionamenti multi-sorgente, decisioni di riparazione vs. acquisto, e persino un modulo di prezzi delle parti integrato ²⁰. È degno di nota che PTC ha anche esteso Servigistics tramite l’integrazione IoT - utilizzando la loro piattaforma ThingWorx per alimentare i dati delle apparecchiature connesse (ad es. dati di utilizzo o sensori da aerei/motori) per prevedere i guasti delle parti a vita limitata e pianificare le sostituzioni in modo proattivo ^{21 22}. Questo inizia ad affrontare il problema del “BOM casuale” prevedendo le rimozioni delle parti basate sul monitoraggio effettivo delle condizioni, non solo sulle statistiche storiche.

Servigistics afferma di incorporare la moderna data science: “i moduli di previsione, ottimizzazione e analisi sfruttano l’IA, l’apprendimento automatico e i big data” ²³. Tuttavia, i dettagli su come esattamente l’IA/ML viene utilizzata sono scarsi nei materiali pubblici. Data la lunga storia dello strumento, è probabile che gran parte del motore di previsione si basi ancora su metodi statistici classici (metodo di Croston, varianti di smoothing esponenziale per la domanda intermittente, forse stima bayesiana per la bassa domanda) che sono stati migliorati incrementalmente. La menzione di lavorare con accademici come il Dr. John Muckstadt suggerisce l’uso di modelli analitici provati per l’ottimizzazione multi-livello ²⁴. Gli algoritmi di Muckstadt (dal suo libro “Service Parts Management”) sono più ricerca operativa (ottimizzazione matematica) che apprendimento automatico - il che va bene, spesso ottimale per questi problemi. L’“IA/ML” potrebbe essere più di un involucro recente - possibilmente utilizzando l’apprendimento automatico per cose come il rilevamento di anomalie nella domanda, o la classificazione delle parti (ad es. raggruppamento di modelli di domanda simili), piuttosto che la previsione di base. Si dovrebbe essere un po’ scettici che Servigistics sia improvvisamente diventata una piattaforma “AI”; è più accuratamente una piattaforma di Ricerca Operativa molto sofisticata con alcune nuove funzionalità abilitate dall’IA ai margini.

Previsione probabilistica: Servigistics la fa? Storicamente, poteva produrre una distribuzione della domanda per ogni parte (ad esempio, tramite il bootstrapping o l’adattamento di una distribuzione statistica predefinita) per calcolare le scorte di sicurezza ottimali. L’ottimizzazione multi-livello richiede intrinsecamente input probabilistici (per calcolare le probabilità di esaurimento delle scorte in diverse località). La documentazione di PTC fa riferimento a “tipi di distribuzioni di probabilità utilizzate” nelle decisioni di stoccaggio ²⁵, suggerendo che il sistema considera più di una semplice previsione media. Possiamo ragionevolmente supporre che faccia qualche forma di previsione probabilistica o almeno simulazione di scenari per la domanda sporadica (MCA Solutions, uno dei suoi predecessori, era noto per la simulazione di Monte Carlo nella pianificazione). La differenza con un approccio moderno è se queste distribuzioni sono apprese automaticamente o selezionate tramite regole. In Servigistics, un pianificatore di solito imposta ogni parte su un metodo di previsione (o il sistema seleziona automaticamente da un insieme di metodi) e poi sceglie gli obiettivi di livello di servizio. C’è molta politica definita dall’utente possibile - ad es., i pianificatori possono segmentare le parti per criticità o valore e assegnare diversi obiettivi di riempimento (il sistema ha una ricca capacità di segmentazione) ²⁶. Se non completamente automatizzato, questo potrebbe essere un punto debole: lo strumento può ottimizzare una volta che hai inserito questi parametri, ma determinare quale livello di servizio dovrebbe avere ciascuna delle decine di migliaia di parti è spesso lasciato al giudizio dell’utente o a regole semplici (come “95% per le parti no-go, 80% per le parti go-if”). Le soluzioni veramente ottimali calcolerebbero dinamicamente questi compromessi. Non è chiaro se Servigistics abbia un’ “ottimizzazione del livello di servizio” automatizzata che, ad esempio, massimizza la disponibilità complessiva per un dato budget - probabilmente può farlo, ma molti utenti potrebbero non utilizzare quella modalità a causa della complessità.

Servigistics affronta anche gli aspetti del ciclo di vita delle parti e del ciclo di riparazione. Per i rotables (parti riparabili), può pianificare il ciclo di riparazione e tenere conto dei tempi di consegna e delle rese. La più recente estensione “Connected Forecasting” prevede esplicitamente le rimozioni di parti come le parti a vita limitata (LLP) in base alla loro vita residua e ai dati di utilizzo ²⁷ - una capacità molto importante nell’aviazione dove si sa che una parte avrà bisogno di sostituzione dopo X cicli. Questo aiuta a mitigare la domanda erraticamente iniettando alcuni segnali deterministici (ad es., rimozioni programmate) nella previsione.

Sull’integrazione: PTC ha stretto partnership con i principali fornitori di ERP MRO come IFS e Trax per integrare Servigistics ²⁸. Tuttavia, integrare uno strumento così completo con il sistema di manutenzione di una compagnia aerea è un progetto importante (spesso 6-12+ mesi). Qualsiasi affermazione di “plug-and-play” da parte delle vendite dovrebbe essere presa con un grano di sale. In realtà, bisogna mappare decine di campi di dati (dati di installazione di base, cataloghi di parti, BOM per le attività di manutenzione, dati del ciclo di riparazione, ecc.) e spesso pulire la qualità dei dati. Servigistics probabilmente ha adattatori standard per sistemi come SAP o Oracle, ma il lavoro personalizzato è la norma - coerente con qualsiasi soluzione aziendale.

Punti di scetticismo chiave: Servigistics è estremamente potente, ma è facile trarre valore da esso? Molte installazioni legacy finiscono per essere sottoutilizzate, utilizzando solo funzionalità di base (come la pianificazione a singolo livello con scorte di sicurezza impostate) perché l’ottimizzazione completa può essere travolgente senza utenti esperti. Vale la pena sondare un fornitore su quanto sia realmente automatizzato il sistema in pratica - ad es., rileva automaticamente un cambiamento nella variabilità del tempo di consegna e regola i punti di riordino, o è necessario l’intervento di un pianificatore? La presenza di molti “parametri di pianificazione” suggerisce che è possibile molta sintonizzazione ²⁹, che può essere buona o cattiva. Ad esempio, Servigistics permette di sovrascrivere l’EOQ calcolato o di forzare certi periodi di previsione ²⁹, il che suggerisce che i calcoli out-of-the-box potrebbero non essere sempre fidati dagli utenti.

In sintesi, Servigistics è l’opzione più ricca di funzionalità ed è evoluta per includere elementi moderni (dati IoT, un po’ di AI). Fornisce capacità all’avanguardia, ma se fornisce soluzioni all’avanguardia dipende dall’esecuzione - un’area da guardare con cautela. Per un MRO con le risorse per implementarlo completamente, può produrre ottime prestazioni (è stata segnalata una disponibilità di parti del 94% presso Qantas ³⁰). Ma le operazioni più piccole potrebbero trovarlo pesante. Le sue affermazioni di marketing (leader in ogni rapporto di analista, ecc.) sono tipiche e in parte vere data la quota di mercato, ma i potenziali acquirenti dovrebbero guardare oltre gli elogi e assicurarsi di avere la maturità del processo per sfruttare questo potente ma complesso strumento.

Syncron - Pianificazione dei pezzi di servizio nativa del cloud con promesse AI

Syncron è un altro grande player, che proviene da un angolo diverso - ha iniziato con i pezzi di servizio post-vendita dei produttori (in particolare automotive e macchinari industriali) ed è espanso nel settore aerospaziale/difesa negli ultimi anni. La proposta di valore di Syncron si concentra su essere una piattaforma basata sul cloud, costruita appositamente per i pezzi di servizio, combinando diversi moduli (Ottimizzazione dell’inventario, Ottimizzazione dei prezzi, e persino un modulo di previsione del tempo di funzionamento basato su IoT) ^{31 32}. Nel contesto dell’MRO dell’aviazione, Syncron sta guadagnando terreno - ad esempio, ATR (il costruttore di aerei regionali) ha recentemente scelto Syncron per la gestione dell’inventario in tutto il suo supporto alla flotta globale ^{33 3}.

Tecnologicamente, Syncron pubblicizza l’uso di AI, machine learning e analisi avanzate nella sua soluzione di pianificazione delle parti ³. Concretamente, menzionano che il software “traccia le tendenze della domanda e configura simulazioni avanzate per pianificare e prevedere le esigenze di servizio delle parti” ³. Questo suggerisce che Syncron utilizza una sorta di simulazione di Monte Carlo o pianificazione probabilistica - probabilmente generando scenari di domanda e offerta per ottimizzare le scorte. In un IDC MarketScape, Syncron è stato notato per “riapprovvigionamento dinamico, pianificazione/previsione probabilistica” tra i suoi punti di forza ³⁴, indicando che non sta solo utilizzando metodi deterministici o basati su regole. A differenza di alcuni strumenti più vecchi, Syncron essendo nativo del cloud significa che può elaborare grandi set di dati ed eseguire ampie simulazioni in background senza che il cliente debba gestire l’infrastruttura IT.

Un aspetto notevole della filosofia di Syncron è la servitizzazione - aiutare le aziende a trattare il tempo di funzionamento come un servizio. In termini pratici, la piattaforma Syncron lega insieme la previsione dei pezzi di servizio con gli input della gestione del servizio sul campo e i segnali di manutenzione predittiva IoT (tramite il loro modulo Uptime™). Per l’aviazione, questo potrebbe significare l’utilizzo dei dati di monitoraggio della salute dell’aereo per anticipare la domanda di pezzi. È un concetto simile a quello che fa PTC con ThingWorx, ma Syncron lo ha confezionato come parte della loro suite specificamente per il servizio post-vendita. Questo approccio si allinea con tendenze come power-by-the-hour in aviazione, dove la disponibilità è tutto.

In termini di ottimizzazione, Syncron ottimizza l’inventario bilanciando la disponibilità rispetto al costo. Affermano esplicitamente miglioramenti come l’aumento del 12-17,5% nella disponibilità delle parti e la riduzione del 15% nel costo dell’inventario per i clienti ³⁵. Queste cifre, come tutte queste affermazioni, dovrebbero essere viste con cautela - potrebbero provenire da studi di caso selezionati. Non ci sono molti dettagli tecnici pubblici sugli algoritmi dietro l’ottimizzazione di Syncron. Tuttavia, si può dedurre che utilizzano una combinazione di modelli di previsione statistica, machine learning per il riconoscimento dei pattern, e un qualche euristico o risolutore per l’approvvigionamento multi-livello. Storicamente, Syncron Inventory era forte nell’ottimizzazione della rete di distribuzione (per OEM con reti di concessionari, ecc.), quindi l’ottimizzazione multi-ubicazione è nel suo DNA.

Automazione e sforzo dell’utente: Probabilmente Syncron automatizza molte attività di routine - essendo un software moderno, è stato progettato per il cloud e l’usabilità. Probabilmente seleziona automaticamente i modelli di previsione appropriati e li aggiorna man mano che i dati cambiano, piuttosto che aspettarsi che gli utenti regolino manualmente il metodo di previsione di ogni SKU (un flagello dei sistemi più vecchi). Detto questo, la tipica base di utenti di Syncron (i produttori) spesso stabilisce ancora le regole aziendali - ad es. classificare le parti per ciclo di vita o criticità per applicare diverse politiche. Dovremmo verificare se Syncron consente un’ottimizzazione completamente senza interventi. Si fa menzione che i moduli di prezzo e inventario di Syncron attualmente utilizzano database separati che richiedono integrazione ³², il che suggerisce alcune basi legacy. Potrebbe non essere così fluido tra i moduli come pubblicizzato.

Un punto di forza che Syncron sottolinea è la gestione del ciclo di vita delle parti: gestione delle nuove introduzioni di parti, obsolescenza, successioni. Nell’aviazione, dove le parti vengono sostituite da versioni più recenti o alternative PMA, questo è fondamentale. Syncron ha affrontato problemi simili nell’automotive (dove i cambiamenti di modello influenzano la domanda di parti) - presumibilmente il sistema può prevedere il decadimento della domanda per le parti più vecchie e l’aumento per quelle nuove utilizzando analogie o previsioni collegate.

Verifica delle affermazioni: Syncron ha relativamente meno white paper tecnici pubblici, quindi parte del nostro scetticismo è che dobbiamo fare affidamento su ciò che affermano e su alcuni riferimenti. Il comunicato stampa di ATR indica che la soluzione aiuterà con l’instabilità della supply chain e la scalabilità delle operazioni ³⁶ - ma è generico. L’affermazione tecnica chiave è la combinazione di AI/ML + simulazione ³. Vorremmo interrogare Syncron: Forniscono prove di modelli ML in azione? Ad esempio, utilizzano reti neurali per rilevare le cause della domanda (come tassi di utilizzo o guasti) o semplicemente metodi di serie temporali? Inoltre, se dicono “AI”, è solo un’etichetta per i loro modelli statistici o tecniche veramente nuove? Senza ulteriori dettagli, rimaniamo cauti.

Tuttavia, a differenza di alcuni concorrenti, Syncron non si basa su architetture antiche - è una piattaforma del 21° secolo fin dalle fondamenta. Questo probabilmente significa una migliore UI, e forse una distribuzione più veloce (la loro integrazione con l’ERP utilizza API moderne, e spesso fanno il lavoro pesante per i clienti). Tuttavia, “plug-and-play” è irrealistico: l’implementazione di ATR, ad esempio, probabilmente ha richiesto la mappatura di Syncron ai sistemi SAP e di manutenzione personalizzati di ATR. Il team di Syncron ha lavorato attivamente con ATR per adattare le migliorie alle “esigenze uniche” dell’aviazione ³⁷ - suggerendo che fuori dalla scatola, alcune esigenze specifiche dell’aviazione non sono state soddisfatte fino a quando non hanno collaborato. Questo è sia positivo (il fornitore è disposto ad adattarsi) che cautelativo (il prodotto non era completamente pronto per tutte le complessità dell’aviazione inizialmente).

In sintesi, Syncron si sta muovendo verso lo stato dell’arte con elementi probabilistici e AI, e ha un forte orientamento all’automazione. Potrebbe non avere ancora il profondo track record nell’aviazione di Servigistics, ma sta rapidamente diventando un contendente di primo piano, come dimostrato dai nuovi clienti nell’aviazione. I dirigenti MRO dovrebbero verificare le affermazioni ML di Syncron (chiedere dettagli o demo di come prevede un numero di parte irregolare) e assicurarsi che qualsiasi miglioramento promesso dell’inventario/servizio venga con i dati - non solo con le medie del settore. Come per gli altri, trattare le percentuali lusinghiere (ad es. “riduzione del costo dell’inventario del 15%”) come una linea guida approssimativa; i risultati reali varieranno a seconda di quanto disorganizzato era il processo di partenza. Nel complesso, Syncron si classifica in alto grazie alla sua architettura moderna e all’attenzione all’automazione intelligente, temperata dalla necessità di dimostrare la sua tecnologia oltre i buzzword.

ToolsGroup - Forti algoritmi di domanda intermittente, ma quanto “intelligente”?

ToolsGroup è un fornitore ben consolidato (fondato nel 1993) noto per il suo software di punta SO99+ (Service Optimizer 99+). Ha una presenza significativa nella pianificazione delle parti di ricambio in vari settori - dalle parti di ricambio per auto all’attrezzatura industriale, ed è stato utilizzato anche in contesti aerospaziali/difesa. La forza principale di ToolsGroup è sempre stata la gestione della “coda lunga” della domanda con quello che chiamano un modello probabilistico. Sottolineano che gli strumenti tradizionali falliscono sulla domanda intermittente, mentre ToolsGroup “risolve il problema della pianificazione delle parti di servizio con un’eccezionale capacità di prevedere la domanda intermittente e ottimizzare globalmente l’inventario multi-livello” ⁴.

La tecnologia alla base delle previsioni di ToolsGroup è effettivamente probabilistica. Storicamente, hanno utilizzato un approccio proprietario in cui, invece di prevedere un numero, modellano la domanda come una distribuzione di probabilità per ogni SKU. Questo potrebbe essere fatto tramite simulazione di Monte Carlo o adattamento analitico di una distribuzione (alcune fonti indicano che ToolsGroup potrebbe utilizzare una forma di bootstrap o una variazione del metodo di Croston combinato con l’analisi della variabilità). Per ogni parte, data la distribuzione della domanda e il tempo di consegna, il software calcola l’inventario necessario per raggiungere un livello di servizio target o, al contrario, il livello di servizio raggiungibile con un dato budget di stock. Questo approccio è stato in qualche modo pionieristico negli anni ‘90/‘00 quando la maggior parte dei sistemi di pianificazione utilizzava metodi semplicistici. Permette di gestire i livelli di servizio molto strettamente anche per articoli che si muovono estremamente lentamente. ToolsGroup ha anche introdotto il concetto di “pianificazione guidata dal livello di servizio” dove si specifica il livello di servizio desiderato per SKU e lo strumento calcola lo stock necessario, piuttosto che i pianificatori che indovinano lo stock di sicurezza.

Tuttavia, la critica moderna è se ToolsGroup abbia innovato significativamente oltre i suoi modelli precedenti. L’azienda ora si presenta come “alimentata da AI” e parla di cose come “rilevamento della domanda” e apprendimento automatico. Ma uno studio di mercato di Lokad sottolinea che i materiali pubblici di ToolsGroup suggeriscono ancora tecniche più vecchie e segnalano anche un’incoerenza: ToolsGroup ha iniziato a pubblicizzare previsioni probabilistiche ma ha ancora fatto riferimento a miglioramenti del MAPE (Mean Absolute Percentage Error), che “non si applica alle previsioni probabilistiche” ⁵. Questo suggerisce un po’ di vernice di marketing - non misureresti l’errore di previsione con MAPE se ti stessi davvero concentrando sulle previsioni di distribuzione. In altre parole, ToolsGroup potrebbe ancora produrre principalmente una singola previsione per ogni articolo (per i report aziendali), utilizzando idee probabilistiche sotto il cofano per i calcoli dell’inventario. La menzione del “rilevamento della domanda” (che di solito significa utilizzare segnali a brevissimo termine come ordini in mano o dati IoT per regolare le previsioni) è anche sfidata come poco supportata nella letteratura scientifica ³⁸ - suggerendo che ToolsGroup potrebbe utilizzare il termine di moda, ma non necessariamente un metodo avanzato provato.

Detto questo, le capacità di ToolsGroup sono solide. Supporta l’ottimizzazione multi-livello, il che significa che può consigliare dove stoccare le parti in una rete per soddisfare gli obiettivi di servizio con un inventario minimo. Può anche gestire il riposizionamento dell’inventario e il ridispiegamento, che è utile in MRO quando le parti potrebbero essere spostate tra basi o regioni. La soluzione di ToolsGroup è spesso integrata con ERP come SAP - alcune aziende utilizzano SO99+ insieme a SAP per superare le limitazioni della pianificazione di SAP (ToolsGroup addirittura sostiene che può estendere SAP APO con previsioni probabilistiche ³⁹). È generalmente altamente automatizzato: una volta configurato, i pianificatori monitorano principalmente le eccezioni. Lo strumento elaborerà migliaia di combinazioni SKU-posizione e segnalerà solo gli articoli in cui forse il livello di servizio è previsto per scivolare o si è verificato un picco di domanda che richiede un intervento.

Per quanto riguarda i dettagli del contesto MRO: ToolsGroup può certamente modellare la domanda intermittente, ma tiene conto di cose come la criticità della parte o il ciclo di vita? ToolsGroup tende ad essere generico; tuttavia, gli utenti possono inserire diversi obiettivi di livello di servizio o costi per diverse categorie di parti. Potrebbe non conoscere nativamente la criticità “vai/non vai”, ma un cliente potrebbe incorporare ciò semplicemente impostando un livello di servizio target quasi al 100% per gli articoli “non andare” e più basso per gli altri. L’ottimizzazione segue quindi quella direttiva. Allo stesso modo, per i cicli di vita, ToolsGroup potrebbe non avere un modulo fuori dalla scatola per prevedere sulla base della vita residua (come fanno Servigistics o Syncron con i dati IoT), ma si può regolare manualmente le previsioni per le sostituzioni programmate note. È più un kit di strumenti che può essere adattato a vari bisogni, piuttosto che una soluzione specifica per l’aviazione.

Un aspetto da monitorare sono le affermazioni di ToolsGroup sui risultati tipici: ad esempio, sostengono che i clienti raggiungono una riduzione delle vendite perse del 20-50%, una riduzione delle scorte del 10-30% e livelli di servizio del 95-99% ⁴⁰. Sebbene questi intervalli siano plausibili, sono ampi e chiaramente guidati dal marketing. Tali miglioramenti provengono probabilmente da aziende che non avevano una vera ottimizzazione prima - l’implementazione di qualsiasi strumento decente avrebbe portato a grandi guadagni. Non significa necessariamente che ToolsGroup raggiunga unicamente questi risultati rispetto ai concorrenti. Spesso non c’è uno studio indipendente per verificare queste percentuali, quindi rimaniamo scettici nel prenderle per buone (l’assenza di contesto come “rispetto a quale baseline?” o “per quanto tempo?” è significativa).

Definito dall’utente vs. automazione: ToolsGroup è relativamente automatizzato nella previsione, ma permette molta configurazione. Ad esempio, i pianificatori possono scegliere gli obiettivi di livello di servizio per articolo o gruppo. Se un’azienda non sa come impostarli, potrebbe tornare alle vecchie abitudini (classificazione ABC ecc.), che limita l’impatto della tecnologia. Idealmente, si dovrebbe utilizzare l’ottimizzazione di ToolsGroup per determinare ottimamente questi obiettivi - credo che ToolsGroup abbia funzionalità come il bilanciamento dell’investimento in inventario vs. servizio in tutto il portafoglio, che è una forma di ottimizzazione economica. Ma potrebbe richiedere l’uso della loro consulenza o funzionalità avanzate per impostarlo correttamente.

Lo sforzo di integrazione per ToolsGroup è moderato - hanno bisogno di feed di cronologia di utilizzo, BOM, ecc. Non è proprio plug-and-play con qualcosa come AMOS o Rusada (sistemi MRO comuni), quindi aspettatevi un progetto, sebbene esistano molti connettori di integrazione data la lunga storia di ToolsGroup.

Linea di fondo: ToolsGroup è una soluzione capace e affidabile per l’ottimizzazione dei pezzi di ricambio. Si qualifica sicuramente come all’avanguardia circa 2010, e resiste ancora bene. Ma nel 2025, si dovrebbe mettere in discussione quanto abbia incorporato le nuove tecniche di AI/ML. Le prove disponibili suggeriscono un sacco di parole alla moda ma non molta nuova metodologia concreta pubblicata. Questo non significa che non funzioni - funziona, ma l’etichetta “AI” potrebbe semplicemente significare che sta utilizzando statistiche sofisticate (che va bene). Per un dirigente MRO, ToolsGroup potrebbe essere una scelta a minor rischio (prodotto consolidato, molti clienti di riferimento). Siate solo consapevoli che potreste non ottenere un sistema veramente di prossima generazione; state ottenendo un sistema tradizionale molto buono. Se l’azienda sta proponendo “AI”, chiedete loro di chiarire cosa esattamente è guidato dall’AI nel prodotto e come migliora i loro già buoni modelli probabilistici. Inoltre, assicuratevi che il vostro team sfrutterà appieno i suoi punti di forza (come l’ottimizzazione multi-echelon), e non lo ridurrà a un semplice strumento di pianificazione.

Armac Systems (RIOsys) - Nato nell’aviazione, ottimizza Rotabili e Riparazioni

Armac Systems è unico in questa lista in quanto è nato specificamente nel mondo MRO dell’aviazione. È un fornitore più piccolo (con sede in Irlanda, ora di proprietà di SR Technics a partire dalla fine degli anni 2010 ⁴¹) che si concentra al 100% sull’ottimizzazione dell’inventario dell’aviazione. Il prodotto di punta di Armac, RIOsys (Rotable Inventory Optimization system), è progettato per le compagnie aeree e le MRO che si occupano sia di ricambi esauribili che di componenti rotabili di alto valore.

Ciò che distingue Armac è la sua specificità di dominio. Il software è descritto come “pianificazione e ottimizzazione specifica per l’aviazione” mirata a massimizzare la disponibilità dei pezzi di ricambio al costo economico più basso ⁶. Riconosce esplicitamente lo scenario tipico dell’aviazione: “la domanda di parti non programmate, numerosi componenti e operazioni multi-sito sono la norma” ⁴². Lo strumento aiuta a calcolare i livelli di inventario ottimali sia per le parti rotabili che per quelle consumabili, il che significa che può determinare non solo quanti acquistare, ma anche quanti tenere come ricambi vs. pipeline di riparazione, ecc., per raggiungere gli obiettivi di affidabilità di spedizione. Si menziona anche che la conoscenza operativa è incorporata nel tuo modello di approvvigionamento e continuamente perfezionata ⁴³. Questo suggerisce che il sistema impara o aggiorna i suoi parametri man mano che arrivano più dati (ad esempio, man mano che si osservano i tassi di rimozione effettivi dei componenti, affina la previsione o la scorta consigliata per quel componente).

Un aspetto probabile dell’approccio di Armac è l’utilizzo dei dati dell’ingegneria dell’affidabilità. La manutenzione dell’aviazione ha concetti come MTBF/MTBUR, curve di affidabilità e tassi di rimozione per 1000 ore di volo. Armac probabilmente li utilizza per prevedere la domanda piuttosto che solo l’estrappolazione della serie temporale. Ad esempio, se una compagnia aerea gestisce 100 A320 e una certa pompa ha un MTBUR di 5000 ore di volo, si può prevedere approssimativamente quanti guasti all’anno aspettarsi (con variabilità). Questo è molto specifico per MRO e differisce dalla previsione, diciamo, della vendita di pezzi di ricambio ai clienti. La partnership di Armac con l’accademia e le “tecniche di business intelligence dei big data” ⁴¹ implica che hanno studiato e implementato modelli orientati a questo tipo di previsione basata sull’affidabilità.

Armac si rivolge anche indirettamente alla “criticità del go/no-go” concentrandosi sull’affidabilità tecnica della spedizione. In una compagnia aerea, l’affidabilità della spedizione (la percentuale di voli che partono senza ritardi o cancellazioni dovute alla manutenzione) è una metrica chiave. La disponibilità dei pezzi di ricambio, soprattutto degli articoli no-go, ne è direttamente responsabile. I case study di Armac (come Iberia) indicano che l’obiettivo era migliorare la disponibilità del materiale riducendo i costi ⁴⁴. L’AD di Armac ha sottolineato la consegna di una migliore disponibilità di ricambi al costo economico più basso ⁴⁵. Quindi stanno chiaramente facendo un’ottimizzazione economica: garantire che le parti critiche siano sempre a disposizione (per evitare AOG) ma non sovrastoccare ovunque.

Una nota interessante: RIOsys di Armac si integra con gli ERP esistenti (come SAP) per fornire un “ulteriore strato di intelligenza” ⁴⁶. Questo mostra che non stanno sostituendo il sistema transazionale, ma lo stanno potenziando - un tema comune nel software di ottimizzazione. L’integrazione con SAP era un punto di forza (hanno ottenuto la certificazione SAP, ecc.), ma ancora una volta l’integrazione richiede lavoro.

Armac probabilmente fornisce molta automazione per i pianificatori nel senso che genera raccomandazioni (ad esempio, stocca questa parte alla base X, sposta queste unità in eccesso dalla base Y alla Z, ripara queste unità ora, ecc.). Probabilmente ha anche dashboard user-friendly che evidenziano surplus e carenze e aiutano a priorizzare le azioni ⁴⁷. Questo è fondamentale per team di pianificazione più piccoli - lo strumento deve dir loro cosa fare oggi. L’uso di Armac da parte di Iberia ha presumibilmente aiutato a “identificare surplus e carenze, e a priorizzare le attività quotidiane” per i pianificatori di inventario ⁴⁷. Questo indica un alto livello di decision-making guidato dal sistema - un segno di forte automazione.

Sul lato dello scetticismo, poiché Armac è più piccola e non così visibile nel marketing, c’è meno valutazione indipendente disponibile. Sembra molto competente per l’aviazione, ma utilizza davvero algoritmi all’avanguardia? O il suo successo è dovuto principalmente al fatto di essere su misura (con molte regole esperte e modelli specifici per le compagnie aeree)? Ad esempio, Armac potrebbe utilizzare modelli statistici abbastanza standard ma preconfigurati con i giusti parametri per gli scenari dell’aviazione out-of-the-box. Questo è comunque prezioso, ma non “magico”. La menzione di modelli “continuamente perfezionati” ⁴³ suggerisce che sta avvenendo un certo apprendimento automatico o almeno una calibrazione iterativa, il che è positivo.

Una potenziale debolezza potrebbe essere la scala e le risorse: come fornitore più piccolo, Armac può investire nella ricerca AI più recente allo stesso ritmo di, diciamo, PTC o Lokad? Forse no, ma essendo focalizzati, potrebbero non aver bisogno di una sofisticata AI se la loro soluzione ingegnerizzata si adatta già bene al dominio. Inoltre, essendo di proprietà di SR Technics (un importante MRO) potrebbe significare che hanno un profondo feedback di dominio ma anche che il loro orizzonte potrebbe essere limitato alle esigenze di quel proprietario.

Armac non sbandiera rumorosamente “AI” nei loro comunicati stampa - usano termini come “pianificazione intelligente dell’inventario di nuova generazione” e “tecniche di big data” ⁴¹, che sono parole d’ordine ma non molto specifiche. Vale la pena chiedere ad Armac per i dettagli: simulano la variabilità del ciclo di riparazione? Ottimizzano sia il tasso di riempimento che l’utilizzo delle risorse? Come gestiscono l’obsolescenza delle parti (il sistema avvisa quando una parte sta per essere eliminata in modo da non sovrastoccarla)? Data la loro nicchia, probabilmente hanno caratteristiche per la pianificazione di fine vita e l’ottimizzazione del pooling rotabile che altri potrebbero non enfatizzare.

L’integrazione rimane una sfida: anche con un’integrazione SAP, non tutte le compagnie aeree utilizzano sistemi standard. Molte utilizzano sistemi MRO specializzati come AMOS, Ultramain, ecc. Armac dovrebbe mapparli o fare affidamento su esportazioni di dati. Non è plug-and-play, ma il loro team probabilmente lo ha fatto per clienti simili.

In conclusione, RIOsys di Armac Systems è una scelta forte per l’MRO dell’aviazione in particolare, probabilmente fornendo molto valore con relativamente meno configurazione se si adatta al loro profilo tipico (compagnia aerea con molteplici basi di manutenzione, mix di ricambi rotabili e consumabili). Può essere considerato all’avanguardia in termini di allineamento al dominio - conosce intimamente il tuo problema. Sul piano tecnologico puro, probabilmente utilizza analisi avanzate (se non AI all’avanguardia, almeno algoritmi molto specializzati). Gli esecutivi MRO che valutano Armac dovrebbero verificare che lo strumento copra effettivamente tutte le esigenze moderne (forse chiedere se utilizzano previsioni probabilistiche o risolutori di ottimizzazione, ecc.). Il comprovato track record (si afferma che i risparmi “milioni per le organizzazioni dell’aviazione” ⁴¹) dà credibilità ad Armac. Basta avvicinarsi alle loro affermazioni di ROI come si farebbe con qualsiasi fornitore - con un atteggiamento di “fiducia ma verifica” - e assicurarsi di avere il supporto IT per integrarlo nel proprio ambiente.

Baxter Planning (Prophet di Baxter) - Pianificazione orientata ai costi con l’Uomo nel Ciclo

Baxter Planning è un fornitore consolidato nella gestione dei pezzi di ricambio, presente dal 1990. La loro soluzione, spesso indicata come Prophet, si rivolge a un’ampia gamma di settori (tecnologia, dispositivi medici, ecc.) e include il settore MRO/aviazione in una certa misura (anche se la loro presenza più forte è nei pezzi di ricambio per servizi di hardware tecnologico e telecomunicazioni). L’approccio di Baxter si basa su un’esperienza pratica di pianificazione - il fondatore era un pianificatore di pezzi di ricambio - quindi il software riflette i processi del mondo reale. Questo significa che copre la pianificazione end-to-end: Previsione, Ottimizzazione dell’inventario, Rifornimento, Pianificazione delle riparazioni, Gestione del ciclo di vita, Gestione dell’eccesso, ecc., in un unico sistema ⁷.

Un principio fondamentale del metodo di Baxter è l’“Ottimizzazione del Costo Totale” ⁴⁸. Considerano esplicitamente il costo della parte, la posizione e la criticità del cliente/bene quando pianificano l’inventario. In altre parole, il loro motore cerca di minimizzare il costo totale dell’inventario pur raggiungendo gli obiettivi di servizio. Ad esempio, se una parte è molto costosa e solo moderatamente critica, il sistema potrebbe accettare un tempo di consegna più lungo (forse facendo affidamento su ordini di emergenza) piuttosto che tenere molte in magazzino. Al contrario, per una parte no-go in un sito remoto, Prophet potrebbe raccomandare di tenere pezzi di ricambio nonostante la bassa domanda perché il costo di esaurimento (AOG, tempo di inattività) è troppo alto. Questa è una filosofia di ottimizzazione economica ed è ciò che significa “colpo per colpo” nelle decisioni di stoccaggio. Baxter merita credito per aver incorporato questo pensiero.

Tuttavia, sembra che Baxter raggiunga questo obiettivo attraverso molte impostazioni guidate dall’utente potenziate dall’automazione. Il loro sistema permette ai pianificatori di inserire attributi come la criticità della parte, gli impegni di supporto (SLA), e il software ottimizzerà entro questi vincoli. Ma fa previsioni probabilistiche? Non è molto chiaro dalle informazioni pubbliche. Essendo una soluzione più vecchia, probabilmente è iniziata con previsioni tradizionali (medie mobili, levigatura esponenziale) e forse in seguito ha aggiunto il metodo di Croston o il bootstrap per la domanda intermittente. Potrebbe non essere esplicitamente probabilistico come Lokad o Smart. Invece, Baxter potrebbe ottimizzare l’inventario attraverso l’analisi degli scenari o le formule del livello di servizio.

Per quanto riguarda la domanda intermittente, Baxter riconosce sicuramente il problema - la loro letteratura parla di parti a movimento lento che necessitano di un trattamento speciale. La domanda è se si affidano al pianificatore per classificare queste parti e scegliere un metodo o se il sistema si adatta. Data l’epoca in cui è stato costruito, sospetto più del primo caso: il pianificatore imposta, ad esempio, un metodo di previsione (forse Prophet ha un modulo di “previsione della domanda intermittente” che utilizza una certa tecnica), e poi il sistema lo utilizza per calcolare i livelli di stoccaggio.

Lo strumento di Baxter enfatizza l’automazione nell’esecuzione: cose come l’Automazione dell’Ordine di Fornitura (generazione automatica di ordini di acquisto, ordini di riparazione) e il Ricollocamento (spostamento dell’eccesso di stock dove è necessario) sono nella sua lista di funzionalità ⁴⁹. Questo è fondamentale quando si tratta di migliaia di parti - si vuole che il sistema avvii automaticamente le azioni consigliate e coinvolga i pianificatori solo in caso di eccezione. Per la maggior parte dei conti, Prophet può gestire una grande scala (decine di migliaia di parti in molte località) perché alcuni dei loro clienti sono grandi aziende tecnologiche con ricambi di campo globali.

Una cosa da tenere d’occhio è che Baxter Planning ha storicamente fatto molta personalizzazione per cliente. Essendo una piccola azienda privata, spesso modificavano o aggiungevano funzionalità per esigenze specifiche. Questo significa che i risultati possono variare - una società potrebbe utilizzare l’ottimizzazione avanzata min-max di Baxter, un’altra potrebbe utilizzarla in una modalità min-max più semplice. È flessibile, ma questa flessibilità indica anche che fuori dalla scatola potrebbe non costringerti a una “migliore pratica” - ti dà gli strumenti.

Baxter non fa pubblicità rumorosa all’IA/ML. Sono più discreti, il che può essere un punto a favore (meno hype). Ma significa anche che se stai cercando previsioni all’avanguardia, devi chiedere: stanno tenendo il passo con i nuovi metodi? È possibile che abbiano incorporato algoritmi più recenti nelle versioni più recenti, ma questi non sono ben pubblicizzati.

Data la clientela di Baxter, potrebbero non avere molte funzionalità specifiche per l’aviazione incorporate. Ad esempio, gestiscono i limiti di vita dura (dove una parte viene scartata dopo X utilizzi)? Forse come campo personalizzato ma non sono sicuro se l’ottimizzazione ne tenga naturalmente conto (oltre a prevedere la domanda quando arriva la sostituzione). Gestiscono gli stati del ciclo di vita (parti nuove, parti a fine vita) e possono fare la pianificazione dell’ultimo acquisto per l’obsolescenza, che è rilevante nell’aviazione quando le parti escono di produzione.

Sulle affermazioni dei risultati, Baxter tende a non pubblicare percentuali sensazionali. Si concentrano su come aiutano i pianificatori a raggiungere gli obiettivi, piuttosto che “abbiamo ridotto l’inventario del X%”. Questo potrebbe effettivamente indicare un approccio realistico: i miglioramenti avvengono, ma dipendono da come viene utilizzato lo strumento.

Integrazione: Prophet di Baxter si colloca solitamente accanto a un sistema ERP/MRO. L’integrazione è paragonabile a quella degli altri - portando in uso, stock, BOM, ecc. Baxter ha probabilmente connettori pre-costruiti per i sistemi comuni (menzionano il supporto a reti di fornitura superficiali e l’integrazione con altri sistemi aziendali). Nessuno dovrebbe aspettarsi un plug-and-play però; sarà necessario un po’ di lavoro IT.

Nel dubbio, si dovrebbe esaminare se la soluzione di Baxter sta veramente ottimizzando o se è più un supporto decisionale che lascia ancora scelte critiche agli umani. La menzione che molti clienti Baxter si concentrano sull’ottimizzazione dei costi di posizionamento delle scorte in avanti piuttosto che sul multi-echelon suggerisce che lo strumento potrebbe essere spesso utilizzato in una modalità più semplice (ottimizzando ogni posizione individualmente per un obiettivo di costo). Si nota che alcune reti dei clienti sono superficiali quindi il multi-echelon non era una preoccupazione. Ma per una compagnia aerea con un magazzino centrale e stazioni esterne, il multi-echelon conta; speriamo che Baxter possa gestirlo se necessario.

Per concludere, Baxter Planning offre un sistema di pianificazione dei pezzi di ricambio ben arrotondato, se tradizionale. È affidabile, concentrato sui compromessi tra costi e servizi, e automatizza molte attività. Potrebbe non avere le funzionalità AI più appariscenti, ma ha profondità nella funzionalità pratica. Gli esecutivi MRO dovrebbero vedere Baxter come una soluzione “mano sicura” - probabile che migliori le cose applicando metodi collaudati. Basta essere consapevoli che potreste non saltare in prima linea nell’analisi; otterrete un approccio solido, forse un po’ conservatore. Se la vostra organizzazione preferisce più controllo e trasparenza (rispetto a un AI a scatola nera), lo stile di Baxter potrebbe effettivamente essere preferibile. Il suo punto di scetticismo: assicurarsi che il sistema non sia troppo dipendente dagli input statici dell’utente (ad es., non dovrebbe richiedere di mantenere manualmente un sacco di parametri delle parti). Chiedete come si adatta al cambiamento (aggiusta automaticamente le previsioni ad ogni ciclo, impara la stagionalità o i tassi di utilizzo, ecc.?). Se tutto va bene, Baxter può fornire benefici costanti senza promettere miracoli.

Smart Software (Smart IP&O) – Esperto di nicchia nella previsione della domanda intermittente

Smart Software è un fornitore più piccolo che si è fatto una reputazione per affrontare una delle parti più difficili del problema: la previsione della domanda intermittente. La loro soluzione, ora offerta come una piattaforma integrata chiamata Smart IP&O (Inventory Planning & Optimization), è nata da lavori accademici per migliorare il metodo di Croston. Infatti, Smart Software ha introdotto un metodo di bootstrap brevettato per la previsione della domanda intermittente che ha vinto un premio da APICS ⁸. Questo metodo è ben documentato in white paper e genera essenzialmente molti scenari di domanda sintetici basati sulla storia per creare una distribuzione completa della domanda su un lead time ^{8 50}. Il risultato è una curva di probabilità di quante unità potrebbero essere necessarie, invece di un singolo indovinello. Con questo, è possibile pianificare quasi ottimalmente i livelli di stock per una probabilità di servizio desiderata.

Per l’aviazione MRO, dove l'80%+ delle parti potrebbe essere a movimento lento con molti zeri nella domanda ^{51 52}, l’accuratezza delle previsioni di Smart può essere un cambiamento di gioco. La previsione tradizionale (medie mobili, ecc.) fallisce miseramente su tali dati. L’approccio probabilistico di Smart gestisce la natura “grumosa” non appiattendola ma abbracciandola. Può modellare schemi strani come “di solito vediamo 0, ma occasionalmente 5 unità in un picco” molto bene.

I dettagli tecnologici di Smart sono rinfrescantemente concreti: menzionano di non assumere alcuna distribuzione particolare (quindi non stanno forzando ciecamente distribuzioni normali o di Poisson) e invece usano dati empirici per simulare i risultati ⁵³. Chiamano specificamente che la domanda spesso “non si conforma a una semplice distribuzione normale”, da qui il loro approccio di bootstrap ⁸. Producono poi l’“intera distribuzione della domanda cumulativa su tutto il lead time di un articolo” ⁵⁴. Con questo, calcolare lo stock di sicurezza per, diciamo, un livello di servizio del 95% è semplice e preciso - basta il 95° percentile di quella distribuzione.

La soluzione di Smart Software va oltre la semplice previsione; la loro piattaforma IP&O include anche moduli di ottimizzazione dell’inventario e pianificazione della domanda. Tuttavia, il differenziatore chiave è ancora la parte di previsione. La parte di ottimizzazione probabilmente utilizza quelle distribuzioni di previsione per calcolare i punti di riordino, le quantità di ordine, ecc., per minimizzare lo stock pur raggiungendo gli obiettivi di servizio. È possibilmente meno sofisticato sull’ottimizzazione multi-echelon o su cose come i cicli di parti riparabili. Si potrebbe integrare l’output di Smart in un altro sistema per questo, o gestire ogni posizione separatamente in Smart (l’attenzione storicamente era single-echelon, ma potrebbero aver aggiunto funzionalità multi-location in IP&O).

Un vantaggio delle dimensioni e dell’attenzione di Smart è che spesso si integrano con i popolari sistemi EAM/ERP nella manutenzione. Ad esempio, elencano integrazioni con IBM Maximo, SAP, Oracle, ecc. ⁵⁵. Questo suggerisce che puoi aggiungere il loro motore di previsione al tuo sistema esistente relativamente facilmente. Essenzialmente, useresti Smart per calcolare i parametri di stock (come min/max o stock di sicurezza per ogni parte) e poi spingere quelli indietro nell’ERP per eseguire. Questo è un paradigma diverso rispetto a sostituire completamente il tuo sistema di pianificazione.

Ora, guardando le loro affermazioni: Smart cita spesso che le aziende che utilizzano la loro soluzione “riducono l’inventario di circa il 20% nel primo anno e aumentano la disponibilità delle parti del 10-20%” ⁵⁶. Questi sono ragionevoli e meno bombastici di alcune affermazioni che vediamo (e si allineano con i miglioramenti tipici da una migliore previsione). Implica che in precedenza le aziende o avevano sovrastoccato “giusto nel caso” o avevano stoccato articoli sbagliati; ottimizzando, hanno liberato il 20% dell’inventario migliorando effettivamente il servizio. Tuttavia, nessuna fonte indipendente conferma questi numeri esatti per ogni caso - quindi consideralo una media di storie di successo. Non è garantito, ma è plausibile se un’azienda non aveva una pianificazione probabilistica prima.

Poiché Smart è altamente specializzato, lo scetticismo da applicare è: può gestire l’intero ambito delle esigenze di aviazione MRO? Prevedere e impostare i livelli di stock è una cosa; ma che dire della gestione dei turni di riparazione, del pooling dei rotables, o del riequilibrio dinamico dell’inventario tra le basi? Smart IP&O potrebbe non avere tutti questi campanelli e fischietti incorporati. Potrebbe presumere un processo abbastanza standard in cui lo stock di ogni posizione è pianificato per un livello di servizio target e basta. Potrebbe non ottimizzare quali posizioni dovrebbero detenere stock se si dispone di una rete - almeno non al grado che uno strumento multi-echelon farebbe. Inoltre, probabilmente non incorpora esplicitamente le metriche di ingegneria di affidabilità (a meno che non le alimenti nella cronologia della domanda in qualche modo).

Un’altra cautela è automazione vs. input dell’utente: gli strumenti di Smart calcoleranno i numeri, ma spesso l’utente deve decidere i target di livello di servizio (anche se affermano “quasi il 100% di precisione” quindi forse puntano a un servizio elevato e ottimizzano il costo). Smart non ti costringe a scegliere un modello di previsione per ogni SKU; l’algoritmo funziona automaticamente sui dati. Questo è buono. Ma devi ancora gestire le eccezioni - ad esempio, se una parte sta diventando obsoleta, devi dire al sistema o regolare la previsione manualmente. La tecnologia “Gen2” che menzionano ⁵⁷ potrebbe includere una maggiore identificazione automatica dei fattori causali della domanda, ma i dettagli non sono pubblici.

L’integrazione (di nuovo) richiede sforzo. Smart fornisce la scienza, ma devi alimentarlo con dati (domanda storica pulita, ecc.) e poi prendere il suo output e implementarlo. Se un’organizzazione non è pronta a fidarsi delle previsioni generate o degli stock di sicurezza, potrebbe sovrascriverli, riducendo il beneficio. Le storie di successo di Smart coinvolgono di solito un team impegnato che utilizza pienamente le raccomandazioni dello strumento.

Nel complesso, Smart Software è una sorta di strumento specialistico che può aumentare la capacità di pianificazione di un MRO. È probabilmente all’avanguardia nella previsione della domanda intermittente - anche alcuni fornitori più grandi potrebbero utilizzare metodi meno avanzati in quell’area specifica. Se un MRO sente che il loro più grande problema è l’accuratezza della previsione per migliaia di parti sporadiche, Smart è una soluzione attraente. Ma se la sfida più grande è l’ottimizzazione attraverso una complessa supply chain di riparazione, Smart da solo potrebbe non essere sufficiente; potrebbe essere un pezzo di un puzzle più grande (forse utilizzato in combinazione con un ERP o un altro sistema di pianificazione).

Per gli esecutivi MRO con un focus tecnologico, vale la pena considerare Smart IP&O non come una sostituzione completa dei sistemi di pianificazione ma come un “motore di previsione in una scatola”. Lo scetticismo da mantenere: assicurarsi che l’organizzazione possa agire su quelle previsioni (avete processi per eseguire le raccomandazioni di stock?), e interrogare Smart su come gestisce cose come la variabilità del lead time (fanno un ottimo lavoro sulla variabilità della domanda; speriamo che simulino anche i lead time, o almeno permettano buffer di variabilità). Inoltre, chiarire come si aggiorna - se arrivano nuovi dati che mostrano un picco, quanto velocemente reagisce, e evita di sovrareagire? Data la loro rigore accademico, è probabile che abbiano pensato a queste cose, ma è bene verificarlo.

IBM MRO Inventory Optimization (Oniqua) - Supporto Decisionale Basato sui Dati

L’IBM MRO Inventory Optimization, che è essenzialmente il prodotto che IBM ha acquisito da Oniqua nel 2018, è posizionato come una piattaforma analitica per industrie ad alta intensità di asset come l’estrazione mineraria, l’energia, la produzione e sì, l’aerospaziale. Oniqua era conosciuta per il suo approccio pesante di consulenza per ottimizzare le scorte MRO per le aziende minerarie, concentrandosi sulla minimizzazione dei tempi di inattività e sulla riduzione delle scorte. Come parte di IBM, lo strumento è stato incorporato nella suite Maximo e Supply Chain di IBM, ma può essere utilizzato autonomamente.

IBM MRO IO è descritto come “combinazione di analisi statistiche, analisi prescrittive, automazione e algoritmi di ottimizzazione” per migliorare i livelli di servizio e ridurre i costi ⁹. Cosa significa in pratica: analizza i tuoi dati di utilizzo e di inventario, identifica dove hai troppo stock (eccesso) e dove rischi di esaurimento scorte, e poi prescrive azioni come “riduci questo, aumenta quello”. È in qualche modo simile ad avere un analista intelligente che continua a rivedere i tuoi KPI di inventario MRO. Il software include funzionalità come la valutazione degli articoli (probabilmente un punteggio di criticità o di rischio) e code di lavoro per i pianificatori ¹⁰. Questo indica che genererà un elenco di azioni consigliate per l’utente da rivedere - un modo molto pratico per gestire migliaia di parti.

Sul lato delle previsioni, IBM menziona esplicitamente la “previsione della domanda intermittente” come una capacità di MRO IO ¹⁰. Data la storia di Oniqua, è probabile che abbiano utilizzato il metodo di Croston o una variante per prevedere l’uso sporadico delle parti. Potrebbe non essere avanzato come il bootstrap di Smart, ma sta almeno affrontando la natura intermittente. Inoltre, la soluzione di IBM tiene conto della criticità, del lead time e di altro quando esamina i dati storici per trarre intuizioni ⁵⁸. Questo suggerisce uno strato analitico basato su regole: ad esempio, potrebbe evidenziare che “la parte critica X ha un lead time di 90 giorni, e non hai scorte di sicurezza - alto rischio”. Il sistema potrebbe quindi raccomandare di aumentare le scorte di X, e viceversa segnalare parti non critiche con troppo inventario.

IBM vanta anche risultati come “riduzione del 50% dei tempi di inattività non pianificati legati alle parti” e “riduzione del 40% dei costi di inventario” ⁵⁹. Queste sono affermazioni molto audaci e probabilmente rappresentano scenari ottimali. Dovremmo essere scettici: un taglio del 50% nei tempi di inattività da uno strumento è enorme - probabilmente si presume che i tempi di inattività fossero causati dalla mancanza di parti e che tu abbia risolto tutti questi casi con un migliore approvvigionamento. In una compagnia aerea ben gestita, i tempi di inattività causati dalle parti sono già ridotti (si sforzano di evitare AOG a tutti i costi). Quindi potrebbe non vedere nulla come il 50%. Allo stesso modo, una riduzione del 40% dei costi di inventario è enorme - possibile solo se l’azienda aveva troppo inventario per iniziare (comune in alcune industrie pesanti che accumulano pezzi di ricambio, ma meno in aviazione commerciale che cerca già di ottimizzare a causa dell’alto costo delle parti). Quindi questi numeri dovrebbero essere presi come outlier o punti dati scelti a caso dal marketing ⁵⁹.

Tecnologicamente, è probabile che lo strumento di IBM non utilizzi nemmeno l’IA/ML appariscente, a parte forse un po’ di riconoscimento di pattern nei dati di utilizzo. IBM come azienda fa molto con l’IA (Watson, ecc.), ma non c’è indicazione che questo livello di IA sia incorporato qui. Viene utilizzato il termine “analisi predittiva e prescrittiva” ⁶⁰, che nel gergo delle analisi spesso significa: predittivo = prevedere cosa potrebbe accadere (ad esempio, prevedere future guasti di parti o consumo), prescrittivo = suggerire azioni (ad esempio, ordinare questa parte ora, ridurre quell’ordine). Questi sono preziosi, ma possono essere fatti con modelli statistici relativamente semplici più regole aziendali. Infatti, l’approccio legacy di Oniqua era piuttosto consultivo - avrebbero impostato regole e soglie sintonizzate su ogni cliente (come se una parte non si fosse mossa in 5 anni, è in eccesso; se una parte ha causato una mancanza di stock l’anno scorso, forse aumentare le scorte). IBM ha probabilmente prodotto parte di quella logica.

Un possibile svantaggio per alcuni: IBM MRO IO potrebbe presumere che tu abbia un buon controllo sui tuoi dati di manutenzione e asset (dato che è spesso venduto con Maximo). Se un MRO di aviazione non utilizza Maximo, può comunque utilizzare MRO IO, ma l’integrazione con i loro sistemi e l’assicurazione dell’accuratezza dei dati (gerarchie di attrezzature, definizioni di asset critici, ecc.) sarà fondamentale. L’affermazione che “elimina i prerequisiti dei dati ingerendo i dati così come sono” che abbiamo visto in un concorrente (Verusen) non è qualcosa che IBM afferma esplicitamente - IBM sa che la pulizia dei dati è necessaria. Quindi aspettatevi una fase di preparazione dei dati.

La soluzione di IBM probabilmente si basa in parte sull’input dell’utente per certe cose: ad esempio, bisogna classificare le parti per criticità (go/no-go) nel sistema, impostare i lead time, i costi, ecc. L’ottimizzazione avviene quindi all’interno di questi parametri. Potrebbe non conoscere automaticamente la criticità di una parte a meno che non la alimenti. Quindi, è buono solo quanto la tua governance dei dati.

In termini di automazione, IBM IO automatizza l’analisi, non necessariamente l’esecuzione. Ti dà una lista di cose da fare; l’ordine effettivo potrebbe ancora essere fatto nel tuo ERP dai tuoi pianificatori. Questo è un po’ meno di automazione integrata rispetto, ad esempio, a uno strumento che crea direttamente le richieste di acquisto. Ma alcune aziende preferiscono questo approccio “umano nel loop” per evitare che il sistema prenda decisioni strane da solo.

Data la forza di IBM nel settore delle imprese, si può fidare che l’aspetto dell’integrazione sia ben supportato (soprattutto per il proprio Maximo o SAP con cui IBM lavora spesso). Ma ancora una volta, “plug-and-play” è improbabile - IBM o un partner probabilmente faranno un progetto abbastanza esteso per configurarlo per i tuoi processi di manutenzione e supply chain.

In sintesi, IBM MRO Inventory Optimization (Oniqua) è una robusta soluzione analitica che può portare a buoni miglioramenti, soprattutto se attualmente manca la visibilità sulle prestazioni del tuo inventario. È forte nell’identificare inefficienze evidenti (eccessi, potenziali esaurimenti di scorte) e nell’ottimizzare i frutti a portata di mano. Gestisce la domanda intermittente e la criticità attraverso metodi statistici e basati su regole, sebbene non necessariamente le tecniche AI più recenti. Per un dirigente MRO dell’aviazione, questo potrebbe essere uno strumento di miglioramento più incrementale piuttosto che un nuovo sistema AI radicale - il che potrebbe andare perfettamente bene se hai bisogno di mettere a punto le basi. Si dovrebbe applicare lo scetticismo alle grandi affermazioni di miglioramento: metti in discussione IBM su cosa significano realmente quei numeri e chiedi riferimenti simili alla tua operazione. Inoltre, assicurati che il modo di lavorare dello strumento (dashboard analitiche, ecc.) si adatti alla tua squadra - potrebbe richiedere ai tuoi pianificatori di adottare un flusso di lavoro più analitico. Se la tua cultura è pronta per questo, la soluzione di IBM può guidare sistematicamente i miglioramenti. Se ti aspettavi un AI in scatola nera che ottimizza magicamente tutto senza supervisione, questo non è (e francamente, non esiste ancora in una forma plug-and-play).

Soluzioni integrate ERP (SAP SPP e Oracle) - Strumenti integrati con limitazioni

Vale la pena discutere le opzioni dei principali fornitori di ERP in quanto sono “rilevanti” soprattutto per le organizzazioni che cercano di utilizzare le capacità del sistema esistente prima di acquistare software specializzato. SAP Service Parts Planning (SPP) e i moduli di ricambio di Oracle sono i principali.

SAP SPP: Parte della suite APO (Advanced Planning & Optimization) di SAP e ora parzialmente disponibile in SAP IBP (Integrated Business Planning), SPP è stato sviluppato in collaborazione con grandi aziende industriali a metà degli anni 2000. Include funzionalità come l’ottimizzazione dell’inventario multi-echelon, la previsione (inclusi modelli specifici di domanda intermittente) e la pianificazione dei requisiti di distribuzione per i pezzi di ricambio. SAP SPP può fare molto sulla carta: ha un metodo di previsione di Croston per la domanda intermittente (SAP lo documenta addirittura come “Strategia di previsione 80” utilizzando lo smoothing esponenziale di Croston per dimensione e intervallo) ¹². Ha anche una variante aggiornata di Croston (Croston-TSB) ⁶¹. Quindi, SAP ha incorporato metodi accademici noti per la domanda irregolare. Può anche modellare trasbordi laterali, ha una funzionalità di supersessione di parti integrate (intercambiabilità del prodotto) e può ottimizzare le scorte su una rete dati i livelli di servizio o i tassi di riempimento. Caterpillar e Ford erano influenzatori precoci, e ad un certo punto si affermava che SAP SPP avesse una funzionalità molto avanzata (alcuni analisti credevano che competesse con gli strumenti best-of-breed) ⁶².

Tuttavia, la realtà nell’aviazione è che poche compagnie aeree o MRO hanno pienamente adottato SAP SPP al suo potenziale. Un motivo è la complessità e l’esperienza richiesta. Configurare SPP significa impostare molti parametri: bisogna assegnare modelli di previsione a ogni parte (Croston per quelli veramente intermittenti, forse la media mobile per altri, ecc.), mantenere i dati principali come i flag di fase-in/fase-out, e crucialmente, decidere i livelli di servizio target per ogni parte o gruppo. SAP SPP non decide intrinsecamente quale livello di servizio hai bisogno - tu glielo dici. Spesso le aziende utilizzerebbero la classificazione ABC/XYZ per raggruppare le parti e poi assegnare un target di livello di servizio per gruppo. Questo approccio è definito dall’utente e non ottimizza veramente il trade-off. È essenzialmente un input per l’ottimizzazione. SAP calcolerà poi i requisiti di stock per raggiungere quegli input al minimo stock (questa è la parte di ottimizzazione, utilizzando forse un risolutore MILP per lo stock multi-echelon). Ma se quei target sono sbagliati, i risultati non sono ottimali a livello globale dal punto di vista economico.

Un’altra sfida è che l’interfaccia utente e l’allert di SAP per SPP non erano particolarmente user-friendly rispetto agli strumenti specializzati. È integrato nell’ambiente SAP, che è buono per l’IT ma forse non ottimo per la produttività del pianificatore. Molti hanno finito per utilizzare solo parti di esso (come solo la previsione o solo la pianificazione della distribuzione, mentre gestiscono altre cose in Excel).

In termini di stato dell’arte oggi, SAP SPP è in qualche modo congelato nel tempo. L’attenzione strategica di SAP si è spostata su IBP, e IBP per i pezzi di ricambio sta ancora cercando di raggiungere le funzionalità. Ad esempio, alcune capacità avanzate di SPP non sono inizialmente migrate su IBP. Quindi, se un MRO di aviazione è su SAP e sta considerando di utilizzare la loro pianificazione integrata, potrebbe scoprire che richiede molta personalizzazione (e possibilmente componenti aggiuntivi di terze parti) per soddisfare tutte le esigenze. Ad esempio, la gestione di BOM di riparazione casuali o la previsione dei tassi di rimozione potrebbe non essere fuori dagli schemi; si potrebbe dover creare una previsione personalizzata basata sulle ore di volo o sull’uso (alcuni utenti SAP hanno chiesto di prevedere dai driver della base installata piuttosto che dalla storia del consumo ⁶³ - indicando lacune nella funzionalità standard per la previsione specifica per MRO).

Oracle: La pianificazione dei pezzi di ricambio di Oracle (spesso tramite la Value Chain Planning della Oracle E-Business Suite o come parte di Oracle Cloud SCM) fornisce analogamente una funzionalità di base. Copre la previsione (probabilmente offrendo modelli intermittenti di Croston o simili), l’ottimizzazione dell’inventario multi-echelon e l’integrazione dell’esecuzione. Il punto di forza di Oracle potrebbe essere nell’integrazione con Oracle eAM (Enterprise Asset Management) e il suo ERP, ma non è stato evidenziato come leader in questo dominio. Oracle non ha nemmeno partecipato ad alcuni studi di benchmark sui pezzi di ricambio ⁶⁴, suggerendo che non è spinto aggressivamente. Probabilmente funziona sufficientemente se configurato bene, ma come SAP, si basa su metodi classici e pesanti preparazioni dei dati. L’approccio di Oracle è tipicamente deterministico a meno che non si licenzi un pacchetto di ottimizzazione - può fare cose come calcolare uno stock di sicurezza basato su un livello di confidenza assumendo una certa distribuzione (spesso normale o Poisson). Ma aspettarsi che il sistema di Oracle si auto-regoli o utilizzi l’apprendimento automatico sarebbe irrealistico.

Problemi comuni (SAP/Oracle): Entrambe le soluzioni ERP soffrono del fatto che il MRO dell’aviazione non è adatto a tutti. Questi sistemi sono generici, quindi per catturare qualcosa come “parte go-if che può differire la sostituzione per 30 giorni” non è un parametro standard che si può attivare - bisognerebbe incorporare quella logica manualmente (forse dicendo che il livello di servizio per quella parte può essere un po’ più basso, ecc.). La personalizzazione per modellare veramente il programma di manutenzione di una compagnia aerea può essere estesa. Ad esempio, la modellazione di BOM di manutenzione casuali in SAP potrebbe comportare l’alimentazione di programmi di manutenzione pianificati come domande dipendenti e non pianificati come domande statistiche, ecc. È fattibile, ma complesso.

Inoltre, sovraccarico di impostazioni definite dall’utente: in un SAP o Oracle, i pianificatori potrebbero dover mantenere molte impostazioni - come periodi di revisione, regole di lotto, stock di sicurezza minimi, ecc., perché altrimenti il sistema potrebbe non comportarsi come desiderato. Ognuna di queste impostazioni è un’opportunità per errori o scelte subottimali. Questa dipendenza dalla configurazione manuale dell’utente è esattamente ciò che le soluzioni più avanzate cercano di eliminare tramite l’automazione.

Vantaggio dell’integrazione: Se già si utilizza SAP o Oracle, l’uso del loro modulo significa nessuna pesante integrazione dei dati principali - è tutto in un unico sistema. Questo è un vantaggio (nessuna latenza dei dati, nessun problema di riconciliazione). Tuttavia, ironicamente, le aziende spesso scoprono che hanno ancora bisogno di costruire interfacce - ad esempio, per estrarre dati in uno strumento di previsione (come Smart) o un data warehouse personalizzato per fare cose che il modulo del loro ERP non poteva fare. Quindi il vantaggio dell’integrazione può essere annullato se lo strumento integrato non è completamente all’altezza del compito e lo si integra con altri strumenti.

In una visione scettica, le affermazioni di SAP e Oracle (quando affermano) sono di solito moderate; non lanciano spesso grandi miglioramenti percentuali pubblicamente, perché sanno che dipende dall’implementazione. La tecnologia in questi sistemi è solida ma non all’avanguardia - si tratta in gran parte di metodi accademici della fine del XX secolo implementati in software. Mancano anche del buzz AI/ML (a parte SAP che inizia a parlare di “MRP guidato dalla domanda con apprendimento automatico” in altri contesti, ma non specificamente nella pianificazione dei ricambi).

Per un dirigente MRO, la conclusione è: se già si dispone di questi, si potrebbe cercare di sfruttarli, ma bisogna essere preparati per un possibile lungo percorso di ottimizzazione e forse non raggiungere il livello di prestazioni che gli strumenti specializzati potrebbero offrire. D’altra parte, comportano un minor rischio del fornitore (sono SAP/Oracle, saranno presenti, ed è tutto in un unico sistema). Uno studio scettico concluderebbe che mentre le soluzioni SAP e Oracle sono rilevanti, generalmente sono indietro rispetto ai fornitori specializzati sia in termini di automazione che di sofisticazione. Servono come punto di partenza, e molte compagnie aeree che li utilizzano finiscono per integrarli o sostituirli con uno degli strumenti specialistici sopra menzionati per ottimizzare veramente la loro supply chain MRO.

Nuovi Attori AI (ad es. Verusen) - Dal Buzzword alla Realità

Nessuno studio di mercato nel 2025 sarebbe completo senza menzionare la nuova ondata di startup e soluzioni guidate dall’IA che stanno emergendo per l’ottimizzazione della supply chain. Nello spazio MRO, un esempio è Verusen, che si presenta come “L’unica piattaforma AI costruita appositamente per ottimizzare l’inventario, la spesa e il rischio per la supply chain MRO dei produttori ad alta intensità di attività” ⁶⁵. Questa affermazione audace scatena immediatamente lo scetticismo - “unica piattaforma AI” è ovviamente un iperbole di marketing (come abbiamo visto, molti player consolidati rivendicano anche l’IA in diverse forme).

L’approccio di Verusen, basato sui loro materiali, si concentra molto sull’ingestione e la pulizia dei dati. Mettono in evidenza cose come “l’ingestione dei dati così come sono dai sistemi ERP/EAM” e l’applicazione dell’IA per identificare i materiali duplicati e consolidare i dati ⁶⁶. Questo affronta un problema reale: i dati MRO sono spesso disordinati (stessa parte registrata con nomi leggermente diversi, ecc.). Verusen utilizza l’apprendimento automatico (probabilmente NLP e pattern matching) per razionalizzare i dati principali dei materiali. Questo è prezioso come precursore dell’ottimizzazione - se i tuoi dati sono un disastro, anche il miglior algoritmo non può aiutare. Quindi, Verusen sembra concentrarsi sulla costruzione di una singola fonte accurata di verità per le parti e poi sulla ricerca di opportunità di ottimizzazione (come l’identificazione di sovrastocchi tra le piante che potrebbero essere condivisi, o la riduzione delle scorte di sicurezza dove c’è un’eccessiva offerta).

Dove Verusen e simili nuovi entranti sono leggeri è la profondità comprovata negli algoritmi di previsione e inventario. Menzionano l’IA in modo generale ma non specifico. Si potrebbe supporre che utilizzino modelli ML generici per prevedere l’uso (forse una sorta di rete neurale che guarda al consumo e ad altri fattori). Senza dettagli, dobbiamo essere cauti. Nella supply chain, molte startup hanno provato la previsione ML pura e hanno scoperto che non batte facilmente i modelli statistici ben sintonizzati per la domanda intermittente (che è molto difficile da prevedere per l’ML standard a causa dei tanti zeri).

Verusen sottolinea anche di essere basato sul cloud e di essere veloce da integrare - implicando una promessa di più “plug-and-play” rispetto ai fornitori più vecchi. Tuttavia, qui lanciamo un forte avvertimento: Indipendentemente dalla piattaforma, collegarsi all’ERP di un’azienda e ottenere tutti i dati MRO pertinenti non è mai veramente plug-and-play. Ogni sistema ERP o MRO ha campi personalizzati, estensioni, e i dati spesso necessitano di pulizia (parti duplicate, tempi di consegna mancanti, ecc.). La proposta di Verusen di ingerire dati “così come sono” ⁶⁷ è interessante - suggerisce che la loro IA può lavorare attraverso il rumore. Forse può raggruppare elementi simili per rivelare duplicati o stimare i tempi di consegna mancanti dal contesto. Queste sono caratteristiche interessanti, ma un dirigente dovrebbe chiedere la prova che l’IA lo fa bene. Non si vuole che un algoritmo decida che due numeri di parte sono duplicati quando in realtà sono parti critiche diverse.

La visione scettica sui nuovi attori dell’IA: portano idee fresche e spesso interfacce user-friendly (UX moderna, cruscotti). Potrebbero risolvere alcuni problemi secondari come la qualità dei dati e l’analisi what-if facile. Ma a volte mancano della conoscenza del dominio duramente guadagnata incorporata nelle soluzioni più vecchie. Una startup di IA potrebbe non sapere che “la parte ABC non è adatta per il volo ma può essere differita di 3 giorni se necessario” a meno che non glielo si dica esplicitamente; mentre uno strumento specifico del dominio potrebbe avere quella logica. Quindi, qualsiasi nuovo arrivato dell’IA dovrebbe essere pressato su come tiene conto dei requisiti specifici per l’aviazione: durata, vincoli di certificazione, conformità normativa (non si può semplicemente usare qualsiasi parte alternativa senza la corretta documentazione, ecc.), tra gli altri.

Detto questo, alcuni nuovi attori potrebbero collaborare con esperti del settore o assumere ex pianificatori MRO per costruire regole. Non è impossibile per loro recuperare, ma è qualcosa da verificare, non da presumere.

Altri notevoli nuovi approcci includono l’utilizzo di IoT e dati di manutenzione predittiva direttamente per la pianificazione dell’inventario (alcune soluzioni utilizzano dati dei sensori per prevedere guasti delle parti, poi legano ciò alle esigenze di inventario). Quest’area è in evoluzione e spesso arriva attraverso sistemi di previsione della manutenzione piuttosto che sistemi di inventario. Ma la convergenza sta avvenendo - ad esempio, il software di manutenzione predittiva di un produttore di motori potrebbe raccomandare di tenere in magazzino certi moduli in certi luoghi perché “vede” un aumento del rischio di guasto. I dirigenti MRO dovrebbero essere consapevoli che il panorama potrebbe vedere più integrazione verticale (OEM che offrono servizi end-to-end compresa l’ottimizzazione dell’inventario, utilizzando i loro dati sull’attrezzatura).

In sostanza, tenete d’occhio le startup che rivendicano AI/ML per MRO - potrebbero offrire un pezzo del puzzle o addirittura integrarsi con uno degli strumenti più grandi (ad esempio, un AI di pulizia dei dati che si alimenta in un Lokad o Servigistics). Mantenete lo scetticismo sulle loro affermazioni audaci fino a quando non possono dimostrare i risultati. Spesso, i piccoli nuovi fornitori hanno studi di caso limitati e questi potrebbero essere progetti pilota, non implementazioni complete.

Si dovrebbe anche considerare come questi nuovi sistemi coesisteranno con i processi estesi e i sistemi legacy nell’aviazione. Uno strumento AI appariscente che non può facilmente esportare i suoi risultati al vostro ERP esistente per l’esecuzione, o che non registra le decisioni per l’audit (importante nella conformità dell’aviazione), incontrerà ostacoli. I dirigenti vorranno vedere che qualsiasi strumento di questo tipo può integrarsi nel flusso di lavoro (che potrebbe ironicamente richiedere tanto sforzo di integrazione quanto qualsiasi altro software).

Conclusione e Raccomandazioni

Questo studio di mercato scettico rivela un ecosistema di soluzioni che tentano ciascuna di risolvere le sfidanti sfide di ottimizzazione delle parti di ricambio MRO per l’aviazione. Nessuna soluzione è una bacchetta magica, e le promesse elevate dovrebbero sempre essere interrogate con domande tecniche e prove pilota.

Tuttavia, ci sono tecniche all’avanguardia disponibili: la previsione probabilistica, l’ottimizzazione multi-echelon, e l’IA/ML per il riconoscimento dei pattern possono migliorare significativamente le prestazioni se correttamente implementate. Fornitori come Lokad stanno spingendo la frontiera su questi metodi specificamente per l’aviazione, mentre giganti come PTC Servigistics e Syncron incorporano molte caratteristiche avanzate sebbene dietro un linguaggio di marketing più opaco. ToolsGroup, Baxter, Smart, e altri portano forti competenze che, se allineate con le esigenze della vostra organizzazione, possono portare grandi benefici - purché non li accendiate e vi aspettiate magie. La maturità del processo interno e la qualità dei dati rimangono cruciali.

Un tema ricorrente è il compromesso tra automazione e controllo dell’utente. I sistemi altamente automatizzati, guidati dall’IA, possono gestire scala e complessità (decine di migliaia di P/N) ma possono sembrare una “scatola nera”. I sistemi più vecchi o più manuali danno agli utenti più leve ma a costo di una complessità travolgente per i grandi cataloghi. L’ideale sembra essere un sistema che automatizza il lavoro pesante (previsione, calcolo del stock ottimale) ma fornisce trasparenza e capacità di override per i pianificatori sulle eccezioni. Quando valutano i fornitori, gli esecutivi MRO dovrebbero chiedere: Il sistema si adatta automaticamente ai cambiamenti della domanda/del tempo di consegna, o richiede che io modifichi le impostazioni? Se un fornitore si appoggia a voi per mantenere molte regole min/max o di classificazione, è un segno di tecnologia più debole (o almeno, non utilizzando la tecnologia pienamente).

Siate molto scettici nei confronti di qualsiasi fornitore che vanta una “integrazione plug-and-play” nei vostri sistemi MRO. I paesaggi IT MRO dell’aviazione sono eterogenei - che usiate AMOS, TRAX, Ultramain, Maximo, SAP, o qualcosa di fatto in casa, l’integrazione di uno strumento di ottimizzazione richiederà la mappatura dei campi dei dati e probabilmente la pulizia dei dati. Un fornitore che afferma di poter implementare in poche settimane con un minimo sforzo IT sta probabilmente sottostimando il lavoro o assumendo un ambito molto ristretto. È saggio prevedere tempo per l’integrazione e i test, e coinvolgere i vostri informatici in anticipo per verificare la veridicità di queste affermazioni.

Un altro segnale di allarme da tenere d’occhio è la dipendenza da studi di caso o rapporti di analisti che sembrano troppo belli per essere veri. Molti studi di caso non menzionano le sfide o il punto di partenza. Ad esempio, “l’inventario è stato ridotto del 30%” potrebbe sembrare grande, ma se l’azienda in origine non aveva un sistema di pianificazione, allora il 30% potrebbe essere raggiunto da qualsiasi decente miglioramento del processo. Allo stesso modo, “il livello di servizio è migliorato al 99%” potrebbe significare che hanno sovrastoccato. Scavate sempre più a fondo: chiedete le metriche prima vs dopo nel contesto, e ancora meglio, parlate direttamente con i clienti di riferimento se possibile piuttosto che fidarvi di citazioni lucidate.

D’altra parte, quando i fornitori forniscono dettagli ingegneristici specifici o metodologie, è un buon segno. Significa che hanno metodi concreti piuttosto che solo buzz. Ad esempio, Smart Software che spiega apertamente il loro metodo di bootstrap ⁸, o Lokad che discute la programmazione differenziabile, mostra sostanza. I fornitori che si limitano a lanciare “AI/ML” senza spiegare come si applica al problema probabilmente si aspettano che gli acquirenti non lo mettano in discussione - ma dovreste assolutamente farlo. Fate loro spiegare, ad esempio, come il loro apprendimento automatico gestisce una parte che ha zero utilizzo per la maggior parte dei mesi e poi un bisogno improvviso - quali input usa l’ML? Se rispondono con gergo e senza chiarezza, siate cauti. Se riescono a articolare, diciamo, “raggruppiamo parti simili e usiamo un modello bayesiano che combina le ore operative della flotta con le rimozioni storiche”, allora almeno hanno un approccio.

In sintesi, per gli esecutivi MRO che valutano queste soluzioni:

• Abbinare lo strumento al vostro problema: Se soffrite di variabilità della domanda selvaggia e mancanza di stock, date priorità ai fornitori con previsioni probabilistiche comprovate (Lokad, ToolsGroup, Smart, Syncron in una certa misura). Se il vostro problema è l’eccesso di inventario e la mancanza di visibilità, uno strumento di analisi prescrittiva (IBM/Oniqua o Baxter) potrebbe essere sufficiente per tagliare il grasso.
• Valutare le capacità del vostro team: Un sistema molto avanzato richiede pianificatori/analisti qualificati per interagire con esso (o gli esperti del fornitore per supportarvi). Un sistema più semplice potrebbe essere gestito da un team snello ma potrebbe non spremere ogni centesimo di ottimizzazione.
• Pianificare il lavoro sui dati e l’integrazione: Qualunque sia il software, investite nella pulizia dei master delle parti, dei dati di utilizzo, e nell’istituzione di interfacce. È meno sexy dell’IA, ma fondamentale.
• Pilotare e verificare: Eseguire un pilot su un sottoinsieme di parti o una località. Vedere se gli algoritmi sofisticati del fornitore producono effettivamente raccomandazioni sensate (ad es., nessuna scorta di una parte critica? o enorme scorta di qualcosa di economico?). Verificare la loro ottimizzazione simulando scenari. Un buon fornitore lavorerà con voi su questo; uno instabile eviterà troppa attenzione.

Il problema dell’inventario MRO dell’aviazione è spesso descritto come “maddeningly challenging” ⁶⁸ – infatti lo è. Ma gli strumenti di oggi stanno rispondendo a questa sfida. Tagliando attraverso l’hype e concentrandosi su capacità verificabili, un MRO può scegliere una soluzione che ottimizza veramente la gestione delle loro parti, fornendo miglioramenti tangibili di affidabilità e risparmi di costi. Ricordate solo il motto dello scettico: in Dio confidiamo, tutti gli altri – portate dati. Ogni fornitore dovrebbe essere in grado di mostrare dati a sostegno delle loro affermazioni nel contesto della vostra operazione. Con quella dovuta diligenza, potete trovare un partner software che va oltre le promesse di marketing al successo reale nel vostro supply chain.

Note a piè di pagina