Software di ottimizzazione per la manutenzione, riparazione e revisione dell'aviazione, febbraio 2025

Ultima modifica: 2 febbraio 2025

Introduzione

Le catene di approvvigionamento per la manutenzione, riparazione e revisione (MRO) dell’aviazione affrontano una complessità estrema. Le compagnie aeree e i fornitori MRO gestiscono inventari di parti a coda lunga con domanda intermittente e scarsa e tempi di consegna e prezzi altamente variabili. Guasti imprevedibili e BOM casuali per le riparazioni significano che l’utilizzo può aumentare improvvisamente senza preavviso. Le parti spesso hanno cicli di vita rigorosi (ad es. cicli massimi o ore di volo) e classificazioni di criticità (“parti non utilizzabili” che fermano gli aeromobili rispetto a elementi “utilizzabili se” o rimandabili). Questi fattori rendono le decisioni di previsione e di stoccaggio notoriamente difficili: un delicato equilibrio tra evitare incidenti AOG (aeromobili a terra) e minimizzare l’eccesso di inventario.

Diversi fornitori di software affermano di risolvere queste sfide con strumenti di ottimizzazione specializzati. Questo studio esamina in modo critico e approfondito le principali soluzioni di “ottimizzazione MRO dell’aviazione”. Valuteremo in modo critico la tecnologia di ciascun fornitore: forniscono veramente capacità all’avanguardia come previsioni probabilistiche (sia per la domanda che per i tempi di consegna), ottimizzazione economica (massimizzazione del rapporto qualità-prezzo nelle decisioni di inventario) e alta automazione per far fronte a decine o centinaia di migliaia di numeri di parte? Le affermazioni di marketing sulle migliorie “guidate da AI/ML” - come percentuali di riduzione dell’inventario drammatiche o aumenti del livello di servizio - saranno esaminate per verificare la loro sostanza. Cerchiamo specificamente prove di ingegneria avanzata (o della mancanza di essa) dietro queste affermazioni e se gli strumenti si basano su analisi automatizzate rispetto a fastidiosi parametri definiti dall’utente. Infine, consideriamo le realtà dell’integrazione nel caotico panorama IT della manutenzione, riparazione e revisione dell’aviazione, mettendo in discussione eventuali affermazioni di “plug-and-play”.

L’obiettivo è fornire ai dirigenti MRO con una propensione tecnologica una panoramica dettagliata e senza fronzoli delle offerte del mercato - separando l’innovazione genuina dai luoghi comuni.

Classifiche dei fornitori (Sommario)

1. Lokad – Previsioni probabilistiche e automazione di alto livello per l’aviazione. Lokad si distingue per tecnologie all’avanguardia come previsioni probabilistiche della domanda/dei tempi di consegna e programmazione differenziabile, sviluppate appositamente attraverso anni di R&S nell’aviazione ¹. Sottolinea l’ottimizzazione economica (costo vs. servizio) e la minima regolazione manuale, rendendolo un leader per la pianificazione degli inventari MRO veramente all’avanguardia.

2. PTC Servigistics – Suite legacy completa con miglioramenti moderni. Servigistics offre il set di funzionalità più ampio (ottimizzazione multi-ecolone, previsioni avanzate, integrazione IoT) ed è ampiamente utilizzato nel settore aerospaziale e della difesa ². Applica “AI/ML” sotto il cofano e gestisce scenari complessi, anche se alcuni algoritmi risalgono a decenni di sviluppo. Molto potente, ma la sua complessità può significare una configurazione più pesante e una maggiore dipendenza da una configurazione esperta.

3. Syncron – Specialista in 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 per l’aviazione. Si vanta di AI, machine learning e simulazioni avanzate per gestire modelli di domanda complessi e intermittenti ³. Le funzionalità probabilistiche stanno emergendo e si concentra sull’ottimizzazione economica degli stock, anche se la profondità delle particolarità specifiche dell’aviazione è ancora in evoluzione (storicamente forte nel mercato dei ricambi OEM).

4. ToolsGroup (SO99+) – Modellazione stocastica comprovata, ma narrazione “AI” invecchiata. ToolsGroup è stato un pioniere nella previsione della domanda intermittente e nell’ottimizzazione degli inventari multi-ecolone 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 sia in gran parte statistica tradizionale (modelli pre-2000) con alcuni aggiornamenti ⁵. Tuttavia, offre un’automazione solida per la pianificazione su larga scala delle parti.

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 livelli di stock ottimali sia per i rotables che per i consumabili anche in presenza di domande non programmate (casuali) e reti multi-sito ⁶. Incorpora conoscenze operative (ad es. dati di affidabilità) nel modello e affina continuamente le raccomandazioni. La forza specifica del settore è elevata, anche se l’azienda è più piccola e i dettagli tecnologici (AI/ML) sono meno enfatizzati pubblicamente.

6. Baxter Planning (Prophet by Baxter) – Fondamenti della pianificazione delle parti di servizio con focus sui costi. La soluzione di Baxter copre la previsione, la pianificazione degli stock e il rifornimento automatizzato. Utilizza un approccio di “Ottimizzazione del costo totale” che tiene conto della criticità della parte, della posizione e dell’urgenza del cliente per bilanciare servizio e costo ⁷. È uno strumento solido e pragmatico (più di 20 anni nel settore delle parti di servizio), anche se si basa più su metodi di previsione tradizionali e parametri definiti dall’utente che sull’automazione guidata dall’AI.

7. Smart Software (Smart IP&O) – Motore avanzato di previsione della domanda intermittente. Smart Software è noto per la previsione probabilistica delle parti di ricambio utilizzando un metodo di bootstrap brevettato ⁸. Genera migliaia di scenari di domanda per catturare la variabilità, producendo una distribuzione completa accurata della domanda nel tempo di conduzione. Ciò si traduce in livelli di stock ottimizzati per le parti intermittenti. Tuttavia, il focus di Smart è sulla previsione e sui calcoli degli stock di sicurezza; è una soluzione più limitata (spesso integrata con un ERP) piuttosto che una piattaforma MRO completa end-to-end. L’integrazione e lo sforzo dell’utente per agire sulle sue previsioni sono ancora necessari.

8. IBM (MRO Inventory Optimization, precedentemente Oniqua) – Focus sull’industria intensiva di asset guidato dall’analisi. MRO IO di IBM (acquisito da Oniqua) è una piattaforma cloud che combina analisi statistiche, analisi prescrittive e ottimizzazione per i ricambi di manutenzione ⁹. Affronta la domanda intermittente con previsioni integrate e raccomandazioni basate sulla criticità, mirando a ridurre al minimo 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. Anche se utilizza un certo grado di automazione, l’approccio tende più verso i cruscotti di supporto decisionale - richiedendo agli utenti di esaminare le informazioni (ad es. per criticità, tempo di conduzione) e agire ¹¹. La sua tecnologia è solida ma non vistosa - più analisi approfondite che “magia dell’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 una configurazione complessa. La soluzione di pianificazione delle parti di servizio di SAP (parte di SAP SCM/APO, ora in transizione in IBP) offre ottimizzazione degli inventari multi-ecolone e supporta metodi come il Croston per la domanda intermittente ¹². In teoria può gestire la complessità su scala aviazione e alcuni grandi OEM hanno contribuito a plasmare la sua funzionalità. Nella pratica, SAP SPP richiede impostazioni definite dall’utente estese (selezione dei modelli di previsione, obiettivi di classe di servizio, ecc.) e una personalizzazione significativa per adattarsi alle esigenze dell’aviazione. Di solito è meno automatizzato - i pianificatori devono configurare i parametri (ad es. codici del ciclo di vita, catene di sostituzione, min/max) piuttosto che il sistema impari automaticamente. Come opzione integrata con l’ERP, è affidabile ma non all’avanguardia dell’innovazione algoritmica.

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

Successivamente, approfondiremo l’analisi dettagliata della tecnologia, delle capacità e delle affermazioni di ciascun fornitore, evidenziando dove eccellono e dove è giustificato lo scetticismo.

Lokad – “Catena di approvvigionamento quantitativa” probabilistica per l’aviazione

Lokad è un nuovo entrante (fondato negli anni 2010) che si è concentrato aggressivamente sull’ottimizzazione aerospaziale e 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 ciò che definiscono “ottimizzazione predittiva”. Invece di prevedere la domanda a un singolo punto, Lokad modella l’intera distribuzione di probabilità della domanda, dei tempi di consegna e persino dei tassi di rottura delle parti ¹. Questo è cruciale per l’alta incertezza dell’aviazione: ad esempio, una parte può di solito durare 5.000 ore ma occasionalmente fallire molto prima - un modello probabilistico cattura quel rischio. Lokad calcola quindi politiche di stoccaggio che minimizzano il costo totale (costi di mantenimento, costi di esaurimento delle scorte, penalità AOG) date quelle incertezze.

Un aspetto eccezionale della tecnologia di Lokad è la programmazione differenziabile ¹. Questo significa essenzialmente che utilizzano tecniche di apprendimento automatico per “imparare” dai complessi modelli di dati della catena di approvvigionamento. 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 anziché regole fisse. Lokad sostiene che ciò consente di estrarre automaticamente modelli dai dati che formule tradizionali codificate duramente potrebbero non cogliere ¹. È un concetto innovativo nella catena di approvvigionamento e, sebbene sia difficile da verificare esternamente, indica un serio impegno oltre le parole di moda.

È importante notare che Lokad fornisce dettagli ingegneristici sul loro approccio - un cambiamento rinfrescante rispetto alle vaghe affermazioni sull’IA. In un comunicato stampa con Revima (un MRO di APU/Landing Gear), menzionano esplicitamente previsioni probabilistiche per la domanda, i tempi di consegna e le scarti, combinati con la programmazione differenziabile per modellare processi di riparazione complessi ^{1 1}. Si tratta di tecniche concrete, non solo parole di marketing. Il fatto che il CEO di Lokad sia un blogger attivo sulla matematica della catena di approvvigionamento aggiunge credibilità (criticano frequentemente i metodi tradizionali e pubblicano persino confronti).

Dal 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 ingesta continuamente dati (ad esempio transazioni giornaliere di parti, rimozioni, ecc.) e rigenera raccomandazioni sui livelli di stock, ordini di acquisto, prioritizzazione degli ordini di riparazione, ecc., con un intervento manuale minimo. È progettato per gestire decine o centinaia di migliaia di P/N consentendo agli algoritmi di calcolare politiche ottimali per ciascuno, anziché ai pianificatori di mantenere migliaia di impostazioni min/max. Un dirigente di un’azienda di MRO dell’aviazione conferma che “Lokad ha fornito gli strumenti e il supporto giusti per… ridurre l’incertezza incorporando un approccio probabilistico,” raggiungendo obiettivi di fill rate impegnativi con un rischio ridotto ¹⁴.

Lokad è anche sincero riguardo all’integrazione: non promuovono una fantasia pura di “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, ponderandoli in base a quale sia più predittivo per ciascuna parte ^{15 16}. Questo livello di dettaglio - utilizzando più fonti di dati per triangolare - mostra una comprensione avanzata delle specificità dell’aviazione (ad esempio, utilizzando i dati dell’OEM quando i dati in servizio sono scarsi, e viceversa).

Punto di vista scettico: Le affermazioni di Lokad sono generalmente supportate da prove (studi di caso con Air France KLM, Revima, ecc., e blog tecnici dettagliati). Bisogna comunque porre domande difficili: ad esempio, quanto è facile per un tipico MRO 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 inizialmente molto orientato alla consulenza piuttosto che al software puro. Inoltre, mentre i modelli probabilistici sono ideali per la domanda intermittente, la loro accuratezza dipende dalla qualità dei dati - spazzatura in entrata, spazzatura sofisticata in uscita rimane un rischio. I risultati di Lokad come “inventario ridotto del 60%” in un caso ¹⁷ dovrebbero essere accolti con sana scetticismo - tali risultati potrebbero essere eccezionali o misurati rispetto a una base molto scarsa. Tuttavia, tra i fornitori, Lokad sembra spingere di più sull’attuale scienza delle previsioni 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 ciascuna parte. Questo livello di automazione e rigore probabilistico lo rende una scelta di alto livello per coloro che sono disposti ad abbracciare una soluzione più recente.

PTC Servigistics - Campione dei pesi massimi con tecnologia aggiornata

Servigistics è il veterano in questo settore - la sua discendenza risale attraverso pionieri del settore (Xelus, MCA Solutions) che sono stati incorporati in Servigistics, e poi acquisiti da PTC nel 2012 ¹⁸. È di gran lunga il software più ampiamente implementato di Gestione dei pezzi di ricambio (SPM) tra le grandi organizzazioni aerospaziali e della difesa. Qantas, Boeing, Lockheed Martin, la U.S. Air Force - tali nomi appaiono spesso come utenti di Servigistics ¹⁹. Con tale pedigree, Servigistics pone un alto standard in termini di ampiezza e profondità delle funzionalità.

Dal punto di vista delle capacità, Servigistics elenca praticamente ogni funzione che un team di manutenzione, riparazione e revisione o di logistica post-vendita potrebbe desiderare: previsione della domanda specializzata per domanda a basso volume e sporadica, ottimizzazione dell’inventario multi-livello (posizionamento delle scorte tra, ad esempio, magazzino centrale, basi avanzate, officina di riparazione, ecc.), pianificazione degli approvvigionamenti multi-sorgente, decisioni di riparazione vs. acquisto, e persino un modulo integrato di determinazione dei prezzi dei pezzi ²⁰. In particolare, PTC ha esteso Servigistics anche tramite l’integrazione IoT - utilizzando la loro piattaforma ThingWorx per inserire dati da attrezzature connesse (ad es. dati di utilizzo o sensori da aeromobili/motori) per prevedere guasti di parti a vita limitata e pianificare sostituzioni in modo proattivo ^{21 22}. Questo inizia ad affrontare il problema del “BOM casuale” prevedendo rimozioni di parti basate sul monitoraggio effettivo delle condizioni, non solo su statistiche storiche.

Servigistics afferma di incorporare la moderna scienza dei dati: “i moduli di previsione, ottimizzazione e analisi sfruttano l’IA, il machine learning e i big data” ²³. Tuttavia, i dettagli su come esattamente l’IA/ML venga utilizzata sono scarsi nei materiali pubblici. Date le 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 della collaborazione 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 “Gestione dei pezzi di ricambio”) sono più ricerca operativa (ottimizzazione matematica) che machine learning - il che va bene, spesso ottimale per questi problemi. L’ “IA/ML” potrebbe essere più un involucro recente - probabilmente utilizzando il machine learning per cose come il rilevamento di anomalie nella domanda, o la classificazione delle parti (ad es. raggruppando modelli di domanda simili), piuttosto che la previsione di base. Bisogna essere un po’ scettici sul fatto che Servigistics sia improvvisamente diventata una piattaforma “AI”; è più correttamente una piattaforma OR (Operations Research) molto sofisticata con alcune nuove funzionalità abilitate dall’IA ai margini.

Previsione probabilistica: Servigistics lo fa? Storicamente, poteva produrre una distribuzione della domanda per ogni parte (ad esempio, tramite bootstrap o adattamento di distribuzioni statistiche predefinite) 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 sedi). La documentazione di PTC fa riferimento ai “tipi di distribuzioni di probabilità utilizzate” nelle decisioni di stoccaggio ²⁵, implicando che il sistema consideri più di una singola previsione media. Possiamo ragionevolmente presumere 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 vengono apprese automaticamente o selezionate tramite regole. In Servigistics, un pianificatore imposta tipicamente ciascuna parte su un metodo di previsione (o il sistema seleziona automaticamente da un insieme di metodi) e quindi sceglie obiettivi di livello di servizio. È possibile una grande quantità di politiche definite dall’utente - ad esempio, i pianificatori possono suddividere le parti per criticità o valore e assegnare diversi obiettivi di tasso 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 si inseriscono quei 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 non essenziali, 80% per le parti essenziali”). Soluzioni veramente ottimali calcolerebbero dinamicamente questi compromessi. Non è chiaro se Servigistics abbia un’ “ottimizzazione del livello di servizio” automatizzata che, ad esempio, massimizzi la disponibilità complessiva per un determinato 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 flusso di riparazione e considerare i tempi di attesa e i rendimenti. La nuova estensione “Connected Forecasting” prevede esplicitamente la rimozione delle parti come le parti a vita limitata (LLP) in base alla loro vita residua e ai dati sull’utilizzo ²⁷ - una capacità molto importante nell’aviazione dove si sa che una parte avrà bisogno di essere sostituita dopo X cicli. Questo aiuta a mitigare la domanda erratiche inserendo alcuni segnali deterministici (ad esempio, rimozioni programmate) nella previsione.

Sull’integrazione: PTC ha collaborato con importanti fornitori di ERP MRO come IFS e Trax per integrare Servigistics ²⁸. Tuttavia, integrare un tale strumento completo con il sistema di manutenzione di una compagnia aerea è un progetto importante (spesso 6-12+ mesi). Eventuali affermazioni di “plug-and-play” da parte delle vendite dovrebbero essere prese con beneficio di inventario. In realtà, è necessario mappare decine di campi dati (dati sulla base installata, cataloghi delle parti, BOM per le attività di manutenzione, dati sul 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 chiave di scetticismo: Servigistics è estremamente potente, ma è facile trarne valore? Molte installazioni legacy finiscono per essere sottoutilizzate, utilizzando solo funzionalità di base (come la pianificazione a singolo livello con set di scorte di sicurezza) perché l’ottimizzazione completa può essere travolgente senza utenti esperti. Vale la pena indagare con un fornitore su quanto automatizzato sia realmente il sistema in pratica - ad esempio, rileva automaticamente una variazione nella variabilità dei tempi di attesa e regola i punti di riordino, o è necessario l’intervento di un pianificatore? La presenza di molti “parametri di pianificazione” suggerisce che sia possibile effettuare molte regolazioni ²⁹, il che può essere positivo o negativo. Ad esempio, Servigistics consente di sovrascrivere il QDM calcolato o forzare determinati periodi di previsione ²⁹, il che lascia intendere che i calcoli standard potrebbero non sempre essere affidabili per gli utenti.

In sintesi, Servigistics è l’opzione più ricca di funzionalità ed è evoluta per includere elementi moderni (dati IoT, un po’ di intelligenza artificiale). Fornisce capacità all’avanguardia, ma se fornisce soluzioni all’avanguardia dipende dall’esecuzione - un’area su cui essere cauti. Per un MRO con le risorse per implementarlo completamente, può garantire un’eccellente performance (è stato riportato un’efficienza del 94% delle parti presso Qantas ³⁰). Ma le operazioni più piccole potrebbero trovarlo troppo pesante. Le sue affermazioni di marketing (leader in ogni rapporto degli analisti, ecc.) sono tipiche e in parte vere date le quote di mercato, ma i potenziali acquirenti dovrebbero guardare oltre i riconoscimenti e assicurarsi di avere la maturità dei processi per sfruttare questo strumento potente ma complesso.

Syncron - Pianificazione dei pezzi di ricambio per il servizio basata su cloud con promesse di IA

Syncron è un altro attore importante, che arriva da un’angolazione diversa - ha iniziato con i pezzi di ricambio post-vendita dei produttori (specialmente nel settore automobilistico e delle macchine industriali) e si è espanso nel settore aerospaziale/difesa negli ultimi anni. La proposta di valore di Syncron si concentra su una piattaforma basata su cloud, progettata appositamente per i pezzi di ricambio, che combina diversi moduli (ottimizzazione dell’inventario, ottimizzazione dei prezzi e persino un modulo di previsione dell’uptime basato su IoT) ^{31 32}. Nel contesto della manutenzione MRO dell’aviazione, Syncron sta guadagnando terreno - ad esempio, ATR (il costruttore di aeromobili regionali) ha recentemente scelto Syncron per la gestione dell’inventario in tutto il suo supporto globale alla flotta ^{33 3}.

Tecnologicamente, Syncron pubblicizza l’uso di IA, apprendimento automatico e analisi avanzate nella sua soluzione di pianificazione dei pezzi ³. Concretamente, menzionano che il software “monitora le tendenze della domanda e configura simulazioni avanzate per pianificare e prevedere le esigenze di servizio dei pezzi” ³. Questo suggerisce che Syncron utilizzi una forma di simulazione Monte Carlo o pianificazione probabilistica, generando probabilmente scenari di domanda e offerta per ottimizzare lo stock. In uno studio di mercato IDC MarketScape, Syncron è stato notato per “riapprovvigionamento dinamico, pianificazione/previsione probabilistica” tra i suoi punti di forza ³⁴, indicando che non utilizza solo metodi deterministici o basati su regole. A differenza di alcuni strumenti più vecchi, il fatto che Syncron sia nativo del cloud significa che può elaborare grandi set di dati ed eseguire estese simulazioni sullo sfondo 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 attività come un servizio. In termini pratici, la piattaforma Syncron collega la previsione dei pezzi di ricambio con input di gestione del servizio sul campo e segnali di manutenzione predittiva IoT (tramite il loro modulo Uptime™). Per l’aviazione, ciò potrebbe significare utilizzare i dati di monitoraggio dello stato di salute dell’aeromobile per anticipare la domanda di pezzi. È simile nel concetto a ciò 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 il power-by-the-hour nell’aviazione, dove la disponibilità è tutto.

In termini di ottimizzazione, Syncron ottimizza l’inventario bilanciando la disponibilità rispetto al costo. Affermano esplicitamente miglioramenti come un aumento del 12-17,5% nella disponibilità dei pezzi e una riduzione del 15% dei costi dell’inventario per i clienti ³⁵. Queste cifre, come tutte le affermazioni del genere, dovrebbero essere prese con cautela - potrebbero provenire da studi di caso selezionati. Pubblicamente ci sono pochi dettagli tecnici sugli algoritmi di ottimizzazione di Syncron. Tuttavia, si può dedurre che utilizzino una combinazione di modelli statistici di previsione, apprendimento automatico per il riconoscimento di pattern, e alcuni euristici o risolutori per la gestione di magazzini multi-livello. Syncron Inventory era storicamente 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: Syncron probabilmente 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, anziché aspettarsi che gli utenti regolino manualmente il metodo di previsione di ciascun SKU (un flagello dei sistemi più vecchi). Detto ciò, la base tipica di utenti di Syncron (produttori) spesso stabilisce ancora regole aziendali - ad esempio, classificare i pezzi per ciclo di vita o criticità per applicare diverse politiche. Dovremmo verificare se Syncron consente un’ottimizzazione completamente automatica. Si menziona che i moduli di prezzo e inventario di Syncron utilizzano attualmente database separati che richiedono integrazione ³², il che lascia intuire la presenza di alcuni elementi legacy. Potrebbe non essere così fluido tra i moduli come pubblicizzato.

Uno dei punti di forza su cui Syncron insiste è la gestione del ciclo di vita dei pezzi: gestione delle nuove introduzioni di pezzi, obsolescenza, sostituzioni. Nell’aviazione, dove i pezzi vengono sostituiti da versioni più recenti o alternative PMA, questo è cruciale. Syncron ha affrontato problemi simili nell’automotive (dove i cambiamenti di modello influenzano la domanda di pezzi) - presumibilmente il sistema può prevedere il decadimento della domanda per i pezzi più vecchi e l’aumento per quelli nuovi utilizzando analogie o previsioni collegate.

Verifica delle affermazioni: Syncron ha relativamente pochi white paper tecnici pubblici, quindi parte del nostro scetticismo deriva dal fatto che dobbiamo fare affidamento su ciò che affermano e su pochi 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. La principale affermazione tecnologica è la combinazione di IA/ML + simulazione ³. Ci chiederemmo a Syncron: Forniscono prove dei modelli di ML in azione? Ad esempio, utilizzano reti neurali per rilevare le cause della domanda (come i tassi di utilizzo o i guasti) o solo metodi di serie temporali? Inoltre, se dicono “IA”, 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 dal principio. Questo probabilmente significa una migliore UI e possibilmente una distribuzione più veloce (la loro integrazione con ERP utilizza API moderne e spesso fanno il grosso del lavoro per i clienti). Tuttavia, il “plug-and-play” è irrealistico: l’implementazione di ATR, ad esempio, probabilmente ha richiesto il mapping di Syncron ai sistemi SAP personalizzati e di manutenzione di ATR. Il team di Syncron ha lavorato attivamente con ATR per personalizzare miglioramenti per le “esigenze uniche” dell’aviazione ³⁷ - implicando che, di base, 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 la tecnologia all’avanguardia con elementi probabilistici e di IA, ed ha una forte orientamento all’automazione. Potrebbe non avere ancora il profondo track record dell’aviazione di Servigistics, ma sta rapidamente diventando un forte contendente come dimostrato dai nuovi clienti dell’aviazione. Gli executive MRO dovrebbero verificare le affermazioni di ML di Syncron (chiedere dettagli o dimostrazioni su come previsiona un numero di parte voluminoso) e assicurarsi che eventuali miglioramenti promessi nell’inventario/servizio siano supportati dai dati - non solo dalle medie del settore. Come per gli altri, trattare le percentuali entusiastiche (ad es. “riduzione del costo dell’inventario del 15%”) come una linea guida approssimativa; i risultati reali varieranno in base a quanto disorganizzato fosse il processo iniziale. Nel complesso, Syncron si posiziona bene grazie alla sua architettura moderna e al focus sull’automazione intelligente, temperato dalla necessità di dimostrare la sua tecnologia oltre le parole di moda.

ToolsGroup - Algoritmi di domanda intermittente robusti, ma quanto “intelligenti”?

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 dei pezzi di ricambio di aftermarket in diversi settori - dai pezzi di ricambio automobilistici agli equipaggiamenti industriali, ed è stato utilizzato anche in contesti aerospaziali/difesa. Il punto di forza principale di ToolsGroup è sempre stato gestire la “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 dei pezzi di ricambio con una capacità eccezionale di prevedere la domanda intermittente e ottimizzare globalmente l’inventario multi-echelon” ⁴.

La tecnologia alla base della previsione 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 ciascun SKU. Questo poteva essere fatto tramite simulazione Monte Carlo o adattando analiticamente una distribuzione (alcune fonti indicano che ToolsGroup potrebbe utilizzare una forma di bootstrap o una variazione del metodo di Croston combinato con analisi della variabilità). Per ciascuna parte, data la distribuzione della domanda e il lead time, il software calcola l’inventario richiesto per raggiungere un livello di servizio target o, al contrario, il livello di servizio raggiungibile per un determinato budget di magazzino. Questo approccio era in qualche modo pionieristico negli anni ‘90/2000 quando la maggior parte dei sistemi di pianificazione utilizzava metodi semplicistici. Consente di gestire i livelli di servizio in modo molto stretto anche per gli articoli a movimento estremamente lento. ToolsGroup ha anche introdotto il concetto di “pianificazione guidata dal livello di servizio” in cui si specifica il livello di servizio desiderato per SKU e lo strumento calcola il magazzino necessario, anziché che i pianificatori indovinino il magazzino di sicurezza.

Tuttavia, la critica moderna riguarda se ToolsGroup abbia innovato significativamente rispetto ai suoi modelli precedenti. L’azienda ora si presenta come “alimentata da intelligenza artificiale” 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 notano addirittura un’incoerenza: ToolsGroup ha iniziato a pubblicizzare previsioni probabilistiche ma ha ancora fatto riferimento a miglioramenti del MAPE (Errore percentuale assoluto medio), che “non si applica alle previsioni probabilistiche” ⁵. Questo suggerisce un po’ di vernice di marketing: non misureresti l’errore di previsione con il MAPE se ti stessi veramente concentrando sulle previsioni di distribuzione. In altre parole, ToolsGroup potrebbe ancora principalmente produrre una singola previsione per ciascun articolo (per la segnalazione aziendale), utilizzando idee probabilistiche sotto il cofano per i calcoli dell’inventario. Anche il menzionato “rilevamento della domanda” (di solito significa utilizzare segnali molto vicini nel tempo come ordini in mano o dati IoT per regolare le previsioni) è messo in discussione per la scarsa supporto nella letteratura scientifica ³⁸ - implicando che ToolsGroup potrebbe utilizzare il termine di moda ma non necessariamente un metodo avanzato comprovato.

Detto ciò, le capacità di ToolsGroup sono solide. Supporta l’ottimizzazione multi-ecellente, il che significa che può consigliare dove stoccare i pezzi in una rete per raggiungere gli obiettivi di servizio con un inventario minimo. Può anche gestire il riposizionamento dell’inventario e il ridispiegamento, che è utile nella manutenzione, riparazione e revisione quando i pezzi potrebbero essere spostati tra basi o regioni. La soluzione di ToolsGroup è spesso integrata con ERP come SAP - alcune aziende utilizzano SO99+ insieme a SAP per superare i limiti della pianificazione di SAP (ToolsGroup addirittura sostiene di poter 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-località e segnalerà solo gli articoli in cui forse il livello di servizio è proiettato per scivolare o si è verificato un picco di domanda che richiede un intervento.

Sui dettagli del contesto MRO: ToolsGroup certamente può modellare la domanda intermittente, ma tiene conto di cose come la criticità del pezzo 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 sapere nativamente la criticità “sì/no” del pezzo, ma un cliente potrebbe incorporarla semplicemente impostando un livello di servizio target quasi al 100% per gli articoli “sì/no” 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 pronto all’uso per prevedere in base alla vita residua (come fanno Servigistics o Syncron con i dati IoT), ma si possono regolare manualmente le previsioni per le sostituzioni programmate conosciute. È più un kit di strumenti che può essere adattato a varie esigenze, piuttosto che una soluzione specifica per l’aviazione.

Un’area da tenere d’occhio sono le affermazioni di ToolsGroup sui risultati tipici: ad esempio, affermano che i clienti raggiungono una riduzione del 20-50% delle vendite perse, una riduzione del 10-30% dell’inventario e livelli di servizio del 95-99% ⁴⁰. Anche se questi intervalli sono plausibili, sono ampi e chiaramente orientati al marketing. Tali miglioramenti sono probabilmente da aziende che non avevano una vera ottimizzazione prima: implementare qualsiasi strumento decente porterebbe a grandi guadagni. Non significa necessariamente che ToolsGroup raggiunga in modo univoco quelli 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 linea di base?” o “in che periodo?” è significativa).

Definito dall’utente vs. automazione: ToolsGroup è relativamente automatizzato nella previsione, ma consente molte configurazioni. 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.), il che limita l’impatto della tecnologia. Idealmente, si dovrebbe utilizzare l’ottimizzazione di ToolsGroup per determinare in modo ottimale quegli obiettivi - credo che ToolsGroup abbia funzionalità come il bilanciamento degli investimenti in inventario rispetto al servizio in tutto il portafoglio, che è una forma di ottimizzazione economica. Ma potrebbe richiedere l’utilizzo della loro consulenza o delle funzionalità avanzate per impostare correttamente.

Lo sforzo di integrazione per ToolsGroup è moderato: hanno bisogno di dati storici di utilizzo, BOM, ecc. Non è esattamente plug-and-play con qualcosa come AMOS o Rusada (sistemi MRO comuni), quindi aspettatevi un progetto, anche se esistono molti connettori di integrazione data la lunga storia di ToolsGroup.

Conclusione: ToolsGroup è una soluzione capace e affidabile per l’ottimizzazione dei pezzi di ricambio. Sicuramente si qualifica come all’avanguardia circa il 2010, e tiene ancora bene. Ma nel 2025, bisognerebbe chiedersi quanto abbia incorporato nuove tecniche di intelligenza artificiale/apprendimento automatico. Le prove disponibili suggeriscono molte parole di moda ma non molta metodologia concreta pubblicata. Ciò non significa che non funzioni - funziona, ma l’etichetta “AI” potrebbe significare semplicemente che sta utilizzando statistiche sofisticate (che va bene). Per un dirigente MRO, ToolsGroup potrebbe essere una scelta a basso rischio (prodotto consolidato, molti clienti di riferimento). Tuttavia, siate consapevoli che potreste non ottenere un sistema veramente di prossima generazione; state ottenendo un sistema tradizionale molto buono. Se l’azienda sta promuovendo l’ “AI”, chiedete loro di chiarire cosa esattamente è guidato dall’AI nel prodotto e come migliora i loro già buoni modelli probabilistici. Assicuratevi inoltre che il vostro team sfrutti appieno i suoi punti di forza (come l’ottimizzazione multi-ecellente) e non lo riduca a uno strumento di pianificazione di base.

Armac Systems (RIOsys) - Aviazione Nativa, Ottimizzazione dei Rotabili e delle Riparazioni

Armac Systems è unico in questa lista in quanto è nato dal mondo dell’MRO dell’aviazione specificamente. È un fornitore più piccolo (con sede in Irlanda, ora di proprietà di SR Technics a partire dalla fine del 2010 ⁴¹) che si concentra al 100% sull’ottimizzazione dell’inventario dell’aviazione. Il fiore all’occhiello di Armac, RIOsys (sistema di ottimizzazione dell’inventario dei rotabili), è progettato per compagnie aeree e 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 dell’inventario specifica per l’aviazione” mirata a massimizzare la disponibilità dei pezzi di ricambio al minor costo economico ⁶. Riconosce esplicitamente lo scenario tipico dell’aviazione: “la domanda di parti non programmata, numerosi componenti e operazioni multi-sito sono la norma” ⁴². Lo strumento aiuta a calcolare livelli di inventario ottimali sia per i pezzi rotabili che per i pezzi consumabili, il che significa che può determinare non solo quanti acquistare, ma anche quanti tenere come pezzi di ricambio rispetto alla pipeline di riparazione, ecc., per soddisfare gli obiettivi di affidabilità della spedizione. Si menziona anche che la conoscenza operativa è incorporata nel vostro modello di provisioning e continuamente raffinata ⁴³. Questo suggerisce che il sistema impara o aggiorna i suoi parametri man mano che arrivano più dati (ad esempio, osservando i tassi effettivi di rimozione dei componenti, raffina la previsione o lo stock consigliato per quel componente).

Una probabile caratteristica dell’approccio di Armac è il ricorso ai dati dell’ingegneria della 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 anziché solo l’estrapolazione delle serie temporali. Ad esempio, se una compagnia aerea opera con 100 A320 e una certa pompa ha un MTBUR di 5000 ore di volo, è possibile prevedere approssimativamente quanti guasti all’anno ci si può aspettare (con variabilità). Questo è molto specifico per la MRO e differisce dalla previsione, ad esempio, della vendita di pezzi di ricambio ai clienti. Il partenariato di Armac con l’accademia e le “tecniche di business intelligence dei big data” ⁴¹ implica che abbiano studiato e implementato modelli orientati a questo tipo di previsione basata sull’affidabilità.

Armac si occupa anche della criticità “go/no-go” in modo indiretto concentrandosi sulla affidabilità tecnica della spedizione. In una compagnia aerea, l’affidabilità della spedizione (percentuale di voli che partono senza ritardi o cancellazioni dovuti alla manutenzione) è una metrica chiave. La disponibilità dei pezzi di ricambio, specialmente degli elementi non critici, ne determina direttamente il successo. Gli studi di caso di Armac (come Iberia) indicano che l’obiettivo era quello di migliorare la disponibilità dei materiali riducendo i costi ⁴⁴. Il CEO di Armac ha sottolineato il miglioramento della disponibilità dei pezzi di ricambio al minor costo economico possibile ⁴⁵. Quindi stanno chiaramente facendo un’ottimizzazione economica: garantendo che le parti critiche siano sempre a portata di mano (per evitare AOG) ma senza eccessi ovunque.

Una nota interessante: il sistema RIOsys di Armac si integra con i sistemi ERP esistenti (come SAP) per fornire un “livello aggiuntivo di intelligenza” ⁴⁶. Questo dimostra che non stanno sostituendo il sistema transazionale, ma lo stanno integrando - un tema comune nel software di ottimizzazione. L’integrazione con SAP era un punto di forza (hanno ottenuto la certificazione SAP, ecc.), ma di nuovo l’integrazione richiede lavoro.

Armac probabilmente fornisce molta automazione per i pianificatori nel senso che genera raccomandazioni (ad esempio, tenere questo pezzo alla base X, spostare queste unità in eccesso dalla base Y alla Z, riparare un certo numero di unità ora, ecc.). Probabilmente ha anche dashboard user-friendly che evidenziano gli eccessi e le carenze e aiutano a prioritizzare le azioni ⁴⁷. Questo è cruciale per i team di pianificazione più piccoli: lo strumento deve dire loro cosa fare oggi. L’uso di Armac da parte di Iberia ha aiutato a “identificare e priorizzare le attività quotidiane” per i pianificatori dell’inventario ⁴⁷. Questo indica un alto livello di decisioni guidate dal sistema - segno di una forte automazione.

Sul lato dello scetticismo, poiché Armac è più piccola e meno visibile nel marketing, ci sono meno valutazioni indipendenti disponibili. Sembra molto competente per l’aviazione, ma utilizza veramente algoritmi all’avanguardia? O è il suo successo principalmente dovuto a essere personalizzato (con molte regole esperte e modelli specificamente per le compagnie aeree)? Ad esempio, Armac potrebbe utilizzare modelli statistici piuttosto standard ma preconfigurati con i parametri giusti per gli scenari dell’aviazione già pronti all’uso. Questo è comunque prezioso, ma non è “magico”. La menzione di modelli “continuamente raffinati” ⁴³ suggerisce che si stia verificando un certo apprendimento automatico o almeno una calibrazione iterativa, il che è positivo.

Un potenziale punto debole potrebbe essere la scala e le risorse: essendo un fornitore più piccolo, Armac può investire nella ricerca AI più recente allo stesso ritmo di, ad esempio, PTC o Lokad? Probabilmente no, ma essendo focalizzati, potrebbero non aver bisogno di una AI sofisticata 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 feedback di dominio approfondito ma anche che il loro orizzonte potrebbe essere limitato alle esigenze di quel proprietario.

Armac non fa pubblicità “AI” nei loro comunicati stampa - utilizzano termini come “pianificazione dell’inventario intelligente di nuova generazione” e “tecniche di big data” ⁴¹, che sono parole di moda ma non molto specifiche. Vale la pena chiedere ad Armac dei 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 sovra-stoccarla)? Date le loro nicchie, probabilmente hanno funzionalità per la pianificazione della fine della vita e l’ottimizzazione del pooling dei rotables che altri potrebbero non enfatizzare.

L’integrazione rimane una sfida: anche con un’integrazione SAP, non tutte le compagnie aeree utilizzano sistemi standard. Molti utilizzano sistemi MRO specializzati come AMOS, Ultramain, ecc. Armac dovrebbe mapparsi su quelli 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, il sistema RIOsys di Armac Systems è una scelta forte per l’aviazione MRO in particolare, probabilmente offrendo molto valore con una configurazione relativamente minore se si adatta al loro profilo tipico (compagnia aerea con più basi di manutenzione, mix di ricambi rotables ed espendabili). Può essere considerato all’avanguardia in termini di allineamento di dominio - conosce intimamente il tuo problema. Sul piano puramente tecnologico, 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 ci siano risparmi nei “milioni per le organizzazioni dell’aviazione” ⁴¹) conferisce a Armac credibilità. Affronta semplicemente le loro affermazioni di ROI come faresti con qualsiasi fornitore - con una mentalità di “fiducia ma verifica” - e assicurati di avere il supporto IT per integrarlo nel tuo ambiente.

Baxter Planning (Prophet di Baxter) - Pianificazione focalizzata sui costi con l’intervento umano

Baxter Planning è un fornitore consolidato nella gestione dei pezzi di ricambio, attivo dagli anni ‘90. La loro soluzione, spesso chiamata Prophet, si rivolge a un’ampia gamma di settori (tecnologia, dispositivi medici, ecc.) e include il settore MRO/aviazione in qualche misura (anche se la loro presenza più forte è nei settori della tecnologia e delle telecomunicazioni). L’approccio di Baxter si basa sull’esperienza pratica nella pianificazione dei pezzi di ricambio - il fondatore era lui stesso un pianificatore di pezzi di ricambio - quindi il software riflette processi del mondo reale. Ciò significa che copre la pianificazione end-to-end: Previsione, Ottimizzazione dell’inventario, Rifornimento, Pianificazione delle riparazioni, Gestione del ciclo di vita, Gestione degli eccedenze, ecc., in un unico sistema ⁷.

Un principio fondamentale del metodo di Baxter è “Ottimizzazione del costo totale” ⁴⁸. Considerano esplicitamente il costo della parte, la posizione e la criticità del cliente/asset 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 leggermente critica, il sistema potrebbe accettare un tempo di attesa più lungo (forse facendo affidamento su ordini di emergenza) anziché tenere in magazzino molti pezzi. Al contrario, per una parte non funzionante in un sito remoto, Prophet potrebbe consigliare di tenere in magazzino pezzi di ricambio nonostante la bassa domanda perché il costo dell’esaurimento scorte (AOG, tempo di inattività) è troppo alto. Si tratta di una filosofia di ottimizzazione economica ed è ciò che si intende per “valore per i soldi” 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 consente ai pianificatori di inserire attributi come la criticità della parte, gli impegni di supporto (SLA) e il software ottimizzerà entro quei vincoli. Ma fa previsioni probabilistiche? Non è molto chiaro dalle informazioni pubbliche. Essendo una soluzione più vecchia, probabilmente ha iniziato con previsioni tradizionali (medie mobili, lisciamento esponenziale) e forse in seguito ha aggiunto Croston o bootstrap per la domanda intermittente. Potrebbe non essere esplicitamente probabilistico come Lokad o Smart. Invece, Baxter potrebbe ottimizzare l’inventario tramite analisi di scenario o formule di livello di servizio.

Per la domanda intermittente, Baxter riconosce sicuramente il problema: la loro letteratura parlerebbe di parti a movimento lento che necessitano di un trattamento speciale. La domanda è se si affidano al pianificatore per classificare tali parti e scegliere un metodo o se il sistema si adatta. Date l’epoca in cui è stato costruito, sospetto che sia più il primo: 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 utilizza quello per calcolare i livelli di stock.

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

Una cosa da tenere d’occhio è che Baxter Planning storicamente ha fatto molte personalizzazioni per cliente. Essendo una piccola azienda privata, spesso avrebbero apportato modifiche o aggiunto funzionalità per esigenze specifiche. Ciò 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 quella flessibilità indica anche che di default potrebbe non costringerti a seguire una “pratica ottimale” - ti fornisce strumenti.

Baxter non fa pubblicità in modo rumoroso all’IA/ML. Sono più discreti, il che può essere un aspetto positivo (meno enfasi). Ma significa anche che se stai cercando previsioni all’avanguardia, devi chiederti: stanno seguendo i nuovi metodi? È possibile che abbiano incorporato nuovi algoritmi nelle versioni recenti, ma non sono ben pubblicizzati.

Date le clientela di Baxter, potrebbero non avere molte funzionalità specifiche per l’aviazione integrate. Ad esempio, gestiscono limiti di vita rigidi (dove una parte viene scartata dopo X utilizzi)? Forse come campo personalizzato ma non sono sicuro se l’ottimizzazione tenga naturalmente conto di esso (oltre alla previsione della domanda quando è necessaria la sostituzione). Gestiscono stati del ciclo di vita (parti nuove, in fase di fine vita) e possono pianificare l’ultimo acquisto per l’obsolescenza, che è rilevante nell’aviazione quando le parti escono dalla 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: miglioramenti avvengono, ma dipendono da come viene utilizzato lo strumento.

Integrazione: Prophet di Baxter di solito si affianca a un sistema ERP/MRO. L’integrazione è paragonabile ad altri - portando in uso, stock, BOM, ecc. Baxter probabilmente ha connettori pre-costruiti per sistemi comuni (menzionano il supporto a reti di approvvigionamento superficiali e l’integrazione con altri sistemi aziendali). Nessuno dovrebbe aspettarsi una soluzione plug-and-play; sarà necessario un certo lavoro IT.

Con scetticismo, bisogna esaminare se la soluzione di Baxter sta veramente ottimizzando o se è più un supporto decisionale che lascia comunque scelte critiche agli esseri umani. La menzione che molti clienti di Baxter si concentrano sull’ottimizzazione dei costi di posizionamento anticipato piuttosto che sul multi-echelon suggerisce che lo strumento potrebbe essere spesso utilizzato in una modalità più semplice (ottimizzando ogni posizione individualmente verso un obiettivo di costo). Si nota che le reti di alcuni 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 è importante; speriamo che Baxter possa gestirlo se necessario.

Per concludere, Baxter Planning offre un sistema di pianificazione dei pezzi di ricambio ben strutturato, se tradizionale. È affidabile, incentrato sui compromessi tra costo e servizio, e automatizza molte attività. Potrebbe non avere le caratteristiche AI più accattivanti, ma ha una profondità nella funzionalità pratica. Gli esecutivi MRO dovrebbero considerare Baxter come una soluzione “sicura” - probabile miglioramento applicando metodi provati. Tuttavia, è importante essere consapevoli che potreste non avanzare nella prima linea dell’analisi; otterrete un approccio solido, forse un po’ conservatore. Se la vostra organizzazione preferisce avere più controllo e trasparenza (piuttosto che un’IA a scatola chiusa), lo stile di Baxter potrebbe essere addirittura preferibile. Punto di scetticismo: assicuratevi che il sistema non dipenda troppo dagli input statici dell’utente (ad esempio, non dovrebbe richiedervi di mantenere manualmente una tonnellata di parametri dei pezzi). Chiedete come si adatta al cambiamento (si aggiustano automaticamente le previsioni ad ogni ciclo, impara la stagionalità o i tassi di utilizzo, ecc.?). Se tutto è a posto, Baxter può offrire benefici costanti senza promettere miracoli.

Software Intelligente (Smart IP&O) - Esperto di Nicchia nella Previsione della Domanda Intermittente

Smart Software è un fornitore più piccolo che si è guadagnato una reputazione affrontando una delle parti più difficili del problema: la previsione della domanda intermittente. La loro soluzione, ora offerta come piattaforma integrata chiamata Smart IP&O (Pianificazione e Ottimizzazione dell’Inventario), è nata da lavori accademici sull’ottimizzazione del metodo di Croston. In effetti, 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 molteplici scenari di domanda sintetica basati sulla storia per creare una distribuzione completa della domanda nel tempo di conduzione ^{8 50}. Il risultato è una curva di probabilità di quante unità potrebbero essere necessarie, anziché un singolo indovinello. Con questo, è possibile pianificare livelli di stock quasi ottimali per una probabilità di servizio desiderata.

Per l’MRO dell’aviazione, dove più dell'80% dei pezzi potrebbero muoversi lentamente con molte zeri nella domanda ^{51 52}, l’accuratezza della previsione di Smart può fare la differenza. Le previsioni tradizionali (medie mobili, ecc.) falliscono miseramente su tali dati. L’approccio probabilistico di Smart gestisce la natura “a grumi” non lisciandola via ma abbracciandola. Può modellare modelli strani come “di solito vediamo 0, ma occasionalmente 5 unità in un picco” molto bene.

I dettagli tecnologici di Smart sono sorprendentemente concreti: non assumono alcuna distribuzione particolare (quindi non impongono ciecamente distribuzioni normali o di Poisson) e invece utilizzano dati empirici per simulare risultati ⁵³. Specificano che la domanda spesso “non si conforma a una semplice distribuzione normale”, da qui il loro approccio di bootstrap ⁸. Producono quindi l’intera distribuzione della domanda cumulativa su tutto il tempo di conduzione di un articolo ⁵⁴. Con questo, calcolare il magazzino di sicurezza per, ad esempio, un livello di servizio del 95% è semplice e accurato - basta il 95° percentile di quella distribuzione.

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

Un vantaggio delle dimensioni e del focus di Smart è che spesso si integrano con i sistemi EAM/ERP popolari nella manutenzione. Ad esempio, elencano integrazioni con IBM Maximo, SAP, Oracle, ecc. ⁵⁵. Questo suggerisce che è possibile aggiungere il loro motore di previsione al proprio sistema esistente relativamente facilmente. Fondamentalmente, si utilizzerebbe Smart per calcolare i parametri di stoccaggio (come min/max o magazzino di sicurezza per ogni parte) e poi li si riporterebbe nell’ERP per eseguire. Questo è un paradigma diverso dal sostituire completamente il proprio sistema di pianificazione.

Ora, guardando le loro affermazioni: Smart cita spesso che le aziende che utilizzano la loro soluzione “riducono il magazzino di circa il 20% nel primo anno e aumentano la disponibilità delle parti del 10-20%” ⁵⁶. Questi sono ragionevoli e meno bombastici rispetto a alcune affermazioni che vediamo (e sono in linea con i miglioramenti tipici derivanti da una migliore previsione). Implica che in precedenza le aziende avevano o troppo magazzino “giusto nel caso” o avevano in magazzino articoli sbagliati; ottimizzando, hanno liberato il 20% del magazzino migliorando effettivamente il servizio. Tuttavia, nessuna fonte indipendente conferma quei numeri esatti per ogni caso - quindi consideratelo 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 MRO dell’aviazione? Prevedere e impostare i livelli di magazzino è una cosa; ma come gestire i tempi di riparazione, il raggruppamento di parti rotabili o il riequilibrio dinamico del magazzino tra le basi? Smart IP&O potrebbe non avere tutte quelle funzionalità integrate. Potrebbe assumere un processo abbastanza standard in cui il magazzino di ciascuna posizione è pianificato per un livello di servizio target e basta. Potrebbe non ottimizzare quali posizioni dovrebbero tenere in magazzino se si dispone di una rete - almeno non al livello di uno strumento multi-echelon. Inoltre, probabilmente non incorpora esplicitamente metriche di ingegneria della affidabilità (a meno che non si inseriscano nella storia della domanda in qualche modo).

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

Integrare (ancora) richiede sforzo. Smart fornisce la scienza, ma è necessario fornire 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, potrebbero sovrascriverli, riducendo il beneficio. Le storie di successo di Smart di solito coinvolgono un team impegnato che utilizza pienamente le raccomandazioni dello strumento.

In generale, Smart Software è un strumento specialistico che può integrare 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 ritiene che il suo più grande problema sia l’accuratezza delle previsioni per migliaia di parti sporadiche, Smart è una soluzione interessante. Ma se la sfida più grande è ottimizzare attraverso una catena di approvvigionamento di riparazione complessa, Smart da solo potrebbe non essere sufficiente; potrebbe essere un pezzo di un puzzle più grande (forse utilizzato insieme a 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 (hai processi per eseguire le raccomandazioni di stoccaggio?), e interrogare Smart su come gestisce cose come la variabilità dei tempi di consegna (si comportano bene sulla variabilità della domanda; sperabilmente simulano anche i tempi di consegna, o almeno consentono buffer di variabilità). Inoltre, chiarire come si aggiorna - se arrivano nuovi dati che mostrano un picco, quanto rapidamente reagisce, e evita di reagire eccessivamente? Date le loro rigorose basi accademiche, è probabile che abbiano pensato a queste cose, ma è bene verificare.

Ottimizzazione dell’inventario MRO IBM (Oniqua) - Supporto decisionale basato sui dati

L’Ottimizzazione dell’inventario MRO di IBM, che è essenzialmente il prodotto acquisito da IBM da Oniqua nel 2018, è posizionato come una piattaforma analitica per settori ad alta intensità di asset come miniere, energia, manifattura e sì, aerospaziale. Oniqua era nota per il suo approccio fortemente basato sulla consulenza per ottimizzare gli inventari MRO per le aziende minerarie, concentrandosi sulla riduzione dei tempi di inattività e sulla riduzione degli stock. Come parte di IBM, lo strumento è stato incorporato in Maximo e nella suite Supply Chain di IBM, ma può essere utilizzato autonomamente.

L’MRO IO di IBM è descritto come “combinando analisi statistiche, analisi prescrittive, automazione e algoritmi di ottimizzazione” per migliorare i livelli di servizio e ridurre i costi ⁹. Cosa significa questo nella pratica: analizza i tuoi dati di utilizzo e di inventario, identifica dove hai troppo stock (eccesso) e dove sei a rischio di esaurimento scorte, e quindi prescrive azioni come “ridurre questo, aumentare quello”. È in qualche modo simile ad avere un analista intelligente che rivede continuamente i KPI dell’inventario MRO. Il software include funzionalità come il punteggio 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 della previsione, IBM menziona esplicitamente la “previsione della domanda intermittente” come una capacità di MRO IO ¹⁰. Date le origini di Oniqua, probabilmente hanno impiegato il metodo di Croston o una variante per prevedere l’uso sporadico delle parti. Potrebbe non essere avanzato come il bootstrap di Smart, ma almeno affronta la natura intermittente. Inoltre, la soluzione di IBM tiene conto di criticità, tempi di consegna e altro quando si esaminano i dati storici per ottenere informazioni ⁵⁸. Questo suggerisce uno strato analitico basato su regole: ad esempio, potrebbe evidenziare che “la parte critica X ha un tempo di consegna di 90 giorni e non hai stock di sicurezza - alto rischio”. Il sistema potrebbe quindi consigliare di aumentare lo stock di X, e viceversa segnalare le 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. Questi sono molto audaci e probabilmente rappresentano scenari ottimali. Dovremmo essere scettici: una riduzione del 50% dei tempi di inattività da uno strumento è enorme - probabilmente si assume che i tempi di inattività fossero causati dalla mancanza di parti e che tutti quei casi siano stati risolti migliorando lo stock. In una compagnia aerea ben gestita, i tempi di inattività causati dalle parti sono già ridotti (si affannano ad evitare AOG a tutti i costi). Quindi potremmo non vedere nulla del genere del 50%. Allo stesso modo, una riduzione del 40% dei costi di inventario è enorme - possibile solo se l’azienda aveva troppo inventario all’inizio (comune in alcune industrie pesanti che accumulano ricambi, ma meno in aviazione commerciale che cerca già di ottimizzare a causa dell’alto costo delle parti). Quindi questi numeri dovrebbero essere considerati casi isolati o punti dati selezionati ad hoc dal marketing ⁵⁹.

Tecnologicamente, lo strumento di IBM probabilmente non utilizza nemmeno AI/ML vistosi, a parte forse un riconoscimento di modelli nei dati di utilizzo. IBM come azienda fa molto con l’AI (Watson, ecc.), ma non c’è indicazione che quel livello di AI sia incorporato qui. Viene utilizzato il termine “analisi predittiva e prescrittiva” ⁶⁰, che nel linguaggio dell’analisi significa spesso: predittivo = prevedere cosa potrebbe accadere (ad esempio, prevedere guasti futuri o consumo di parti), prescrittivo = suggerire azioni (ad esempio, ordinare questa parte ora, ridurre quell’ordine). Questi sono preziosi, ma possono essere realizzati con modelli statistici relativamente semplici più regole aziendali. In realtà, l’approccio ereditato di Oniqua era piuttosto consultivo: avrebbero impostato regole e soglie tarate su ciascun cliente (come se una parte non si fosse mossa in 5 anni, è eccedente; se una parte ha causato una carenza di magazzino l’anno scorso, forse aumentare lo stock). IBM probabilmente ha produttizzato parte di quella logica.

Un possibile svantaggio per alcuni: IBM MRO IO potrebbe presumere che si abbia un buon controllo sui dati di manutenzione e asset (poiché spesso viene venduto con Maximo). Se un MRO dell’aviazione non utilizza Maximo, può comunque utilizzare MRO IO, ma l’integrazione con i loro sistemi e garantire l’accuratezza dei dati (gerarchie di attrezzature, definizioni di asset critici, ecc.) sarà fondamentale. La pretesa che “elimina i prerequisiti dei dati ingerendo i dati così come sono” che abbiamo visto in un concorrente (Verusen) non è qualcosa che IBM rivendica 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 alcune cose: ad esempio, è necessario classificare le parti per criticità (sì/no) nel sistema, impostare tempi di consegna, costi, ecc. L’ottimizzazione avviene quindi entro quei parametri. Potrebbe non sapere automaticamente la criticità di una parte a meno che non gliela forniate. Quindi, è valido solo quanto la vostra governance dei dati.

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

Date le dimensioni aziendali di IBM, si può fidare che l’aspetto dell’integrazione sia ben supportato (specialmente per il Maximo di IBM o SAP con cui IBM lavora spesso). Ma ancora una volta, “plug-and-play” è improbabile - IBM o un partner probabilmente realizzeranno un progetto piuttosto esteso per configurarlo ai vostri processi di manutenzione e supply chain.

In sintesi, l’ottimizzazione dell’inventario MRO di IBM (Oniqua) è una solida soluzione analitica che può portare a buoni miglioramenti, specialmente se attualmente manca visibilità sulle prestazioni del tuo inventario. È forte nell’individuare inefficienze ovvie (eccesso, potenziali esaurimenti di magazzino) e nell’ottimizzare il frutto più facile da cogliere. Gestisce la domanda intermittente e la criticità attraverso metodi statistici e basati su regole, anche se 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 essere perfettamente accettabile se è necessario fare le cose di base correttamente. Si dovrebbe applicare scetticismo alle grandi affermazioni di miglioramento: interrogare IBM su cosa significano veramente quei numeri e chiedere riferimenti simili alla vostra operazione. Inoltre, assicurarsi che il modo di lavorare dello strumento (dashboard analitici, ecc.) si adatti al vostro team - potrebbe richiedere ai vostri pianificatori di adottare un flusso di lavoro più analitico. Se la vostra cultura è pronta per questo, la soluzione di IBM può guidare sistematicamente miglioramenti. Se vi aspettavate un’AI a scatola chiusa che ottimizza magicamente tutto senza supervisione, questo non è il caso (e francamente, non esiste ancora sotto forma di plug-and-play).

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

Vale la pena discutere delle opzioni dei principali fornitori di ERP poiché sono “rilevanti” soprattutto per le organizzazioni che cercano di utilizzare le capacità dei sistemi esistenti prima di acquistare software specializzati. SAP Service Parts Planning (SPP) e i moduli di parti 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 insieme a 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 le parti di ricambio. SAP SPP può fare molto sulla carta: ha un metodo di previsione di Croston per la domanda intermittente (SAP lo documenta persino come “Strategia di previsione 80” utilizzando lisciviazione 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 a grumi. Può anche modellare trasferimenti laterali, ha una funzionalità integrata di sostituzione delle parti (intercambiabilità dei prodotti) e può ottimizzare lo stock in una rete data la disponibilità di servizio o i tassi di riempimento. Caterpillar e Ford sono stati influenzatori precoci, e in un certo momento si sosteneva che SAP SPP avesse funzionalità molto avanzate (alcuni analisti credevano che potesse competere con i migliori strumenti del settore) ⁶².

Tuttavia, la realtà nell’aviazione è che poche compagnie aeree o MRO hanno adottato pienamente SAP SPP al suo potenziale. Uno dei motivi è la complessità e l’esperienza richiesta. Configurare SPP significa configurare molti parametri: bisogna assegnare modelli di previsione a ciascuna parte (Croston per la domanda veramente intermittente, forse media mobile per le altre, ecc.), mantenere dati principali come bandiere di fase in/fase out e, soprattutto, decidere i livelli di servizio target per ciascuna parte o gruppo. SAP SPP non decide innatamente di quale livello di servizio hai bisogno - lo dici tu. Spesso le aziende utilizzerebbero la classificazione ABC/XYZ per raggruppare le parti e quindi assegnare un obiettivo di livello di servizio per gruppo. Questo approccio è definito dall’utente e non ottimizza veramente il compromesso. È essenzialmente un input all’ottimizzazione. SAP calcolerà quindi i requisiti di stock per colpire quegli input al minimo stock (quella è la parte di ottimizzazione, utilizzando forse un risolutore MILP per lo stock multi-echelon). Ma se quegli obiettivi sono sbagliati, i risultati non sono globalmente ottimali economicamente.

Un’altra sfida è che l’interfaccia utente e gli avvisi di SAP per SPP non erano particolarmente user-friendly rispetto agli strumenti specializzati. È integrato nell’ambiente SAP, il che è buono per l’IT ma forse non ottimo per la produttività del pianificatore. Molti finivano per utilizzarne solo alcune parti (come solo la previsione o solo la pianificazione della distribuzione, gestendo altre cose in Excel).

In termini di ultima tecnologia oggi, SAP SPP è in qualche modo congelato nel tempo. Il focus strategico di SAP si è spostato su IBP, e IBP per i pezzi di ricambio sta ancora recuperando in termini di funzionalità. Ad esempio, alcune capacità avanzate di SPP non sono state inizialmente migrate su IBP. Quindi se un MRO dell’aviazione è su SAP e sta considerando di utilizzare la loro pianificazione integrata, potrebbe scoprire che richiede molte personalizzazioni (e eventualmente componenti aggiuntivi di terze parti) per soddisfare tutte le esigenze. Ad esempio, gestire BOM di riparazione casuali o prevedere i tassi di rimozione potrebbe non essere out-of-the-box; potrebbe essere necessario creare previsioni personalizzate basate sulle ore di volo o sull’uso (alcuni utenti SAP hanno chiesto previsioni dai driver della base installata piuttosto che dalla storia dei consumi ⁶³ - indicando lacune nella funzionalità standard per la previsione specifica per MRO).

Oracle: La pianificazione dei pezzi di ricambio di Oracle (spesso tramite il Value Chain Planning di Oracle E-Business Suite o come parte di Oracle Cloud SCM) fornisce funzionalità di base in modo simile. Copre la previsione (offrendo probabilmente modelli intermittenti come Croston o simili), ottimizzazione dello stock multi-echelon e 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 settore. Oracle non ha nemmeno partecipato a alcuni studi di benchmark sui pezzi di ricambio ⁶⁴, suggerendo che non è stato spinto aggressivamente. Probabilmente funziona sufficientemente se configurato bene, ma come SAP, si basa su metodi classici e pesante preparazione dei dati. L’approccio di Oracle è tipicamente deterministico a meno che non si acquisti 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 di Poisson). Ma aspettarsi che il sistema di Oracle si autoregoli o utilizzi l’apprendimento automatico sarebbe irrealistico.

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

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

Vantaggio dell’integrazione: Se si utilizza già SAP o Oracle, l’utilizzo dei loro moduli 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 di dover comunque costruire interfacce - ad esempio, per estrarre dati in uno strumento di previsione (come Smart) o in un magazzino dati personalizzato per fare cose che il modulo ERP non poteva fare. Quindi il vantaggio dell’integrazione può essere annullato se lo strumento integrato non è pienamente all’altezza del compito e viene integrato con altri strumenti.

Da un punto di vista scettico, le affermazioni di SAP e Oracle (quando le fanno) sono di solito moderate; non dichiarano spesso grandi miglioramenti percentuali pubblicamente, perché sanno che dipende dall’implementazione. La tecnologia in questi sistemi è solida ma non all’avanguardia - sono per lo più metodi accademici della fine del XX secolo implementati nel software. Manca anche il fermento dell’IA/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 pezzi di ricambio).

Per un dirigente MRO, il messaggio è: se si dispone già di questi, si potrebbe cercare di sfruttarli, ma essere preparati a un viaggio possibilmente lungo di messa a punto e forse non raggiungere il livello di prestazioni che gli strumenti specializzati potrebbero offrire. D’altra parte, comportano un rischio inferiore per il fornitore (è 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 in ritardo rispetto ai fornitori specializzati sia nell’automazione che nella sofisticatezza. Servono come punto di riferimento, e molte compagnie aeree che li utilizzano alla fine li integrano o li sostituiscono con uno degli strumenti specialistici sopra menzionati per ottimizzare veramente la loro supply chain MRO.

Nuovi Entranti AI Emergenti (ad es. Verusen) - Dalla Moda alla Realtà

Nessuno studio di mercato nel 2025 sarebbe completo senza menzionare la nuova ondata di startup e soluzioni basate sull’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 progettata appositamente per ottimizzare inventario, spesa e rischio per la supply chain MRO dei produttori ad asset intensivo” ⁶⁵. Questa affermazione audace suscita immediatamente scetticismo - “unica piattaforma AI” è ovviamente un’esagerazione di marketing (come abbiamo visto, molti attori consolidati affermano anche l’IA in forme diverse).

L’approccio di Verusen, basato sui loro materiali, si concentra molto sull’ingestione e pulizia dei dati. Evidenziano cose come “ingerire i dati così come sono dai sistemi ERP/EAM” e applicare l’IA per identificare materiali duplicati e consolidare i dati ⁶⁶. Questo affronta un problema reale: i dati MRO sono spesso disordinati (lo stesso pezzo registrato con nomi leggermente diversi, ecc.). Verusen utilizza l’apprendimento automatico (probabilmente NLP e corrispondenza di modelli) per razionalizzare i dati principali dei materiali. Questo è prezioso come precursore all’ottimizzazione - se i tuoi dati sono un caos, nemmeno il miglior algoritmo può aiutare. Quindi, Verusen sembra concentrarsi sulla creazione di una singola fonte accurata di verità per i pezzi e poi trovare opportunità di ottimizzazione (come identificare eccessi di magazzino tra le sedi che potrebbero essere condivisi, o ridurre lo stock di sicurezza dove c’è sovrabbondanza).

Dove Verusen e simili nuovi entranti sono carenti è nella profondità comprovata degli algoritmi effettivi di previsione e inventario. Parlano ampiamente di IA ma non di dettagli specifici. Si potrebbe supporre che utilizzino modelli ML generici per prevedere l’uso (forse qualche rete neurale che guarda al consumo e ad altri fattori). Senza dettagli, dobbiamo essere cauti. Nella supply chain, molte startup hanno provato previsioni puramente basate su ML e hanno scoperto che non batte facilmente modelli statistici ben regolati per la domanda intermittente (che è molto difficile da prevedere per l’ML standard a causa di così tanti zeri).

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

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

Detto questo, alcuni nuovi giocatori potrebbero collaborare con esperti del settore o assumere pianificatori ex-MRO per inserire regole. Non è impossibile per loro recuperare il ritardo, ma è qualcosa da verificare, non da assumere.

Altri approcci nuovi degni di nota includono il sfruttamento di IoT e dati di manutenzione predittiva direttamente per la pianificazione dell’inventario (alcune soluzioni utilizzano dati dei sensori per prevedere guasti delle parti, quindi collegano ciò ai bisogni di inventario). Quest’area è in evoluzione e spesso entra attraverso sistemi di previsione della manutenzione piuttosto che sistemi di inventario. Ma sta avvenendo una convergenza - ad esempio, il software di manutenzione predittiva di un produttore di motori potrebbe consigliare di tenere in magazzino determinati moduli in determinate posizioni perché “vede” un aumento del rischio di guasto. Gli esecutivi MRO dovrebbero essere consapevoli che il panorama potrebbe vedere più integrazione verticale (OEM che offrono servizi end-to-end inclusa l’ottimizzazione dell’inventario, utilizzando i loro dati sull’attrezzatura).

In sostanza, tenere d’occhio le startup che rivendicano IA/ML per l’MRO - potrebbero offrire un pezzo del puzzle o addirittura integrarsi con uno degli strumenti più grandi (ad esempio, un’IA per la pulizia dei dati che alimenta un Lokad o Servigistics). Mantenere lo scetticismo riguardo alle loro affermazioni audaci finché non possono dimostrare gli output. Spesso, i piccoli nuovi fornitori hanno case study limitati e quelli potrebbero essere progetti pilota, non implementazioni complete.

Bisogna anche considerare come questi nuovi sistemi coesisteranno con i processi estesi e i sistemi legacy nell’aviazione. Uno strumento di IA vistoso che non può facilmente esportare i suoi risultati nel tuo ERP esistente per l’esecuzione, o che non registra le decisioni per l’audit (importante per la conformità dell’aviazione), incontrerà ostacoli. Gli esecutivi vorranno vedere che un tale strumento possa integrarsi nel flusso di lavoro (che potrebbe ironicamente richiedere lo stesso sforzo di integrazione di qualsiasi altro software).

Conclusione e Raccomandazioni

Questo studio di mercato scettico rivela un ecosistema di soluzioni ognuna che cerca di risolvere i vexing problemi di ottimizzazione dei pezzi di ricambio MRO dell’aviazione. Nessuna soluzione è una bacchetta magica, e le promesse alte dovrebbero sempre essere interrogate con domande tecniche e prove pilota.

Tuttavia, ci sono tecniche all’avanguardia disponibili: la previsione probabilistica, l’ottimizzazione multi-ecellone e l’IA/ML per il riconoscimento dei pattern possono migliorare significativamente le prestazioni se implementate correttamente. Fornitori come Lokad stanno spingendo il confine su quei metodi specificamente per l’aviazione, mentre giganti come PTC Servigistics e Syncron incorporano molte funzionalità avanzate sebbene dietro un linguaggio di marketing più opaco. ToolsGroup, Baxter, Smart, e altri portano competenze solide che, se allineate alle esigenze della tua organizzazione, possono portare notevoli benefici - purché non li accendi e ti aspetti la magia. La maturità dei processi interni e la qualità dei dati rimangono cruciali.

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

Sii molto scettico di qualsiasi fornitore che pubblicizza l’integrazione plug-and-play nei tuoi sistemi MRO. I paesaggi IT dell’aviazione MRO sono eterogenei - che tu utilizzi AMOS, TRAX, Ultramain, Maximo, SAP o qualcosa di fatto in casa, integrare uno strumento di ottimizzazione richiederà il mapping dei campi dati e probabilmente la pulizia dei dati. Un fornitore che afferma di poter implementare in settimane con un minimo sforzo IT sta probabilmente sottovalutando il lavoro o presumendo un campo molto ristretto. È saggio allocare tempo per l’integrazione e i test, e coinvolgere i tuoi tecnici IT in anticipo per verificare la coerenza di tali affermazioni.

Un altro campanello d’allarme da tenere d’occhio è la dipendenza da case study o report degli analisti che sembrano troppo belli per essere veri. Molti case study non menzionano le sfide o la situazione di partenza. Ad esempio, “l’inventario è stato ridotto del 30%” potrebbe sembrare ottimo, ma se l’azienda originariamente non aveva un sistema di pianificazione, il 30% potrebbe essere raggiunto da qualsiasi decente miglioramento dei processi. Allo stesso modo, “il livello di servizio è migliorato al 99%” potrebbe significare che hanno sovradimensionato. Scava sempre più a fondo: chiedi i metrica prima vs dopo nel contesto, e ancora meglio, parla direttamente con i clienti di riferimento se possibile anziché fidarti di citazioni patinate.

Dall’altra parte, quando i fornitori forniscono dettagli o metodologie ingegneristiche specifiche, è un buon segno. Significa che hanno metodi concreti anziché solo chiacchiere. Ad esempio, Smart Software spiega apertamente il loro metodo di bootstrap ⁸, o Lokad discute la programmazione differenziabile, mostra sostanza. I fornitori che si limitano a parlare di “IA/ML” senza spiegare come si applica al problema probabilmente si aspettano che gli acquirenti non lo mettano in discussione - ma tu dovresti assolutamente farlo. Fai 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 improvviso bisogno - quali input utilizza l’IA? Se rispondono con gergo e senza chiarezza, sii cauto. Se riescono ad articolare, ad esempio, “raggruppiamo parti simili e utilizziamo 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 tuo problema: Se soffri di variabilità della domanda selvaggia e mancanza di magazzino, dai priorità ai fornitori con previsioni probabilistiche comprovate (Lokad, ToolsGroup, Smart, Syncron in parte). Se il tuo problema è eccesso di inventario e mancanza di visibilità, potrebbe bastare uno strumento di analisi prescrittiva (IBM/Oniqua o Baxter) per ridurre il grasso.
• Valuta le capacità del tuo team: Un sistema molto avanzato richiede pianificatori/analisti esperti per interagire con esso (o gli esperti del fornitore per supportarti). Un sistema più semplice potrebbe essere gestito da un team snello ma potrebbe non sfruttare appieno ogni possibilità di ottimizzazione.
• Pianifica il lavoro sui dati e sull’integrazione: Qualsiasi software, investi nella pulizia dei dati dei componenti, nei dati di utilizzo e nell’implementazione delle interfacce. È meno affascinante dell’IA, ma fondamentale.
• Pilota e verifica: Esegui un pilota su un sottoinsieme di componenti o di una posizione. Verifica se gli algoritmi sofisticati del fornitore producono effettivamente raccomandazioni sensate (ad esempio, nessun magazzino di una parte critica? o un enorme magazzino di qualcosa di economico?). Verifica la loro ottimizzazione simulando scenari. Un buon fornitore lavorerà con te su questo; uno incerto eviterà troppa attenzione.

Il problema dell’inventario MRO dell’aviazione è spesso descritto come “follemente impegnativo” ⁶⁸ – ed è proprio così. Ma gli strumenti di oggi stanno emergendo per affrontare questa sfida. Tagliando attraverso l’esagerazione e concentrandosi sulle capacità verificabili, un MRO può scegliere una soluzione che ottimizza veramente la gestione dei suoi componenti, offrendo miglioramenti tangibili della affidabilità e risparmi sui costi. Ricorda solo il motto dello scettico: in Dio confidiamo, tutti gli altri – portano dati. Ogni fornitore dovrebbe essere in grado di mostrare dati a supporto delle proprie affermazioni nel contesto della tua operazione. Con quella dovuta diligenza, puoi trovare un partner software che vada oltre le promesse di marketing per il successo concreto nel tuo supply chain.

Note a piè di pagina