Luftfahrt MRO Optimierungssoftware, Februar 2025

Last modified: February 2nd, 2025

Einführung

Luftfahrt-Wartungs-, Reparatur- und Generalüberholungs (MRO) supply chains bewältigen extreme Komplexität. Fluggesellschaften und MRO-Anbieter verwalten umfangreiche langschwänzige Ersatzteilbestände mit intermittierender, spärlicher Nachfrage und stark variierenden Vorlaufzeiten sowie Preisen. Unvorhersehbare Ausfälle und zufällige BOMs für Reparaturen bedeuten, dass der Verbrauch ohne Vorwarnung ansteigen kann. Ersatzteile haben oft strenge Lebenszyklen (z. B. maximale Zyklen oder Flugstunden) und Kritikalitätsklassifikationen („no-go“-Teile, die Flugzeuge am Boden halten, gegenüber „go-if“- oder aufschiebbaren Artikeln). Diese Faktoren machen Prognose- und Lagerentscheidungen bekannt schwierig – ein empfindliches Gleichgewicht zwischen der Vermeidung von AOG (aircraft on ground) Vorfällen und der Minimierung von Überschussbeständen.

Mehrere Softwareanbieter behaupten, diese Herausforderungen mit spezialisierten Optimierungstools zu lösen. Diese Studie unternimmt einen skeptischen Deep-Dive in die führenden “Aviation MRO optimization”-Lösungen. Wir werden die Technologie jedes Anbieters kritisch bewerten: Bieten sie wirklich state-of-the-art Fähigkeiten wie probabilistische Prognosen (sowohl für die Nachfrage als auch für Vorlaufzeiten), ökonomische Optimierung (Maximierung des Preis-Leistungs-Verhältnisses bei Lagerentscheidungen) und hohe Automatisierung zur Bewältigung von Zehntausenden oder Hunderttausenden von Teilenummern? Marketingaussagen über “AI/ML-driven” Verbesserungen – wie dramatische Bestandsreduzierungen oder Service-Level-Steigerungen – werden auf Substanz geprüft. Insbesondere suchen wir nach Beweisen fortschrittlicher Ingenieurskunst (oder deren Fehlen) hinter diesen Behauptungen und danach, ob die Tools auf automatisierter Analyse statt auf umständlichen benutzerdefinierten Parametern beruhen. Schließlich betrachten wir die Integrationsrealitäten in der chaotischen IT-Landschaft des Luftfahrt-MRO und stellen jegliche “plug-and-play”-Aussagen infrage.

Das Ziel ist es, MRO-Führungskräften mit technologischem Hintergrund einen schlüssigen, detaillierten Überblick über das Marktangebot zu geben – echte Innovation von leeren Schlagwörtern zu trennen.

Anbieter-Rankings (Zusammenfassung)

1. Lokad – Erstklassige probabilistische Prognosen und Automatisierung für die Luftfahrt. Lokad setzt mit modernster Technologie wie probabilistischer Nachfrage-/Vorlauzeitprognose und differenzierbarem Programmieren, das über Jahre der F&E in der Luftfahrt speziell entwickelt wurde, Maßstäbe. Es legt den Schwerpunkt auf ökonomische Optimierung (Kosten vs. Service) und minimale manuelle Feinabstimmung, weshalb es ein Spitzenreiter für wirklich state-of-the-art MRO Bestandsplanung ist.

2. PTC Servigistics – Umfassende Legacy-Suite mit modernen Erweiterungen. Servigistics bietet das breiteste Funktionsspektrum (Multi-Echelon-Optimierung, fortschrittliche Prognosen, IoT-Integration) und wird in der Luft- und Raumfahrt sowie Verteidigung weit verbreitet eingesetzt ¹. Es setzt “AI/ML” unter der Haube ein und bewältigt komplexe Szenarien, obwohl einige Algorithmen Jahrzehnte der Entwicklung zurückreichen. Sehr leistungsstark, aber seine Komplexität kann eine umfangreichere Konfiguration und Abhängigkeit von Experten erforderlich machen.

3. Syncron – Spezialist für Service-Ersatzteile mit wachsenden KI-Fähigkeiten. Die Cloud-Plattform von Syncron ist der Planung von Service-Ersatzteilen für Hersteller und nun auch für die Luft- und Raumfahrt gewidmet. Sie wirbt mit KI, Machine Learning und fortschrittlichen Simulationen, um komplexe, intermittierende Nachfrage-Muster zu bewältigen ². Probabilistische Funktionen entwickeln sich, und der Fokus liegt auf ökonomischer Lageroptimierung, wobei die Tiefe bei luftfahrtspezifischen Eigenheiten noch im Aufbau ist (historisch stark im OEM-Nachmarkt).

4. ToolsGroup (SO99+) – Bewährte stochastische Modellierung, aber veraltete “KI”-Erzählung. ToolsGroup war Vorreiter bei der Prognose intermittierender Nachfrage und der Multi-Echelon-Bestandsoptimierung ³. Seine probabilistischen Modelle bewältigen den “langen Schwanz” von Ersatzteilen gut. Allerdings erscheinen Behauptungen, “KI-gestützt” zu sein, übertrieben – Analysen deuten darauf hin, dass seine Technologie größtenteils auf traditioneller Statistik (Modelle vor 2000) mit einigen Aktualisierungen basiert ⁴. Dennoch liefert es eine solide Automatisierung für die groß angelegte Ersatzteilplanung.

5. Armac Systems (RIOsys) – Auf die Luftfahrt fokussierter Optimizer für Rotables und Ersatzteile. Armac (im Besitz von SR Technics) ist ein Nischenführer speziell für Airline/MRO-Bestände. Sein RIOsys-Tool berechnet optimale Bestandsniveaus sowohl für wiederverwendbare als auch für Verbrauchsteile selbst bei ungeplanter (zufälliger) Nachfrage und in Netzwerken mit mehreren Standorten ⁵. Es integriert operatives Wissen (z. B. Zuverlässigkeitsdaten) in das Modell und verfeinert kontinuierlich die Empfehlungen. Die domänenspezifische Stärke ist hoch, auch wenn das Unternehmen kleiner ist und technische Details (AI/ML) weniger öffentlich betont werden.

6. Baxter Planning (Prophet by Baxter) – Grundlagen der Service-Ersatzteilplanung mit Kostenfokus. Baxters Lösung umfasst Prognosen, Bestandsplanung und automatisierte Nachschubsteuerung. Sie verwendet einen Ansatz der “Total Cost Optimization”, der Teilekritikalität, Standort und Kunden-Dringlichkeit berücksichtigt, um Service und Kosten auszubalancieren ⁶. Es ist ein solides, pragmatisches Tool (über 20 Jahre in der Ersatzteilbranche), obwohl es mehr auf traditionellen Prognosemethoden und benutzerdefinierten Parametern beruht als auf wahrhaft KI-gestützter Automatisierung.

7. Smart Software (Smart IP&O) – Fortschrittliche Prognose-Engine für intermittierende Nachfrage. Smart Software ist bekannt für seine probabilistische Prognose von Ersatzteilen mittels einer patentierten Bootstrapping-Methode ⁷. Es generiert tausende von Nachfrageszenarien, um die Variabilität abzubilden, was zu einer genauen vollständigen Verteilung der Nachfrage über Vorlaufzeiten führt. Dies resultiert in optimierten Bestandsniveaus für intermittierende Teile. Allerdings liegt Smarts Fokus auf Prognosen und Sicherheitsbestandsberechnungen; es handelt sich um eine eng fokussierte Lösung (die oft ein ERP ergänzt) und nicht um eine vollständige End-to-End-MRO-Plattform. Integration und Benutzeraufwand, um auf dessen Prognosen zu reagieren, sind weiterhin erforderlich.

8. IBM (MRO Inventory Optimization, ehemals Oniqua) – Analytik-getrieben, asset-intensive branchenspezifische Fokussierung. IBMs MRO IO (von Oniqua übernommen) ist eine Cloud-Plattform, die statistische Analysen, präskriptive Analytik und Optimierung für Wartungsersatzteile kombiniert ⁸. Sie adressiert intermittierende Nachfrage durch integrierte Prognosen und kritikalitätsbasierte Empfehlungen, um Ausfallzeiten zu minimieren ⁹. Das Tool zeichnet sich darin aus, Überschuss gegenüber Mangel zu identifizieren und Planer über “Scores” und Arbeitswarteschlangen zu führen. Obwohl es etwas Automatisierung nutzt, tendiert der Ansatz mehr zu Entscheidungsunterstützungs-Dashboards – mit der Anforderung, dass Benutzer die Erkenntnisse (z. B. nach Kritikalität, Vorlaufzeit) überprüfen und entsprechend handeln ¹⁰. Seine Technologie ist solide, aber nicht auffällig – mehr schwere Analytik als “KI-Magie” und erfordert oft signifikante Datenbereinigung (ein IBM-Fachgebiet) sowie Integrationsarbeiten.

9. SAP Service Parts Planning (SPP) – Leistungsfähiges Modul mit umfangreicher Konfiguration. SAPs eigene Ersatzteilplanungs-Lösung (Teil von SAP SCM/APO, derzeit im Übergang zu IBP) bietet Multi-Echelon-Bestandsoptimierung und unterstützt Methoden wie Croston’s für intermittierende Nachfrage ¹¹. Theoretisch kann es die Komplexität im Luftfahrtbereich bewältigen, und einige große OEMs haben dazu beigetragen, die Funktionalität zu gestalten. In der Praxis erfordert SAP SPP umfangreiche benutzerdefinierte Einstellungen (Auswahl von Prognosemodellen, Serviceklassen-Zielen etc.) und erhebliche Anpassungen, um den Anforderungen der Luftfahrt gerecht zu werden. Es ist typischerweise weniger automatisiert – Planer müssen Parameter konfigurieren (z. B. Lebenszykluscodes, Nachfolgekettencodes, Min/Max), anstatt dass das System selbstlernend agiert. Als in ERP integrierte Option ist es zuverlässig, aber nicht führend in der algorithmischen Innovation.

10. Oracle Spares Management – Grundlegende Ersatzteilplanung im Oracle ERP. Oracle bietet ein Service-Ersatzteil-Modul (in E-Business Suite und Cloud SCM), das Nachfrageprognosen, Bestandsniveausplanung etc. abdeckt ¹². Es beinhaltet standardmäßige Techniken für intermittierende Nachfrage und Bestelloptimierung über ein Netzwerk. Wie SAP verlässt es sich tendenziell auf regelbasierte Setups und Benutzereingaben – z. B. definieren Planer Prognosestrategien (Croston, exponentielle Glättung) und Inventarrichtlinien. Oracles Lösung erfüllt für einige den Job, aber wir fanden keinen Beleg für bahnbrechende KI oder probabilistische Optimierung; sie liegt technologisch in der Regel einen Schritt hinter den spezialisierten Anbietern.

Als nächstes vertiefen wir uns in eine detaillierte Analyse der Technologie, Fähigkeiten und Aussagen jedes Anbieters, wobei wir hervorheben, wo sie glänzen und wo Skepsis angebracht ist.

Lokad – Probabilistic “Quantitative Supply Chain” for Aviation

Lokad ist ein neuer Anbieter (gegründet in den 2010er Jahren), der sich intensiv auf aerospace & MRO optimization als Kerndisziplin konzentriert hat. Sein Ansatz ist kompromisslos datenwissenschaftsgetrieben. Die Plattform von Lokad fokussiert sich auf probabilistische Prognosen und das, was sie als “predictive optimization” bezeichnen. Anstatt einen Einzelwertbedarf zu prognostizieren, modelliert Lokad die vollständige Wahrscheinlichkeitsverteilung der Nachfrage, der Vorlaufzeiten und sogar der Teil-Ausschussraten ¹³. Dies ist entscheidend für die hohe Unsicherheit in der Luftfahrt: Beispielsweise kann ein Teil normalerweise 5.000 Stunden halten, aber gelegentlich viel früher ausfallen – ein probabilistisches Modell erfasst dieses Risiko. Anschließend berechnet Lokad Lagerhaltungsrichtlinien, die die Gesamtkosten (Lagerhaltungskosten, Fehlbestandskosten, AOG-Strafen) unter Berücksichtigung dieser Unsicherheiten minimieren.

Auffallend bei Lokads Technologie ist das differenzierbare Programmieren ¹³. Das bedeutet im Wesentlichen, dass Techniken des Machine Learning genutzt werden, um aus komplexen supply chain Datenmustern zu “lernen”. Beispielsweise können Wartungspläne, Zuverlässigkeitskurven (MTBUR – Mean Time Between Unscheduled Removal), Reparaturzyklen etc. in ein neuronales netzwerkähnliches Modell einfließen, statt auf feste Regeln zu setzen. Lokad behauptet, dass dies automatisch Muster aus den Daten extrahiert, die traditionelle, fest kodierte Formeln übersehen könnten ¹³. Es ist ein neuartiges Konzept in der supply chain, und obwohl es extern schwer zu verifizieren ist, weist es auf ernsthafte Ingenieurskunst jenseits von Schlagwörtern hin.

Wichtig ist, dass Lokad technische Details zu seinem Ansatz liefert – ein erfrischender Wechsel zu vagen KI-Behauptungen. In einer Pressemitteilung mit Revima (einem APU/Landing Gear MRO) erwähnten sie explizit probabilistische Prognosen für Nachfrage, Vorlaufzeit und Ausschuss, kombiniert mit differenzierbarem Programmieren zur Modellierung komplexer Reparaturprozesse ^{13 13}. Dies sind konkrete Techniken und nicht bloßer Marketing-Jargon. Die Tatsache, dass Lokads CEO ein aktiver Blogger in Sachen supply chain Mathematik ist, verleiht zusätzliche Glaubwürdigkeit.

Aus Sicht der Automatisierung ist Lokads Lösung hochgradig automatisiert, sobald Daten verfügbar sind. Sie wird als Software-plus-Services („Supply Chain as Code“-Konzept) bereitgestellt: Das Team unterstützt bei der Konfiguration eines maßgeschneiderten Optimierungsmodells mittels ihrer Skriptsprache (Envision). Anschließend übernimmt das System kontinuierlich den Datenimport (z. B. tägliche Ersatzteiltransaktionen, Ausbuchungen etc.) und generiert mit minimaler manueller Intervention Empfehlungen zu Bestandsniveaus, Bestellungen und Priorisierungen von Reparaturaufträgen. Es ist dafür ausgelegt, zehntausende oder hunderttausende von P/Ns zu verwalten, indem die Algorithmen für jedes Teil optimale Richtlinien berechnen, statt dass Planer Tausende von Min/Max-Einstellungen pflegen. Ein MRO-Manager der Luftfahrt bestätigt: “Lokad hat die richtigen Werkzeuge und Unterstützung bereitgestellt, um… die Unsicherheit durch einen probabilistischen Ansatz zu reduzieren,” und damit anspruchsvolle Fill-Rate-Ziele bei reduziertem Risiko zu erreichen.

Lokad ist auch offen in Sachen Integration: Es wird keine reine “plug-and-play”-Fantasie propagiert, sondern eingeräumt, dass Luftfahrt-Daten chaotisch sein können. Stattdessen werden alle verfügbaren Datenquellen genutzt – selbst wenn sie unvollkommen sind. So könnten beispielsweise OEM-bereitgestellte Zuverlässigkeitsmetriken (MTBUR) und die historischen Ausbuchungsdaten des Betreibers herangezogen und gewichtet werden, je nachdem, welche für jedes Teil prädiktiver ist ^{14 15}. Dieses Maß an Nuancierung – die Nutzung mehrerer Datenquellen zur Triangulation – zeigt ein ausgeprägtes Verständnis für luftfahrtspezifische Eigenheiten (z. B. den Einsatz von OEM-Daten, wenn Servicedaten spärlich sind, und umgekehrt).

Skeptische Betrachtung: Lokads Behauptungen werden im Allgemeinen durch Beweise gestützt (Fallstudien mit Air France KLM, Revima usw. sowie detaillierte technische Blogs). Dennoch sollte man kritische Fragen stellen: Beispielsweise, wie einfach kann ein typischer MRO Lokads Lösung ohne ein Team von Datenwissenschaftlern übernehmen? Lokad arbeitet tendenziell eng mit Kunden über eigene Experten zusammen, was für Ergebnisse hervorragend ist, aber zunächst als ein beratungsintensives Modell und nicht als reine Software wirken könnte. Außerdem, obwohl probabilistische Modelle ideal für intermittierende Nachfrage sind, hängt ihre Genauigkeit von der Datenqualität ab – Garbage in, sophisticated garbage out bleibt ein Risiko. Lokads Ergebnisse wie “Bestand um 60% reduziert” in einem Fall ¹⁶ sollten mit gesunder Skepsis betrachtet werden – solche Resultate könnten außergewöhnlich sein oder im Vergleich zu einer sehr schlechten Ausgangsbasis gemessen worden sein. Nichtsdestotrotz scheint Lokad unter den Anbietern am meisten neue Maßstäbe im Bereich der modernen Prognose- und Optimierungswissenschaft zu setzen. Es verlässt sich nicht darauf, dass Nutzer willkürliche Service-Level-Ziele oder ABC-Klassen festlegen; stattdessen automatisiert es Entscheidungen, indem es die wirtschaftlichen Kompromisse für jedes Teil berechnet. Dieses Maß an Automatisierung und probabilistischer Strenge macht es zu einer erstklassigen Wahl für alle, die bereit sind, eine neuere Lösung zu übernehmen.

PTC Servigistics – Schwergewicht-Champion mit aktualisierter Technik

Servigistics ist der Veteran in diesem Bereich – seine Herkunft reicht zurück bis zu Branchenpionieren (Xelus, MCA Solutions), die in Servigistics integriert und 2012 von PTC übernommen wurden ¹⁷. Es ist mit Abstand die am weitesten verbreitete Service Parts Management (SPM) Software unter großen Luft- und Raumfahrt- sowie Verteidigungsorganisationen. Qantas, Boeing, Lockheed Martin, die U.S. Air Force – solche Namen tauchen häufig als Nutzer von Servigistics auf ¹⁸. Mit diesem Erbe setzt Servigistics hohe Maßstäbe in Bezug auf Umfang und Tiefe der Funktionen. Aus der Fähigkeitsperspektive listet Servigistics nahezu jede Funktion auf, die ein MRO- oder Aftermarket-Logistikteam sich wünschen könnte: Nachfrageprognosen, die auf niedrigvolumige, sporadische Nachfrage spezialisiert sind, Multi-Echelon-Bestandsoptimierung (zur Platzierung von Lagerbeständen, etwa im zentralen Lager, an Vorposten, in der Reparaturwerkstatt etc.), Multi-Source-Beschaffungsplanung, Entscheidungen zwischen Reparatur und Neukauf sowie ein integriertes Ersatzteilpreismodul ¹⁹. Bemerkenswert ist, dass PTC Servigistics auch durch IoT-Integration erweitert hat – wobei die ThingWorx-Plattform genutzt wird, um vernetzte Gerätedaten (z. B. Nutzungs- oder Sensordaten von Flugzeugen/Triebwerken) einzuspeisen, damit das Ausfallen von lebenserwartungsbegrenzten Teilen vorhergesagt und proaktiv Ersatz eingeplant werden kann ^{20 21}. Dies greift das Problem der “random BOM” auf, indem Ersatzteilentfernungen basierend auf tatsächlichem Zustandsmonitoring und nicht nur auf historischen Daten prognostiziert werden.

Servigistics behauptet, moderne Datenwissenschaft einzusetzen: „Prognose-, Optimierungs- und Analysemodule nutzen AI, Machine Learning und Big Data“ ²². Allerdings sind Details dazu, wie genau AI/ML eingesetzt wird, in den öffentlichen Materialien spärlich vorhanden. Angesichts der langen Geschichte des Tools ist es wahrscheinlich, dass ein Großteil der Prognose-Engine noch auf klassischen statistischen Methoden beruht (Croston-Methode, Varianten des exponentiellen Glättens für intermittierende Nachfrage, vielleicht Bayesianische Schätzung bei geringer Nachfrage), die schrittweise verbessert wurden. Die Erwähnung der Zusammenarbeit mit Akademikern wie Dr. John Muckstadt deutet auf den Einsatz bewährter analytischer Modelle für die mehrstufige Optimierung hin ²³. Muckstadts Algorithmen (aus seinem Buch „Service Parts Management“) sind mehr operations research (mathematische Optimierung) als Machine Learning – was in diesen Fällen oft optimal ist. Das „AI/ML“ könnte eher ein neu eingeführter Wrapper sein – möglicherweise wird Machine Learning für Aufgaben wie die Erkennung von Anomalien in der Nachfrage oder die Klassifizierung von Teilen (z. B. Gruppierung ähnlicher Nachfragemuster) verwendet, statt für die Kernprognose. Man sollte etwas skeptisch sein, dass Servigistics plötzlich zu einer „AI“-Plattform geworden ist; genauer gesagt handelt es sich um eine sehr ausgefeilte OR (Operations Research)-Plattform mit einigen neuen AI-gestützten Funktionen am Rande.

Probabilistic forecasting: Macht Servigistics das? Historisch konnte es für jedes Teil eine Nachfragesverteilung erzeugen (zum Beispiel mittels Bootstrapping oder vordefinierter statistischer Verteilungsanpassung), um optimale Sicherheitsbestände zu berechnen. Die mehrstufige Optimierung erfordert naturgemäß probabilistische Eingaben (um die Wahrscheinlichkeit eines Bestandsausfalls an verschiedenen Standorten zu berechnen). PTCs Dokumentation verweist auf „Arten von verwendeten Wahrscheinlichkeitsverteilungen“ bei Bestandsentscheidungen ²⁴, was impliziert, dass das System mehr als nur eine einzige durchschnittliche Prognose berücksichtigt. Man kann vernünftigerweise davon ausgehen, dass es eine Art probabilistischer Prognose oder zumindest eine Szenario-Simulation für sporadische Nachfrage durchführt (MCA Solutions, einer seiner Vorgänger, war bekannt für Monte-Carlo-Simulationen in der Planung). Der Unterschied zu einem modernen Ansatz besteht darin, ob diese Verteilungen automatisch gelernt oder per Regeln ausgewählt werden. In Servigistics legt ein Planer typischerweise für jedes Teil eine Prognosemethode fest (oder das System wählt automatisch aus einem Satz von Methoden aus) und bestimmt dann die Service-Level-Ziele. Es ist viel benutzerdefinierte Politik möglich – z. B. können Planer Teile nach Kritikalität oder Wert segmentieren und unterschiedliche Füllraten-Ziele zuweisen (das System verfügt über eine umfangreiche Segmentierungsfunktion) ²⁵. Falls nicht vollständig automatisiert, könnte dies ein Schwachpunkt sein: Das Tool kann optimieren, sobald man diese Parameter eingibt, aber die Bestimmung, welches Service-Niveau für zehntausende von Teilen gelten soll, wird oft dem Urteil des Nutzers oder einfachen Regeln (wie „95% für No-Go-Teile, 80% für Go-If-Teile“) überlassen. Wirklich optimale Lösungen würden diese Abwägungen dynamisch berechnen. Es ist unklar, ob Servigistics eine automatisierte „Service-Level-Optimierung“ anbietet, die beispielsweise die Gesamtsystemverfügbarkeit für ein gegebenes Budget maximiert – wahrscheinlich kann es das, aber viele Nutzer nutzen diesen Modus möglicherweise aufgrund der Komplexität nicht.

Servigistics behandelt auch Aspekte des Teilelebenszyklus und Reparaturschleife. Für Rotables (reparierbare Teile) kann es die Reparaturpipeline planen und Umrüstzeiten sowie Erträge berücksichtigen. Die neuere Erweiterung „Connected Forecasting“ prognostiziert explizit den Ausfall von Teilen wie Life Limited Parts (LLPs) basierend auf deren verbleibender Lebensdauer und Nutzungsdaten ²⁶ – eine sehr wichtige Fähigkeit in der Luftfahrt, wo man weiß, dass ein Teil nach X Zyklen ersetzt werden muss. Dies hilft, die unregelmäßige Nachfrage abzumildern, indem einige deterministische Signale (z. B. geplante Ausmusterungen) in die Prognose einfließen.

Zur Integration: PTC hat sich mit führenden MRO ERP-Anbietern wie IFS und Trax zusammengetan, um Servigistics zu integrieren ²⁷. Dennoch ist die Integration eines so umfassenden Tools in das Wartungssystem einer Fluggesellschaft ein großes Projekt (oft 6–12+ Monate). Jegliche „Plug-and-Play“-Ansprüche aus dem Vertrieb sollten mit Vorsicht betrachtet werden. In der Realität müssen Dutzende von Datenfeldern (Installationsbasisdaten, Teilekataloge, Stücklisten für Wartungsaufgaben, Reparaturzyklusdaten usw.) zugeordnet und oft die Datenqualität bereinigt werden. Servigistics verfügt vermutlich über Standardadapter für Systeme wie SAP oder Oracle, aber individuelle Anpassungen sind die Norm – wie es bei jeder Unternehmenslösung der Fall ist.

Wichtige Skepsis-Punkte: Servigistics ist äußerst leistungsstark, aber ist es einfach, daraus Nutzen zu ziehen? Viele Altinstallationen werden untergenutzt und nutzen nur grundlegende Funktionen (wie die einstufige Planung mit festgelegten Sicherheitsbeständen), da die vollumfängliche Optimierung ohne Experten überwältigend sein kann. Es lohnt sich, einen Anbieter dahingehend zu befragen, wie automatisiert das System in der Praxis wirklich ist – z. B.: Erkennt es automatisch eine Änderung der Lieferzeitvariabilität und passt die Nachbestellpunkte an, oder muss ein Planer eingreifen? Die Präsenz vieler „Planungsparameter“ deutet darauf hin, dass eine Menge Feinabstimmung möglich ist ²⁸, was sowohl positiv als auch negativ sein kann. Beispielsweise erlaubt Servigistics, den berechneten EOQ zu überschreiben oder bestimmte Prognosezeiträume zu erzwingen ²⁸, was andeutet, dass den Standardberechnungen von den Nutzern nicht immer voll vertraut wird.

Zusammenfassend ist Servigistics die funktionsreichste Option und hat sich weiterentwickelt, um moderne Elemente (IoT-Daten, etwas AI) zu integrieren. Es bietet modernste Fähigkeiten, aber ob es auch modernste Lösungen liefert, hängt von der Umsetzung ab – ein Aspekt, dem man mit Vorsicht begegnen sollte. Für ein MRO, das über die Ressourcen verfügt, es vollständig zu implementieren, kann es hervorragende Leistungen erbringen (bei Qantas wurde eine Teileverfügbarkeit von 94% berichtet ²⁹). Kleinere Betriebe könnten es jedoch als zu schwergewichtig empfinden. Die Marketingaussagen (Führerschaft in fast jedem Analystenbericht usw.) sind typisch und angesichts des Marktanteils teilweise zutreffend, aber potenzielle Käufer sollten über die Lobpreisungen hinausblicken und sicherstellen, dass sie die Prozessreife besitzen, um dieses leistungsstarke, aber komplexe Tool zu nutzen.

Syncron – Cloud-Native Service Parts Planning with AI Promises

Syncron ist ein weiterer bedeutender Anbieter, der aus einem anderen Blickwinkel kommt – es begann mit Aftermarket-Service-Teilen für Hersteller (insbesondere im Automobil- und Industriesektor) und hat sich in den letzten Jahren auch in den Bereichen Luft- und Raumfahrt/Verteidigung etabliert. Das Wertversprechen von Syncron konzentriert sich darauf, eine zweckgebundene, cloudbasierte Plattform für Service-Teile zu sein, die mehrere Module kombiniert (Bestandsoptimierung, Preisoptimierung und sogar ein auf IoT basierendes Uptime-Prognosemodul) ^{30 31}. Im Kontext von Aviation-MRO gewinnt Syncron an Bedeutung – zum Beispiel hat ATR (der Hersteller regionaler Flugzeuge) kürzlich Syncron für das Bestandsmanagement in seiner globalen Flottenunterstützung gewählt ^{32 2}.

Technologisch wirbt Syncron mit dem Einsatz von AI, Machine Learning und fortschrittlicher Analytik in seiner Parts Planning-Lösung ². Konkret wird erwähnt, dass die Software „Nachfragetrends verfolgt und fortschrittliche Simulationen konfiguriert, um den Bedarf an Service-Teilen zu planen und vorherzusagen“ ². Dies deutet darauf hin, dass Syncron ebenfalls eine Form von Monte-Carlo-Simulation oder probabilistischer Planung verwendet – wahrscheinlich werden Szenarien von Nachfrage und Angebot generiert, um den Bestand zu optimieren. In einem IDC MarketScape wurde Syncron für „dynamic replenishment, probabilistic planning/forecasting“ als eine seiner Stärken hervorgehoben ³³, was darauf hinweist, dass es nicht nur deterministische oder regelbasierte Methoden anwendet. Im Gegensatz zu einigen älteren Tools bedeutet die Cloud-native Architektur von Syncron, dass große Datensätze verarbeitet und umfangreiche Simulationen im Hintergrund durchgeführt werden können, ohne dass der Kunde die IT-Infrastruktur verwalten muss.

Ein bemerkenswerter Aspekt von Syncrons Philosophie ist die Servitization – Unternehmen dabei zu helfen, die Betriebszeit als Dienstleistung zu betrachten. Praktisch verknüpft die Syncron-Plattform Service Parts Forecasting mit Field Service Management-Inputs und IoT-basierten Predictive Maintenance-Signalen (über ihr Uptime™-Modul). Für die Luftfahrt könnte dies bedeuten, Flugzeugzustandsüberwachungsdaten zu nutzen, um den Teilebedarf vorauszusehen. Es ist in seinem Konzept ähnlich wie das, was PTC mit ThingWorx macht, allerdings hat Syncron dies als Teil ihrer Suite speziell für den After-Sales-Service verpackt. Dieser Ansatz stimmt mit Trends wie Power-by-the-Hour in der Luftfahrt überein, wo Verfügbarkeit alles ist.

Im Bereich der Optimierung optimiert Syncron den Bestand, indem es Verfügbarkeit und Kosten gegeneinander abwägt. Es wird explizit von Verbesserungen wie einer 12–17,5%igen Steigerung der Teileverfügbarkeit und einer 15%igen Reduktion der Bestandskosten für Kunden gesprochen ³⁴. Diese Zahlen, wie alle derartigen Aussagen, sollten mit Vorsicht betrachtet werden – sie könnten aus ausgewählten Fallstudien stammen. Öffentlich sind nur wenige technische Details zu den Algorithmen hinter Syncrons Optimierung verfügbar. Man kann jedoch vermuten, dass eine Kombination aus statistischen Prognosemodellen, Machine Learning für die Mustererkennung und einem heuristischen Ansatz oder Solver für die mehrstufige Lagerhaltung zum Einsatz kommt. Syncron Inventory war historisch stark in der Optimierung von Distributionsnetzwerken (für OEMs mit Händlernetzwerken usw.), sodass die Optimierung an mehreren Standorten in seiner DNA verankert ist.

Automation and user effort: Syncron automatisiert vermutlich viele Routineaufgaben – als moderne Software wurde sie für Cloud und Benutzerfreundlichkeit entwickelt. Wahrscheinlich wählt sie automatisch geeignete Prognosemodelle aus und aktualisiert diese, wenn sich die Daten ändern, anstatt von den Nutzern zu erwarten, dass sie manuell die Prognosemethode für jede SKU anpassen (ein Nachteil älterer Systeme). Dennoch legen Syncrons typische Anwender (Hersteller) oft weiterhin Geschäftsregeln fest – z. B. Teile nach Lebenszyklus oder Kritikalität klassifizieren, um unterschiedliche Richtlinien anzuwenden. Wir sollten überprüfen, ob Syncron eine vollständig automatisierte Optimierung ermöglicht. Es wird erwähnt, dass Syncrons Preis- und Bestandsmodule derzeit separate Datenbanken verwenden, die eine Integration erfordern ³¹, was auf einige veraltete Grundlagen hindeutet. Die Integration zwischen den Modulen ist womöglich nicht so nahtlos, wie es beworben wird.

Eine Stärke, die Syncron betont, ist das Teilelebenszyklusmanagement: der Umgang mit Neueinführungen, Veralterung und Nachfolgeregelungen von Teilen. In der Luftfahrt, wo Teile durch neuere Versionen oder PMA-Alternativen ersetzt werden, ist dies entscheidend. Syncron befasst sich auch in der Automobilbranche mit ähnlichen Problemen (wo Modellwechsel die Teile-Nachfrage beeinflussen) – vermutlich kann das System den Nachfragerückgang für ältere Teile prognostizieren und den Anstieg für neue mittels Analogien oder verknüpfter Prognosen steuern.

Claims verification: Syncron weist relativ weniger öffentliche technische Whitepapers auf, sodass ein Teil unserer Skepsis darin besteht, dass wir uns auf ihre Aussagen und einige Referenzen verlassen müssen. Die ATR-Pressemitteilung deutet darauf hin, dass die Lösung bei supply chain instability und der Skalierung von Operationen hilft ³⁵ – was jedoch sehr allgemein gehalten ist. Die zentrale technische Aussage ist die Kombination von AI/ML + Simulation ². Wir würden Syncron fragen: Liefern sie Belege, dass ML-Modelle tatsächlich im Einsatz sind? Beispielsweise, verwenden sie neuronale Netze, um Nachfrageursachen (wie Nutzungsraten oder Ausfälle) zu erkennen, oder bedienen sie sich lediglich Zeitreihenmethoden? Und wenn sie „AI“ sagen, handelt es sich dabei nur um ein Label für ihre statistischen Modelle oder um wirklich neue Techniken? Ohne weitere Details bleiben wir vorsichtig.

Jedoch stützt sich Syncron im Gegensatz zu einigen Wettbewerbern nicht auf veraltete Architekturen – es ist von Grund auf eine Plattform des 21. Jahrhunderts. Das bedeutet wahrscheinlich eine bessere Benutzeroberfläche und möglicherweise schnellere Implementierung (die Integration in ERP-Systeme erfolgt über moderne APIs, und oft übernehmen sie die Schwerstarbeit für die Kunden). Dennoch ist „Plug-and-Play“ unrealistisch: Die Implementierung bei ATR erforderte beispielsweise vermutlich, dass Syncron an ATRs maßgeschneiderte SAP- und Wartungssysteme angepasst wurde. Das Team von Syncron arbeitete aktiv mit ATR zusammen, um Erweiterungen für die „einzigartigen Anforderungen“ der Luftfahrt zu erarbeiten ³⁶ – was andeutet, dass einige aviation-spezifische Anforderungen anfangs nicht erfüllt waren, bis zur Zusammenarbeit. Dies ist sowohl positiv (der Anbieter ist bereit, sich anzupassen) als auch warnend (das Produkt war anfangs nicht vollständig für alle Komplexitäten der Luftfahrt gerüstet).

Zusammenfassend bewegt sich Syncron in Richtung modernster Standards mit probabilistischen und AI-Elementen und weist eine starke Automatisierungsorientierung auf. Es mag zwar noch nicht den tiefgreifenden Luftfahrt-Erfahrungswert von Servigistics haben, aber es entwickelt sich schnell zu einem Spitzenkandidaten, wie neue Aviation-Kunden belegen. MRO-Führungskräfte sollten Syncrons ML-Aussagen überprüfen (nach Details oder Demos fragen, wie es eine schwankende Teilenummer prognostiziert) und sicherstellen, dass alle versprochenen Verbesserungen im Bestand/Service mit Daten untermauert werden – und nicht nur mit Branchen-Durchschnitten. Wie bei anderen gilt: Leuchtende Prozentsätze (z. B. „15% Reduktion der Bestandskosten“) sind als grobe Richtwerte zu verstehen; reale Ergebnisse variieren je nachdem, wie unstrukturiert der Ausgangsprozess war. Insgesamt steht Syncron aufgrund seiner modernen Architektur und seines Fokus auf intelligente Automatisierung hoch im Kurs – wenngleich seine Technik jenseits der Schlagworte noch zu beweisen ist.

ToolsGroup – Starke Algorithmen für intermittierende Nachfrage, aber wie „intelligent“?

ToolsGroup ist ein etabliertes Unternehmen (gegründet 1993), bekannt für seine Flaggschiff-Software SO99+ (Service Optimizer 99+). Es hat eine bedeutende Präsenz in der Planung von Aftermarket-Teilen in verschiedenen Branchen – von Ersatzteilen für Automobile bis hin zu Industrieanlagen – und wurde auch in luft- und raumfahrtspezifischen Kontexten eingesetzt. Die Kernstärke von ToolsGroup besteht seit jeher darin, den „long tail“ der Nachfrage mit dem, was sie ein probabilistisches Modell nennen, zu bewältigen. Sie heben hervor, dass herkömmliche Tools bei intermittierender Nachfrage versagen, während ToolsGroup „das Problem der Service Parts Planning mit einer außergewöhnlichen Fähigkeit löst, intermittierende Nachfrage zu prognostizieren und den mehrstufigen Bestand global zu optimieren“ ³.

Die Technologie hinter der Prognose von ToolsGroup ist in der Tat probabilistisch. Historisch gesehen verwendeten sie einen firmeneigenen Ansatz, bei dem sie anstelle einer einzelnen Prognosezahl die Nachfrage als Wahrscheinlichkeitsverteilung für jede SKU modellierten. Dies konnte mittels Monte-Carlo-Simulation oder analytisch durch Anpassen einer Verteilung erfolgen (einige Quellen deuten darauf hin, dass ToolsGroup eine Form des Bootstrappings oder eine Variante der Croston-Methode in Kombination mit Variabilitätsanalysen verwendet). Für jedes Teil berechnet die Software, basierend auf der Nachfragesverteilung und der Lieferzeit, den Bestand, der erforderlich ist, um ein vorgegebenes Service-Niveau zu erreichen oder umgekehrt, das Service-Niveau, das für ein gegebenes Bestandsbudget erreichbar ist. Dieser Ansatz war in den 1990er/2000er Jahren bahnbrechend, als die meisten Planungssysteme einfache Methoden verwendeten. Er ermöglicht es, Service-Niveaus sehr präzise zu steuern, selbst bei extrem langsam drehenden Artikeln. ToolsGroup führte auch das Konzept des „service level-driven planning“ ein, bei dem das gewünschte Service-Niveau pro SKU festgelegt wird und das Tool den benötigten Bestand ermittelt, anstatt dass Planer den Sicherheitsbestand schätzen.

Doch die moderne Kritik lautet, ob ToolsGroup weitreichend über seine früheren Modelle hinaus innoviert hat. Das Unternehmen vermarktet sich nun als „KI-gestützt“ und spricht von Konzepten wie „demand sensing“ und maschinellem Lernen. Aber eine Marktstudie von Lokad weist darauf hin, dass ToolsGroups öffentliche Materialien immer noch ältere Techniken andeuten und sogar eine Inkonsistenz feststellen: ToolsGroup begann, probabilistische Prognosen zu bewerben, bezog sich jedoch weiterhin auf Verbesserungen des MAPE (Mean Absolute Percentage Error), was „nicht für probabilistische Prognosen gilt“ ⁴. Dies deutet auf eine gewisse Marketingfassade hin – man würde den Prognosefehler nicht mit MAPE messen, wenn man sich wirklich auf Verteilungsprognosen konzentriert. Anders ausgedrückt produziert ToolsGroup womöglich immer noch hauptsächlich eine einzelne Prognose für jeden Artikel (für Geschäftsberichte) und verwendet probabilistische Ansätze im Hintergrund für Bestandsberechnungen.

Nichtsdestotrotz sind die Fähigkeiten von ToolsGroup solide. Es unterstützt die Optimierung über mehrere Ebenen, was bedeutet, dass es Empfehlungen geben kann, wo in einem Netzwerk Ersatzteile gelagert werden sollten, um Serviceziele mit minimalem Bestand zu erreichen. Es kann außerdem die Umplatzierung von Beständen und deren Umverteilung handhaben, was im MRO nützlich ist, wenn Teile zwischen Standorten oder Regionen verschoben werden. Die Lösung von ToolsGroup wird häufig in ERP-Systeme wie SAP integriert – einige Unternehmen nutzen SO99+ parallel zu SAP, um die Einschränkungen der SAP-Planung zu überwinden (ToolsGroup behauptet sogar, dass sie SAP APO mit probabilistischer Prognose erweitern könne ³⁷). Im Allgemeinen ist das System hoch automatisiert: Einmal konfiguriert, überwachen die Planer vorwiegend Ausnahmen. Das Tool verarbeitet Tausende von SKU-Standort-Kombinationen und markiert nur die Artikel, bei denen möglicherweise das Servicelevel zu sinken droht oder unerwartete Nachfragespitzen auftreten, die eine Intervention erfordern.

Zum spezifischen MRO-Kontext: ToolsGroup kann zwar sporadische Nachfrage modellieren, doch berücksichtigt es auch Faktoren wie die Kritikalität von Teilen oder deren Lebenszyklus? ToolsGroup ist tendenziell generisch; jedoch können Benutzer unterschiedliche Servicelevel-Ziele oder Kosten für verschiedene Bauteilkategorien eingeben. Es kennt möglicherweise nicht von Haus aus die „go/no-go“-Kritikalität, aber ein Kunde könnte das berücksichtigen, indem er für „no-go“-Artikel ein nahezu 100%-iges Servicelevel-Ziel festlegt und für die anderen niedrigere Werte wählt. Die Optimierung folgt dann dieser Vorgabe. Ebenso mag ToolsGroup für Lebenszyklen kein sofort einsatzbereites Modul zur Prognose basierend auf der verbleibenden Lebensdauer haben (wie es Servigistics oder Syncron mit IoT-Daten tun), jedoch lassen sich Prognosen manuell für bekannte, planmäßige Ersetzungen anpassen. Es handelt sich eher um ein Toolkit, das an verschiedene Bedürfnisse angepasst werden kann, als um eine speziell auf die Luftfahrt zugeschnittene Lösung.

Ein Aspekt, der Beachtung verdient, sind die typischen Ergebnisse, die ToolsGroup angibt: So behaupten sie beispielsweise, dass Kunden eine 20–50%ige Reduzierung verlorener Verkäufe, 10–30%ige Bestandsreduktion und Servicelevels von 95–99% ³⁸ erreichen. Obwohl diese Werte plausibel erscheinen, sind sie breit gefächert und eindeutig marketinggetrieben. Solche Verbesserungen sind wahrscheinlich bei Unternehmen zu beobachten, die zuvor keine echte Optimierung betrieben haben – die Einführung eines ordentlichen Tools würde zu erheblichen Vorteilen führen. Das bedeutet nicht zwangsläufig, dass ToolsGroup diese Ergebnisse im Vergleich zu Mitbewerbern einzigartig erzielt. Oft gibt es keine unabhängige Studie, die diese Prozentsätze belegt, sodass man skeptisch bleiben sollte, sie ungeprüft zu übernehmen (das Fehlen von Kontext wie „im Vergleich zu welchem Ausgangswert?“ oder „über welchen Zeitraum?“ spricht für sich).

Benutzergesteuert vs. Automatisierung: ToolsGroup ist in der Prognose relativ automatisiert, erlaubt jedoch umfangreiche Konfigurationen. Beispielsweise können Planer die Servicelevel-Ziele nach Artikel oder Gruppe auswählen. Wenn ein Unternehmen nicht weiß, wie diese festzulegen sind, könnte es auf alte Gewohnheiten (ABC-Klassifikation etc.) zurückfallen, was die Wirkung der Technologie einschränkt. Idealerweise würde man die Optimierung von ToolsGroup nutzen, um diese Ziele optimal zu bestimmen – ich glaube, ToolsGroup verfügt über Funktionalitäten, die eine Abwägung von Lagerbestandsinvestitionen gegenüber dem Service über das gesamte Portfolio ermöglichen, was eine Form der wirtschaftlichen Optimierung darstellt. Es kann jedoch erforderlich sein, die Beratungsleistungen oder fortgeschrittenen Funktionen einzusetzen, um alles richtig zu konfigurieren.

Der Integrationsaufwand für ToolsGroup ist moderat – es werden Anbindungen an Nutzungsdaten, Stücklisten etc. benötigt. Es ist nicht ganz plug-and-play wie bei Systemen wie AMOS oder Rusada (gängige MRO-Systeme), daher ist mit einem Projekt zu rechnen, auch wenn es angesichts der langen Geschichte von ToolsGroup viele Integrations-Connectoren gibt.

Fazit: ToolsGroup ist eine leistungsfähige, vertrauenswürdige Lösung zur Optimierung von Ersatzteilen. Es entspricht definitiv dem Stand der Technik circa 2010 und überzeugt noch immer. Aber im Jahr 2025 sollte man hinterfragen, inwieweit neuere KI/ML-Techniken integriert wurden. Die verfügbaren Belege deuten auf viele Schlagwörter, aber kaum auf konkrete, neue Methoden hin. Das heißt nicht, dass es nicht funktioniert – es funktioniert, aber das „KI“-Label könnte schlicht bedeuten, dass auf ausgefeilte Statistiken zurückgegriffen wird (was in Ordnung ist). Für einen MRO-Manager könnte ToolsGroup eine risikoärmere Wahl sein (etabliertes Produkt, viele Referenzkunden). Man sollte sich jedoch bewusst sein, dass man womöglich kein wirklich zukunftsweisendes System bekommt, sondern ein sehr gutes traditionelles System. Wenn das Unternehmen mit „KI“ wirbt, sollte man genau nachfragen, was daran KI-gesteuert ist und wie es die bereits guten probabilistischen Modelle verbessert. Außerdem gilt es sicherzustellen, dass das Team die Stärken (zum Beispiel die Optimierung über mehrere Ebenen) voll ausschöpft und das System nicht zu einem bloßen Planungstool verkommt.

Armac Systems (RIOsys) – Aviation Native, Optimierung von Rotablen und Reparaturen

Armac Systems ist in dieser Liste einzigartig, da es spezifisch aus der Luftfahrt-MRO-Welt hervorgegangen ist. Es handelt sich um einen kleineren Anbieter (mit Sitz in Irland, mittlerweile von SR Technics seit den späten 2010er Jahren ³⁹ übernommen), der sich zu 100% auf die Optimierung von Luftfahrtbeständen spezialisiert hat. Armacs Flaggschiff, RIOsys (Rotable Inventory Optimization System), ist für Fluggesellschaften und MROs konzipiert, die sowohl mit Verbrauchsteilen als auch mit hochwertigen rotablen Komponenten arbeiten.

Was Armac auszeichnet, ist seine Branchespezifität. Die Software wird als „luftfahrtspezifische Bestandsplanung und -optimierung“ beschrieben, die darauf abzielt, die Verfügbarkeit von Ersatzteilen zu maximieren und gleichzeitig die Kosten so gering wie möglich zu halten ⁵. Sie erkennt explizit das typische Luftfahrtszenario an: „unkontrollierte Ersatzteillast, zahlreiche Komponenten und der Betrieb an mehreren Standorten sind die Norm“ ⁴⁰. Das Tool hilft dabei, optimale Bestandslevels sowohl für rotabile als auch für verbrauchbare Teile zu berechnen, was bedeutet, dass es nicht nur ermittelt, wie viele Stück zu kaufen sind, sondern auch, wie viele als Ersatzteile oder in der Reparaturpipeline vorgehalten werden sollten, um die Einsatzzuverlässigkeit zu gewährleisten. Außerdem wird erwähnt, dass betriebliches Wissen in das Bereitstellungsmodell integriert und kontinuierlich verfeinert wird ⁴¹. Dies legt nahe, dass das System seine Parameter anpasst oder aktualisiert, sobald mehr Daten eingehen (zum Beispiel, wenn die tatsächlichen Abbauraten von Komponenten beobachtet werden, verfeinert es die Prognose oder den empfohlenen Bestand für diese Komponente).

Ein wahrscheinlicher Aspekt von Armacs Ansatz ist die Nutzung von Daten aus der Zuverlässigkeitstechnik. In der Flugzeugwartung gibt es Konzepte wie MTBF/MTBUR, Zuverlässigkeitskurven und Ausfallraten pro 1000 Flugstunden. Armac verwendet diese vermutlich, um die Nachfrage vorherzusagen, anstatt sich nur auf Zeitreihenextrapolation zu verlassen. Zum Beispiel, wenn eine Fluggesellschaft 100 A320 betreibt und eine bestimmte Pumpe einen MTBUR von 5000 Flugstunden hat, kann man grob prognostizieren, wie viele Ausfälle pro Jahr zu erwarten sind (mit Variabilität). Dies ist sehr spezifisch für MRO und unterscheidet sich von Prognosen, beispielsweise für den Verkauf von Ersatzteilen an Kunden. Armacs Partnerschaft mit der Wissenschaft und der Einsatz von „big data business intelligence techniques“ ³⁹ impliziert, dass sie Modelle entwickelt und implementiert haben, die auf dieser Art der zuverlässigkeitsbasierten Prognose basieren.

Armac berücksichtigt außerdem indirekt die „go/no-go“-Kritikalität, indem es sich auf die technische Abfertigungszuverlässigkeit fokussiert. Bei einer Fluggesellschaft ist die Abfertigungszuverlässigkeit (der Prozentsatz der Flüge, die ohne Verzögerung oder Ausfall aufgrund von Wartungsproblemen starten) ein entscheidender Kennwert. Die Verfügbarkeit von Ersatzteilen, insbesondere von No-Go-Artikeln, hat dabei direkten Einfluss. Die Fallstudien von Armac (zum Beispiel bei Iberia) zeigen, dass das Ziel darin bestand, die Materialverfügbarkeit zu verbessern und gleichzeitig die Kosten zu senken ⁴². Der CEO von Armac hob hervor, dass die verbesserte Ersatzteilverfügbarkeit bei den niedrigsten wirtschaftlichen Kosten erzielt werde ⁴³. Somit betreiben sie eindeutig eine wirtschaftliche Optimierung: Sie stellen sicher, dass kritische Teile immer verfügbar sind (um AOG zu vermeiden), ohne jedoch überall überbevorratet zu werden.

Eine interessante Anmerkung: Armacs RIOsys integriert sich in bestehende ERP-Systeme (wie SAP), um eine „zusätzliche Intelligenzschicht“ bereitzustellen ⁴⁴. Dies zeigt, dass das transaktionale System nicht ersetzt, sondern erweitert wird – ein häufiges Thema in der Optimierungssoftware. Die Integration mit SAP war ein Verkaufsargument (sie erhielten SAP-Zertifizierung etc.), jedoch erfordert die Integration auch Arbeit.

Armac bietet vermutlich viel Automatisierung für Planer, indem es Empfehlungen generiert (z. B. „Lager diesen Artikel an Basis X“, „verlege diese überschüssigen Einheiten von Basis Y nach Z“, „repariere jetzt so viele Einheiten“ etc.). Es verfügt wahrscheinlich auch über benutzerfreundliche Dashboards, die Überschüsse und Engpässe hervorheben und dabei helfen, Maßnahmen zu priorisieren ⁴⁵. Dies ist entscheidend für kleinere Planungsteams – das Tool muss ihnen genau sagen, was heute zu tun ist. Der Einsatz von Armac bei Iberia soll Berichten zufolge dazu beigetragen haben, „Überschüsse und Engpässe zu identifizieren und tägliche Aktivitäten zu priorisieren“ ⁴⁵. Das deutet auf ein hohes Maß an systemgesteuerten Entscheidungen hin – ein Zeichen für starke Automatisierung.

Auf der skeptischen Seite: Da Armac ein kleiner Anbieter ist und im Marketing weniger präsent, gibt es auch weniger unabhängige Bewertungen. Es klingt zwar sehr kompetent im Bereich der Luftfahrt, doch nutzt es tatsächlich state-of-the-art-Algorithmen? Oder liegt sein Erfolg hauptsächlich daran, dass es speziell angepasst wurde (mit vielen Expertenregeln und Vorlagen, die extra für Fluggesellschaften entwickelt wurden)? Beispielsweise könnte Armac relativ standardmäßige statistische Modelle verwenden, die jedoch mit den richtigen Parametern für Luftfahrtszenarien vorkonfiguriert sind. Das bleibt wertvoll, ist aber keine „Magie“. Die Erwähnung von „kontinuierlich verfeinerten“ Modellen ⁴¹ deutet darauf hin, dass maschinelles Lernen oder zumindest eine iterative Kalibrierung stattfindet, was positiv zu bewerten ist.

Eine mögliche Schwäche könnte der Umfang und die Ressourcenausstattung sein: Als kleiner Anbieter könnte Armac nicht im gleichen Tempo in neueste KI-Forschung investieren wie etwa PTC oder Lokad. Möglicherweise nicht, aber durch den Fokus auf das Kerngeschäft benötigt man womöglich keine ausgefallene KI, wenn die entwickelte Lösung bereits optimal zum Fachbereich passt. Zudem könnte die Übernahme durch SR Technics (einen bedeutenden MRO) bedeuten, dass sie zwar tiefgreifendes domänenspezifisches Feedback erhalten, ihr Horizont jedoch auf die Bedürfnisse des Eigentümers beschränkt bleibt.

Armac wirbt in seinen Pressemitteilungen nicht lautstark mit „KI“ – stattdessen verwendet man Begriffe wie „neue Generation, intelligente Bestandsplanung“ und „big data business intelligence techniques“ ³⁹, die zwar Schlagwörter sind, aber nicht sehr konkret. Es lohnt sich, Armac nach Details zu fragen: Simulieren sie die Variabilität im Reparaturzyklus? Optimieren sie sowohl für die Füllrate als auch für die Vermögensauslastung? Wie handhaben sie die Obsoleszenz von Teilen (warnt das System, wenn ein Teil auslaufen soll, um eine Überbevorratung zu vermeiden)? Angesichts ihrer Nische verfügen sie wahrscheinlich über Funktionen für die End-of-Life-Planung und die Optimierung des Rotables-Poolings, die andere Anbieter nicht so sehr in den Vordergrund stellen.

Die Integration bleibt eine Herausforderung: Selbst mit einer SAP-Integration verwenden nicht alle Fluggesellschaften standardisierte Systeme. Viele setzen auf spezialisierte MRO-Systeme wie AMOS, Ultramain etc. Armac müsste sich an diese Systeme anpassen oder auf Datenausgaben zurückgreifen. Es ist nicht plug-and-play, aber ihr Team hat dies vermutlich bereits für ähnliche Kunden umgesetzt.

Abschließend ist Armac Systems’ RIOsys eine starke Wahl für die Luftfahrt-MRO im Speziellen, die wahrscheinlich mit relativ geringem Konfigurationsaufwand viel Mehrwert bietet, sofern man dem typischen Profil entspricht (Fluggesellschaft mit mehreren Wartungsbasen, Mischung aus rotablen und verbrauchbaren Ersatzteilen). Es kann als Stand der Technik in Bezug auf domänenspezifische Ausrichtung betrachtet werden – es kennt Ihr Problem in- und auswendig. Technologisch verwendet es vermutlich fortschrittliche Analytik (wenn nicht sogar modernste KI, dann sehr spezialisierte Algorithmen). MRO-Manager, die Armac evaluieren, sollten überprüfen, ob das Tool tatsächlich alle modernen Anforderungen abdeckt (vielleicht nachfragen, ob probabilistische Prognosen oder Optimierungslöser eingesetzt werden etc.). Die nachgewiesene Erfolgsbilanz ( behauptete Einsparungen in Millionenhöhe für Luftfahrtorganisationen ³⁹) verleiht Armac Glaubwürdigkeit. Gehen Sie die ROI-Aussagen wie bei jedem Anbieter mit einem „Vertrauen, aber überprüfen“-Ansatz an und stellen Sie sicher, dass Sie die IT-Unterstützung zur Integration in Ihre Umgebung haben.

Baxter Planning (Prophet by Baxter) – Kostenorientierte Planung mit menschlicher Einbindung

Baxter Planning ist ein etablierter Anbieter im Service-Teile-Management, der bereits seit den 1990er Jahren am Markt ist. Ihre Lösung, häufig als Prophet bezeichnet, richtet sich an eine breite Palette von Branchen (Technologie, Medizingeräte etc.) und schließt in gewissem Maße auch den MRO-/Luftfahrtsektor ein (obwohl ihr stärkster Fußabdruck im Bereich der Ersatzteile für Technologie- und Telekommunikationshardware liegt). Baxters Ansatz basiert auf praktischer Planungserfahrung – der Gründer war selbst Service-Teile-Planer – sodass die Software reale Prozesse widerspiegelt. Das bedeutet, dass sie eine End-to-End-Planung abdeckt: Prognose, Bestandsoptimierung, Auffüllung, Reparaturplanung, Lebenszyklusmanagement, Überbestandsmanagement etc. in einem System ⁶.

Ein zentrales Prinzip von Baxters Methode ist die „Total Cost Optimization“ ⁴⁶. Sie berücksichtigen explizit Teilkosten, Standort und die Kritikalität von Kunden/Vermögenswerten bei der Bestandsplanung. Mit anderen Worten: Ihre Engine versucht, die Gesamtkosten des Bestands zu minimieren, während die Serviceziele eingehalten werden. Beispielsweise, wenn ein Teil sehr teuer und nur geringfügig kritisch ist, könnte das System eine längere Lieferzeit akzeptieren (möglicherweise durch Notfallbestellungen), anstatt einen großen Lagerbestand vorzuhalten. Umgekehrt könnte Prophet für einen No-Go-Artikel an einem abgelegenen Standort trotz niedriger Nachfrage empfehlen, Ersatzteile auf Lager zu halten, weil die Kosten eines Bestandsausfalls (AOG, Ausfallzeiten) zu hoch wären. Dies ist eine wirtschaftliche Optimierungsphilosophie und entspricht dem Prinzip des „bang for buck“ bei Lagerhaltungsentscheidungen. Baxter verdient Anerkennung dafür, diese Denkweise in sein System integriert zu haben.

Allerdings scheint Baxters Herangehensweise darin zu bestehen, viele benutzergesteuerte Einstellungen, ergänzt durch Automatisierung zu verwenden. Ihr System ermöglicht es Planern, Attribute wie Teilkritikalität und Support-Verpflichtungen (SLAs) einzugeben, woraufhin die Software innerhalb dieser Vorgaben optimiert. Aber liefert es auch probabilistische Prognosen? Aus öffentlich zugänglichen Informationen ist das nicht klar ersichtlich. Als ältere Lösung begann es vermutlich mit traditionellen Prognosemethoden (Gleitende Durchschnitte, exponentielle Glättung) und hat später möglicherweise Croston’s oder Bootstrap für unregelmäßige Nachfrage ergänzt. Es ist womöglich nicht so explizit probabilistisch wie Lokad oder Smart. Stattdessen könnte Baxter den Bestand über Szenarioanalysen oder Servicelevel-Formeln optimieren.

Bei intermittierender Nachfrage erkennt Baxter das Problem definitiv – in ihrer Fachliteratur wird von langsam rotierenden Teilen gesprochen, denen eine besondere Behandlung zukommt. Die Frage ist, ob sie sich darauf verlassen, dass der Planer diese Teile klassifiziert und eine Methode auswählt, oder ob sich das System anpasst. Angesichts der Zeit, in der es entwickelt wurde, vermute ich, dass eher Ersteres zutrifft: Der Planer legt beispielsweise eine Prognosemethode fest (vielleicht verfügt Prophet über ein „intermittent demand forecasting“-Modul, das eine bestimmte Technik verwendet), und dann nutzt das System diese zur Berechnung der Lagerbestände.

Das Werkzeug von Baxter betont Automatisierung in der Ausführung: Funktionen wie Supply Order Automation (automatisches Erstellen von Bestellaufträgen, Reparaturaufträgen) und Redeployment (das Verschieben von Überschussbestand dorthin, wo er benötigt wird) stehen in der Funktionsliste ⁴⁷. Dies ist entscheidend, wenn es um Tausende von Teilen geht – man möchte, dass das System empfohlene Maßnahmen automatisch einleitet und die Planer nur im Ausnahmefall einbezieht. Allen Berichten zufolge kann Prophet in großem Maßstab arbeiten (zigtausende Teile an vielen Standorten), da einige ihrer Kunden große Tech-Unternehmen mit globalen Ersatzteillagern sind.

Ein Aspekt, den man beachten sollte, ist, dass Baxter Planning historisch gesehen viel Kundenspezifische Anpassung vorgenommen hat. Als ein privates, kleineres Unternehmen haben sie oft Funktionen für spezifische Bedürfnisse abgeändert oder ergänzt. Das bedeutet, dass Ihre Erfahrungen variieren können – ein Unternehmen könnte Baxters fortschrittliche Min-Max-Optimierung nutzen, ein anderes hingegen den einfacheren Min-Max-Modus. Es ist flexibel, aber diese Flexibilität zeigt auch, dass es Sie nicht von vornherein in eine „Best Practice“ zwingt – es stellt Ihnen Werkzeuge zur Verfügung.

Baxter bewirbt KI/ML nicht lautstark. Sie sind eher zurückhaltend, was positiv sein kann (weniger Hype). Aber das bedeutet auch, dass wenn Sie nach wegweisenden Prognosen suchen, Sie sich fragen müssen: Halten sie mit neuen Methoden Schritt? Es ist möglich, dass sie neuere Algorithmen in aktuellen Versionen integriert haben, doch diese werden nicht stark beworben.

Angesichts von Baxters Kundschaft verfügen sie möglicherweise nicht über so viele flugzeugspezifische Funktionen. Zum Beispiel – werden harte Lebensgrenzen berücksichtigt (bei denen ein Teil nach X Einsätzen ausgemustert wird)? Vielleicht als benutzerdefiniertes Feld, aber es ist nicht sicher, ob die Optimierung dies von selbst einbezieht (abgesehen von der Prognose des Bedarfs, wenn ein Ersatz fällig wird). Sie berücksichtigen jedoch Lebenszyklusstatus (neu, auslaufende Teile) und können eine Last-Time-Buy-Planung für die Obsoleszenz durchführen, was in der Luftfahrt relevant ist, wenn Teile aus der Produktion genommen werden.

Bezüglich der Ergebnisversprechen veröffentlicht Baxter in der Regel keine sensationellen Prozentsätze. Sie konzentrieren sich darauf, wie sie Planern helfen, ihre Ziele zu erreichen, anstatt zu behaupten „wir haben den Bestand um X% reduziert“. Das könnte tatsächlich auf einen realistischen Ansatz hindeuten: Verbesserungen treten ein, hängen aber davon ab, wie das Werkzeug genutzt wird.

Integration: Prophet von Baxter ist in der Regel neben einem ERP-/MRO-System angesiedelt. Die Integration ist vergleichbar mit anderen – es werden Nutzungsdaten, Lagerbestände, Stücklisten etc. eingebunden. Baxter verfügt wahrscheinlich über vorgefertigte Konnektoren für gängige Systeme (sie erwähnen die Unterstützung flacher Liefernetzwerke und die Integration mit anderen Unternehmenssystemen). Dennoch sollte man nicht mit Plug-and-Play rechnen; es wird etwas IT-Arbeit nötig sein.

Bei Skepsis sollte man prüfen, ob Baxters Lösung wirklich optimiert oder eher eine Entscheidungsunterstützung darstellt, die kritische Entscheidungen weiterhin den Menschen überlässt. Die Tatsache, dass viele Baxters Kunden sich auf die Kostenoptimierung von Vorratsstandorten konzentrieren anstatt auf eine mehrstufige Optimierung, legt nahe, dass das Werkzeug häufig in einem einfacheren Modus genutzt wird (wobei jeder Standort einzeln bis zu einem Kostenziel optimiert wird). Es wird angemerkt, dass einige Kunden über flache Netzwerke verfügen, sodass eine mehrstufige Optimierung keine Rolle spielt. Für eine Fluggesellschaft mit einem zentralen Lager und Außenstellen ist jedoch die mehrstufige Optimierung entscheidend; hoffentlich kann Baxter dies bei Bedarf handhaben.

Zusammenfassend bietet Baxter Planning ein abgerundetes, wenn auch traditionelles, Ersatzteilplanungssystem. Es ist zuverlässig, fokussiert sich auf Kosten- und Servicetrade-offs und automatisiert viele Aufgaben. Es mag nicht die auffälligsten KI-Funktionen besitzen, aber es hat in der praktischen Funktionalität Tiefe. MRO-Führungskräfte sollten Baxter als eine „sichere Bank“-Lösung betrachten – wahrscheinlich wird es durch den Einsatz bewährter Methoden Verbesserungen erzielen. Seien Sie sich jedoch bewusst, dass Sie nicht an die Spitze der Analytik katapultiert werden; Sie erhalten einen soliden, vielleicht etwas konservativen Ansatz. Wenn Ihre Organisation mehr Kontrolle und Transparenz bevorzugt (im Gegensatz zu einer Black-Box-KI), könnte Baxters Ansatz tatsächlich vorzuziehen sein. Ein kritischer Punkt: Stellen Sie sicher, dass das System nicht zu sehr von statischen Benutzereingaben abhängig ist (z. B. sollte nicht verlangt werden, dass Sie massenhaft Teileparameter manuell pflegen). Fragen Sie, wie es sich an Veränderungen anpasst (stellt es in jedem Zyklus automatisch die Prognosen ein, lernt es Saisonalitäten oder Nutzungsraten, etc.?). Wenn alles passt, kann Baxter stetige Vorteile liefern, ohne Wunder zu versprechen.

Smart Software (Smart IP&O) – Nischenexperte für intermittierende Nachfrageprognosen

Smart Software ist ein kleinerer Anbieter, der sich einen Ruf dafür erworben hat, einen der schwierigsten Aspekte des Problems anzugehen: die Prognose intermittierender Nachfrage. Ihre Lösung, die nun als integrierte Plattform namens Smart IP&O (Inventory Planning & Optimization) angeboten wird, geht auf akademische Arbeiten zur Verbesserung von Crostons Methode zurück. Tatsächlich hat Smart Software eine patentierte Bootstrapping-Methode für die Prognose intermittierender Nachfrage eingeführt, die von APICS mit einem Preis ausgezeichnet wurde ⁷. Diese Methode ist in Whitepapers gut dokumentiert und erzeugt im Wesentlichen viele synthetische Nachfrageszenarien auf Basis der Historie, um eine vollständige Verteilung der Nachfrage über eine Vorlaufzeit zu erstellen ^{7 48}. Das Ergebnis ist eine Wahrscheinlichkeitskurve, die angibt, wie viele Einheiten benötigt werden könnten, anstatt einer einzelnen Schätzung. Damit können Sie nahezu optimale Lagerbestände für eine gewünschte Servicewahrscheinlichkeit planen.

Für die Luftfahrt-MRO, bei der über 80 % der Teile langsam rotieren und häufig viele Nullen in der Nachfrage auftreten ^{49 50}, kann die Prognosegenauigkeit von Smart ein Wendepunkt sein. Traditionelle Prognosemethoden (Gleitende Durchschnitte etc.) versagen bei solchen Daten kläglich. Smarts probabilistischer Ansatz geht mit der „stockenden“ Natur der Daten um, indem er sie nicht glättet, sondern annimmt. Er kann ungewöhnliche Muster wie „normalerweise sehen wir 0, aber gelegentlich 5 Einheiten in einem plötzlichen Anstieg“ sehr gut modellieren.

Die technologischen Details von Smart sind erfrischend konkret: Sie erwähnen, dass sie keine bestimmte Verteilung voraussetzen (sie zwingen also nicht blindlings Normal- oder Poisson-Verteilungen heran), sondern stattdessen empirische Daten zur Simulation von Ergebnissen verwenden ⁵¹. Sie heben ausdrücklich hervor, dass die Nachfrage oft „nicht einer einfachen Normalverteilung entspricht“, weshalb sie ihren Bootstrapping-Ansatz verwenden ⁷. Anschließend erzeugen sie die „gesamte Verteilung der kumulativen Nachfrage über die volle Vorlaufzeit eines Artikels“ ⁵². Damit ist die Berechnung des Sicherheitsbestands, zum Beispiel für ein 95%-Servicelevel, einfach und genau – schlicht das 95. Perzentil dieser Verteilung.

Die Lösung von Smart Software geht über reine Prognosen hinaus; ihre IP&O-Plattform beinhaltet auch Module zur Bestandsoptimierung und Bedarfsplanung. Der Hauptunterschied liegt jedoch weiterhin in der Prognosekomponente. Der Optimierungsteil nutzt vermutlich diese Prognoseverteilungen, um Bestellpunkte, Bestellmengen etc. zu berechnen, um den Bestand zu minimieren und gleichzeitig die Serviceziele zu erreichen. Möglicherweise ist er weniger ausgefeilt in der mehrstufigen Optimierung oder bei Schleifen für reparierbare Teile. Man könnte Smarts Ergebnisse in ein anderes System integrieren oder jeden Standort separat in Smart verwalten (historisch lag der Fokus auf einstufiger Planung, aber es ist möglich, dass sie in IP&O Funktionen für mehrere Standorte ergänzt haben).

Ein Vorteil der überschaubaren Größe und des Fokusses von Smart ist, dass sie sich oft in gängige EAM-/ERP-Systeme in der Instandhaltung integrieren lassen. Zum Beispiel listen sie Integrationen mit IBM Maximo, SAP, Oracle etc. auf ⁵³. Das legt nahe, dass Sie ihre Prognose-Engine relativ einfach an Ihr bestehendes System anbinden können. Im Wesentlichen würden Sie Smart nutzen, um Lagerparameter (wie Min/Max oder Sicherheitsbestände für jedes Teil) zu berechnen und diese dann zurück in das ERP zu übertragen, um die Umsetzung zu steuern. Dies ist ein anderes Paradigma, als Ihr Planungssystem vollständig zu ersetzen.

Blicken wir nun auf ihre Aussagen: Smart führt häufig an, dass Unternehmen, die ihre Lösung einsetzen, „den Bestand im ersten Jahr um ca. 20% reduzieren und die Verfügbarkeit von Teilen um 10-20% erhöhen“ ⁵⁴. Diese Angaben sind plausibel und weniger bombastisch als manche Behauptungen, die wir hören (und sie stimmen mit typischen Verbesserungen durch bessere Prognosen überein). Das impliziert, dass Unternehmen zuvor entweder „vorsorglich“ zu viel auf Lager hatten oder die falschen Artikel bevorratet wurden; durch Optimierung wurde der Lagerbestand um 20% reduziert und gleichzeitig der Service verbessert. Dennoch bestätigt keine unabhängige Quelle diese genauen Zahlen für jeden Fall – betrachten Sie sie also als einen Durchschnitt aus Erfolgsgeschichten. Es ist nicht garantiert, aber plausibel, wenn ein Unternehmen zuvor keine probabilistische Planung durchgeführt hat.

Da Smart hochspezialisiert ist, muss die Skepsis lauten: Kann es den gesamten Umfang der Anforderungen im Luftfahrt-MRO abdecken? Die Prognose und Festlegung von Lagerbeständen ist das eine; aber wie sieht es aus mit der Verwaltung von Reparaturzyklen, dem Pooling von austauschbaren Teilen oder der dynamischen Neuverteilung von Beständen über verschiedene Standorte? Smart IP&O verfügt möglicherweise nicht über all diese Extras. Es könnte von einem ziemlich standardisierten Prozess ausgehen, bei dem der Lagerbestand jedes Standorts auf ein Ziel-Servicelevel geplant wird – und das war’s. Es optimiert vermutlich nicht, welche Standorte Bestände halten sollten, wenn Sie ein Netzwerk betreiben – zumindest nicht in dem Maße, wie es ein mehrstufiges Tool tun würde. Außerdem integriert es vermutlich nicht explizit Zuverlässigkeitskennzahlen (es sei denn, Sie speisen diese irgendwie in die Nachfragehistorie ein).

Eine weitere Warnung betrifft die Automatisierung vs. Benutzereingabe: Smarts Werkzeuge berechnen Zahlen, aber der Benutzer muss häufig die Servicelevel-Ziele festlegen (obwohl sie „nahezu 100% Genauigkeit“ anführen, also vermutlich auf hohen Service abzielen und Kosten optimieren). Smart zwingt Sie nicht, für jede SKU ein Prognosemodell auszuwählen; der Algorithmus arbeitet automatisch mit den Daten. Das ist gut. Aber Sie müssen dennoch Ausnahmen verwalten – beispielsweise, wenn ein Teil obsolet wird, müssen Sie das System informieren oder die Prognose manuell anpassen. Die von ihnen erwähnte „Gen2“-Technologie ⁵⁵ könnte eine automatisierte Identifikation der Nachfrageursachen beinhalten, aber Details sind nicht öffentlich.

Auch die Integration erfordert wieder Aufwand. Smart liefert die wissenschaftliche Grundlage, aber Sie müssen es mit Daten versorgen (saubere historische Nachfrage etc.) und dann dessen Ausgabe übernehmen und implementieren. Wenn eine Organisation nicht bereit ist, den generierten Prognosen oder Sicherheitsbeständen zu vertrauen, könnten diese überschrieben werden, was den Nutzen schmälert. Smarts Erfolgsgeschichten beinhalten in der Regel ein engagiertes Team, das die Empfehlungen des Werkzeugs vollumfänglich umsetzt.

Insgesamt ist Smart Software eine Art Spezialistenwerkzeug, das die Planungsfähigkeit eines MRO ergänzen kann. Es ist durchaus auf dem neuesten Stand der Technik in der Prognose intermittierender Nachfrage – selbst einige größere Anbieter könnten in diesem speziellen Bereich weniger fortschrittliche Methoden verwenden. Wenn ein MRO das größte Problem in der Prognosegenauigkeit für Tausende sporadischer Teile sieht, ist Smart eine attraktive Lösung. Aber wenn die größere Herausforderung in der Optimierung einer komplexen Reparaturlieferkette besteht, könnte Smart allein nicht ausreichen; es könnte ein Teil eines größeren Puzzles sein (vielleicht in Verbindung mit einem ERP- oder einem anderen Planungssystem).

Für MRO-Führungskräfte mit technischem Fokus lohnt es sich, Smart IP&O nicht als vollständigen Ersatz von Planungssystemen, sondern als „forecasting engine in a box“ in Betracht zu ziehen. Die gebotene Skepsis lautet: Stellen Sie sicher, dass die Organisation auf diese Prognosen reagieren kann (haben Sie Prozesse, um die Lagerempfehlungen umzusetzen?), und hinterfragen Sie Smart dahingehend, wie es mit Variabilität der Vorlaufzeiten umgeht (sie erzielen hervorragende Ergebnisse bei der Nachfragevariabilität; hoffentlich simulieren sie auch Vorlaufzeiten oder ermöglichen zumindest Variabilitätspuffer). Klären Sie zudem, wie es sich aktualisiert – wenn neue Daten einen Anstieg zeigen, wie schnell reagiert es und vermeidet es Überreaktionen? Angesichts ihres akademischen Anspruchs ist es wahrscheinlich, dass sie über diese Aspekte nachgedacht haben, aber es ist gut, dies zu überprüfen.

IBM MRO Inventory Optimization (Oniqua) – Datengetriebene Entscheidungsunterstützung

IBMs MRO Inventory Optimization, das im Wesentlichen das Produkt ist, das IBM 2018 von Oniqua erworben hat, wird als eine Analytics-Plattform für kapitalintensive Branchen positioniert, wie Bergbau, Energie, Fertigung und ja, auch Luft- und Raumfahrt. Oniqua war bekannt für seinen beratungsintensiven Ansatz zur Optimierung von MRO-Beständen in Bergbauunternehmen, mit dem Fokus auf Minimierung von Ausfallzeiten und Reduzierung von Lagerbeständen. Als Teil von IBM wurde das Werkzeug in IBMs Maximo- und Supply-Chain-Suite integriert, kann aber auch eigenständig eingesetzt werden.

IBM MRO IO wird beschrieben als „eine Kombination aus statistischen Analysen, preskriptiver Analytik, Automatisierung und Optimierungsalgorithmen“, um die Servicelevels zu verbessern und Kosten zu senken ⁸. Was dies in der Praxis bedeutet: Es analysiert Ihre Nutzungs- und Bestandsdaten, identifiziert, wo Sie zu viel Bestand (Überschuss) haben und wo das Risiko von Lagerengpässen besteht, und empfiehlt dann Maßnahmen wie „das hier reduzieren, das dort erhöhen.“ Es gleicht einem intelligenten Analysten, der kontinuierlich Ihre MRO-Inventar-KPIs überprüft. Die Software beinhaltet Funktionen wie das Scoring von Artikeln (vermutlich ein Kritikalitäts- oder Risikoscore) und Arbeitswarteschlangen für Planer ⁹. Dies deutet darauf hin, dass sie eine Liste empfohlener Maßnahmen für den Benutzer erstellt – eine sehr praktische Methode, um Tausende von Teilen zu verwalten.

Auf der Prognose-Seite erwähnt IBM explizit „intermittent demand forecasting“ als Fähigkeit von MRO IO ⁹. Angesichts des Hintergrunds von Oniqua haben sie wahrscheinlich Crostons Methode oder eine Variante eingesetzt, um den sporadischen Einsatz von Teilen zu prognostizieren. Es ist möglicherweise nicht so fortschrittlich wie Smarts Bootstrapping, geht aber zumindest auf die intermittierende Natur ein. Zudem berücksichtigt IBMs Lösung bei der Analyse historischer Daten Kritikalität, Vorlaufzeit und mehr, um Erkenntnisse zu gewinnen ⁵⁶. Dies weist auf eine regelbasierte Analyseschicht hin: Beispielsweise könnte hervorgehoben werden, dass „das kritische Teil X eine Vorlaufzeit von 90 Tagen hat und Sie keinen Sicherheitsbestand vorhalten – hohes Risiko.“ Das System könnte dann empfehlen, den Bestand von X zu erhöhen und andererseits nicht-kritische Teile mit zu viel Lagerbestand markieren.

IBM rühmt sich zudem mit Ergebnissen wie „50% Reduktion der ungeplanten Ausfallzeiten aufgrund von Teilen“ und „40% Senkung der Lagerkosten“ ⁵⁷. Diese Angaben sind sehr kühn und stellen vermutlich Best-Case-Szenarien dar. Wir sollten skeptisch sein: Eine 50%ige Reduktion der Ausfallzeiten durch ein Werkzeug ist enorm – das geht wahrscheinlich davon aus, dass die Ausfallzeiten durch die Nichtverfügbarkeit von Teilen verursacht wurden und dass durch besseren Lagerbestand alle Fälle behoben wurden. In einer gut geführten Fluggesellschaft sind aus teilbedingten Ausfallzeiten bereits sehr geringe Zahlen (man bemüht sich, AOG um jeden Preis zu vermeiden). Daher könnte man nicht mit etwas in der Größenordnung von 50% rechnen. Ebenso ist eine 40%ige Senkung der Lagerkosten enorm – möglich nur, wenn das Unternehmen anfänglich wesentlich zu viel Lagerbestand hatte (üblich in einigen Schwerindustrien, die Ersatzteile anhäufen, aber weniger im kommerziellen Luftverkehr, der aufgrund der hohen Teilekosten ohnehin optimiert). Diese Zahlen sollten daher als Ausreißer oder als cherry-picked Marketingdaten betrachtet werden ⁵⁷.

Technologisch gesehen verwendet IBMs Tool wahrscheinlich auch keine auffällige KI/ML, abgesehen von vielleicht etwas Mustenerkennung in Nutzungsdaten. IBM als Unternehmen macht viel mit KI (Watson, etc.), aber es gibt keinen Hinweis darauf, dass dieses Niveau der KI hier integriert ist. Der Begriff “predictive and prescriptive analytics” wird verwendet ⁵⁸, was in der Analysesprache oft bedeutet: predictive = vorhersagen, was passieren könnte (z. B. zukünftige Teileausfälle oder Verbrauch prognostizieren), prescriptive = Maßnahmen vorschlagen (z. B. dieses Teil jetzt bestellen, Bestellung reduzieren). Diese sind wertvoll, können aber mit relativ einfachen statistischen Modellen plus Geschäftsregeln umgesetzt werden. Tatsächlich war Oniquas herkömmlicher Ansatz ziemlich beratend – sie haben Regeln und Schwellenwerte eingerichtet, die für jeden Kunden individuell abgestimmt waren (zum Beispiel: wenn sich ein Teil seit 5 Jahren nicht bewegt hat, ist es überschüssig; wenn ein Teil letztes Jahr einen Lagerausfall verursachte, vielleicht den Bestand erhöhen). IBM hat diese Logik vermutlich produktisiert.

Ein möglicher Nachteil für einige: IBM MRO IO könnte voraussetzen, dass Sie Ihre Wartungs- und Anlagendaten gut im Griff haben (da es oft zusammen mit Maximo verkauft wird). Falls ein Luftfahrt-MRO Maximo nicht verwendet, können sie MRO IO trotzdem einsetzen, aber die Integration mit ihren Systemen und die Gewährleistung der Datenqualität (Ausrüstungshierarchien, Definitionen kritischer Anlagen etc.) werden entscheidend sein. Die Behauptung, dass es “eliminates data prerequisites by ingesting data as is” – wie wir sie bei einem Konkurrenten (Verusen) gesehen haben – ist nicht etwas, das IBM explizit behauptet; IBM weiß, dass Datenbereinigung notwendig ist. Rechnen Sie also mit einer Phase zur Datenvorbereitung.

IBMs Lösung stützt sich wahrscheinlich in gewissem Maße auf Benutzereingaben für bestimmte Aspekte: Zum Beispiel muss man Teile im System nach Kritikalität klassifizieren (go/no-go), Vorlaufzeiten, Kosten etc. festlegen. Die Optimierung erfolgt dann innerhalb dieser Parameter. Sie kann die Kritikalität eines Teils möglicherweise nicht automatisch erkennen, sofern Sie es nicht manuell zuweisen. Sie ist also nur so gut wie Ihre Datenverwaltung.

Hinsichtlich der Automatisierung automatisiert IBM IO die Analyse, nicht jedoch unbedingt die Ausführung. Es liefert Ihnen eine To-Do-Liste; die tatsächliche Bestellung könnte weiterhin von Ihren Planern in Ihrem ERP-System vorgenommen werden. Dies stellt eine etwas weniger integrierte Automatisierung dar als etwa ein Tool, das direkt Bestellanforderungen erstellt. Aber einige Unternehmen bevorzugen diesen “human-in-the-loop”-Ansatz, um zu vermeiden, dass das System eigenständig seltsame Entscheidungen trifft.

Angesichts von IBMs Unternehmenskraft kann man darauf vertrauen, dass der Aspekt der Integration gut unterstützt wird (insbesondere für IBMs eigenes Maximo oder SAP, mit denen IBM oft zusammenarbeitet). Aber nochmals: „plug-and-play“ ist unwahrscheinlich – IBM oder ein Partner wird vermutlich ein ziemlich umfangreiches Projekt durchführen, um es an Ihre Wartungs- und Lieferkettenprozesse anzupassen.

Zusammenfassend ist IBM MRO Inventory Optimization (Oniqua) eine robuste analytische Lösung, die gute Verbesserungen erzielen kann, besonders wenn Ihnen derzeit die Transparenz bezüglich Ihrer Lagerbestandsleistung fehlt. Sie ist stark darin, offensichtliche Ineffizienzen (Überschuss, potenzielle Lagerausfälle) zu identifizieren und die leicht erreichbaren Verbesserungsmöglichkeiten zu optimieren. Sie behandelt intermittierenden Bedarf und Kritikalität mittels statistischer und regelbasierter Methoden, wenn auch nicht unbedingt mit den allerneuesten KI-Techniken. Für einen Luftfahrt-MRO-Manager könnte dies ein eher inkrementelles Verbesserungstool sein statt eines radikal neuen KI-Systems – was völlig in Ordnung sein kann, wenn die Grundlagen stimmen. Man sollte die großen Verbesserungsansprüche kritisch hinterfragen: Fragen Sie bei IBM nach, was diese Zahlen wirklich bedeuten, und fordern Sie Referenzen, die Ihrer Betriebsweise ähneln. Außerdem sollten Sie sicherstellen, dass die Arbeitsweise des Tools (Analyse-Dashboards etc.) zu Ihrem Team passt – es könnte erfordern, dass Ihre Planer einen analytischeren Workflow übernehmen. Wenn Ihre Unternehmenskultur dafür bereit ist, kann IBMs Lösung systematisch Verbesserungen vorantreiben. Falls Sie jedoch eine Black-Box-KI erwartet haben, die alles magisch optimiert, ohne dass Aufsicht nötig wäre, dann ist das nicht der Fall (und ehrlich gesagt, so etwas existiert in einer plug-and-play Form noch nicht).

ERP Integrated Solutions (SAP SPP and Oracle) – Built-in Tools with Limitations

Es lohnt sich, die Optionen der großen ERP-Anbieter zu diskutieren, denn diese sind besonders für Organisationen relevant, die versuchen, die vorhandenen Systemfunktionen zu nutzen, bevor sie spezialisierte Software anschaffen. SAP Service Parts Planning (SPP) und Oracles Ersatzteilmodule sind dabei die Schlüssellösungen.

SAP SPP: Als Teil von SAPs APO (Advanced Planning & Optimization)-Suite und mittlerweile teilweise in SAP IBP (Integrated Business Planning) verfügbar, wurde SPP in den mittleren 2000er Jahren gemeinsam mit großen Industrieunternehmen entwickelt. Es umfasst Funktionen wie mehrstufige Lagerbestandsoptimierung, Forecasting (einschließlich spezifischer Modelle für intermittierenden Bedarf) und die Distributionsbedarfsplanung für Ersatzteile. Auf dem Papier kann SAP SPP viel: Es verfügt über eine Croston’s Forecasting-Methode für intermittierenden Bedarf (SAP dokumentiert diese sogar als “Forecast Strategy 80” unter Nutzung von Crostons exponentieller Glättung für Größe und Intervall) ¹¹. Außerdem gibt es eine aktualisierte Croston-Variante (Croston-TSB) ⁵⁹. Somit hat SAP bekannte akademische Methoden für schwankenden Bedarf integriert. Es kann auch laterale Umlagerungen modellieren, eine integrierte Ersatzteilaustauschfunktion (Produkt-Austauschbarkeit) vorweisen und den Bestand in einem Netzwerk anhand von Servicelevels oder Fill Rates optimieren. Caterpillar und Ford waren frühe Einflussnehmer, und es wurde zeitweise behauptet, SAP SPP besitze eine sehr fortschrittliche Funktionalität (einige Analysten waren der Ansicht, dass es mit Best-of-Breed-Tools konkurriert) ⁶⁰.

Allerdings zeigt sich in der Luftfahrt, dass nur wenige Fluggesellschaften oder MROs SAP SPP in vollem Umfang genutzt haben. Ein Grund dafür ist die Komplexität und der erforderliche Fachkenntnisbedarf. Die Einrichtung von SPP bedeutet, dass viele Parameter konfiguriert werden müssen: Man muss jedem Teil ein Forecasting-Modell zuweisen (Croston’s für wirklich intermittierenden Bedarf, vielleicht gleitender Durchschnitt für andere etc.), Stammdaten wie Phase-in/Phase-out-Kennzeichnungen pflegen und entscheidend die Ziel-Servicelevels für jedes Teil oder jede Gruppe festlegen. SAP SPP bestimmt nicht von sich aus, welches Servicelevel benötigt wird – Sie legen es fest. Häufig verwendeten Unternehmen die ABC/XYZ-Klassifizierung, um Teile zu gruppieren und pro Gruppe ein Servicelevelziel zu definieren. Dieser Ansatz wird benutzerdefiniert vorgegeben und optimiert den Kompromiss nicht wirklich – er dient im Wesentlichen als Input für die Optimierung. SAP berechnet dann die Lageranforderungen, um diese Vorgaben bei minimalem Bestand zu erreichen (das ist der Optimierungsteil, eventuell unter Einsatz eines MILP-Solvers für mehrstufige Lagerbestände). Aber wenn diese Ziele abweichen, sind die Ergebnisse wirtschaftlich nicht global optimal.

Eine weitere Herausforderung ist, dass SAPs Benutzeroberfläche und Alarmierung für SPP im Vergleich zu spezialisierten Tools nicht besonders benutzerfreundlich waren. Es ist in die SAP-Umgebung integriert, was für die IT vorteilhaft ist, jedoch möglicherweise nicht ideal für die Produktivität der Planer. Viele nutzten letztlich nur Teilfunktionen (zum Beispiel ausschließlich das Forecasting oder nur die Distributionsplanung), während sie andere Aufgaben in Excel verwalteten.

Hinsichtlich des State-of-the-art von heute erscheint SAP SPP etwas in der Zeit eingefroren zu sein. SAPs strategischer Fokus verlagerte sich zu IBP, und IBP für Ersatzteile holt funktional noch auf. Beispielsweise wurden einige fortgeschrittene SPP-Fähigkeiten zunächst nicht auf IBP migriert. Befindet sich also ein Luftfahrt-MRO auf SAP und erwägt, die integrierte Planung zu nutzen, könnte er feststellen, dass es viel Anpassung (und möglicherweise Drittanbieter-Erweiterungen) erfordert, um alle Bedürfnisse zu erfüllen. So könnten etwa die Handhabung zufälliger Reparatur-Stücklisten oder die Prognose von Abbauraten nicht standardmäßig abgedeckt sein; man müsste individuelles Forecasting basierend auf Flugstunden oder Nutzung entwickeln (einige SAP-Nutzer haben nach Forecasting auf Basis von Treibern der installierten Basis statt der Verbrauchshistorie gefragt ⁶¹ – was auf Lücken in der Standardfunktionalität für MRO-spezifisches Forecasting hinweist).

Oracle: Oracles Ersatzteilplanung (häufig über die Value Chain Planning der Oracle E-Business Suite oder als Teil von Oracle Cloud SCM) bietet ähnlich grundlegende Funktionalitäten. Es deckt Forecasting ab (vermutlich mit Croston oder ähnlichen Modellen für intermittierenden Bedarf), mehrstufige Lagerbestandsoptimierung und die Integration in die Ausführung. Oracles Stärke könnte in der Integration mit Oracle eAM (Enterprise Asset Management) und dessen ERP liegen, wurde in diesem Bereich jedoch nicht als führend hervorgehoben. Oracle nahm nicht einmal an einigen Benchmark-Studien zum Ersatzteilmarkt teil ⁶², was darauf hindeutet, dass es nicht aggressiv vorangetrieben wird. Es funktioniert vermutlich ausreichend, wenn es gut konfiguriert ist, stützt sich aber – wie SAP – auf klassische Methoden und umfangreiche Datenvorbereitung. Oracles Ansatz ist in der Regel deterministisch, es sei denn, man lizenziert ein Optimierungspaket – so kann es beispielsweise einen Sicherheitsbestand auf Basis eines Konfidenzniveaus berechnen, unter Annahme einer bestimmten Verteilung (häufig normal oder Poisson). Aber zu erwarten, dass Oracles System sich selbst optimiert oder maschinelles Lernen einsetzt, wäre unrealistisch.

Häufige Probleme (SAP/Oracle): Beide ERP-Lösungen leiden unter der Tatsache, dass die Luftfahrt-MRO nicht von der Stange ist. Diese Systeme sind generisch, sodass etwas wie “go-if part that can defer replacement for 30 days” kein standardmäßiger Parameter ist, den man einfach umschalten kann – Sie müssten diese Logik manuell einbauen (zum Beispiel indem Sie festlegen, dass das Servicelevel für dieses Teil etwas niedriger sein darf). Die Anpassung, um das Wartungsprogramm einer Fluggesellschaft wirklich abzubilden, kann enorm umfangreich sein. Beispielsweise könnte das Modellieren zufälliger Wartungs-Stücklisten in SAP bedeuten, dass geplante Wartungspläne als abhängige Bedarfe und ungeplante als statistische Bedarfe betrachtet werden – machbar, aber komplex.

Außerdem, Überladung benutzerdefinierter Einstellungen: In einem SAP- oder Oracle-System müssen Planer möglicherweise viele Einstellungen pflegen – wie Überprüfungszeiträume, Losgrößenregeln, Mindest-Sicherheitsbestände etc. –, da das System sonst womöglich nicht wie gewünscht reagiert. Jede dieser Einstellungen eröffnet Möglichkeiten für Fehler oder suboptimale Entscheidungen. Genau diese Abhängigkeit von der manuellen Konfiguration soll durch fortgeschrittene Lösungen mithilfe von Automatisierung beseitigt werden.

Integrationsvorteil: Wenn Sie bereits SAP oder Oracle verwenden, bedeutet die Nutzung ihres Moduls, dass keine aufwändige Integration von Stammdaten nötig ist – alles befindet sich in einem System. Das ist ein Pluspunkt (keine Datenlatenz, keine Abstimmungsprobleme). Ironischerweise stellen Unternehmen jedoch oft fest, dass sie dennoch Schnittstellen bauen müssen – zum Beispiel, um Daten in ein Forecasting-Tool (wie Smart) oder ein individuelles Data Warehouse zu überführen, um Dinge zu erledigen, die das Modul Ihres ERP-Systems nicht abdeckt. So kann der Integrationsvorteil aufgehoben werden, wenn das integrierte Tool nicht vollständig den Anforderungen entspricht und durch andere Tools ergänzt wird.

Aus einer skeptischen Perspektive sind die Ansprüche von SAP und Oracle (wenn sie überhaupt welche äußern) meist zurückhaltend; sie präsentieren selten große prozentuale Verbesserungen öffentlich, weil sie wissen, dass dies von der konkreten Implementierung abhängt. Die Technologie in diesen Systemen ist solide, aber nicht auf dem neuesten Stand – sie basieren größtenteils auf akademischen Methoden aus dem späten 20. Jahrhundert, die in Software umgesetzt wurden. Außerdem fehlt der KI/ML-Hype (abgesehen davon, dass SAP in anderen Kontexten beginnt, über “demand-driven MRP with machine learning” zu sprechen, aber nicht speziell für die Ersatzteilplanung).

Für einen MRO-Manager lautet die Erkenntnis: Wenn Sie bereits diese Systeme nutzen, können Sie versuchen, sie auszuschöpfen, müssen aber mit einer möglicherweise langen Phase der Feinabstimmung rechnen und erreichen eventuell nicht das Leistungsniveau, das spezialisierte Tools bieten könnten. Andererseits tragen sie ein geringeres Anbieterrisiko (es ist SAP/Oracle – sie werden bleiben, und alles ist in einem System integriert). Eine skeptische Betrachtung würde zu dem Schluss kommen, dass obwohl SAP- und Oracle-Lösungen relevant sind, sie im Allgemeinen sowohl in der Automatisierung als auch in der Raffinesse hinter spezialisierten Anbietern zurückbleiben. Sie dienen als Ausgangsbasis, und viele Fluggesellschaften, die sie einsetzen, ergänzen oder ersetzen sie letztendlich durch eines der oben genannten Spezialistentools, um ihre MRO supply chain wirklich zu optimieren.

Emerging AI Entrants (e.g. Verusen) – Buzzwords to Reality Check

Keine Marktstudie im Jahr 2025 wäre vollständig, wenn sie nicht die neue Welle von Startups und KI-gesteuerten Lösungen erwähnt, die zur Optimierung der supply chain auftauchen. Im MRO-Bereich ist ein Beispiel Verusen, das sich selbst als “Die einzige KI-Plattform, die speziell dafür entwickelt wurde, Inventory, Spend und Risk für asset-intensive Herstellers MRO supply chain zu optimieren” ⁶³ vermarktet. Diese kühne Behauptung ruft sofort Skepsis hervor – „only AI platform“ ist offensichtlich eine Marketing-Hyperbel (wie wir gesehen haben, behaupten auch viele etablierte Anbieter in unterschiedlicher Form, KI einzusetzen).

Der Ansatz von Verusen, basierend auf ihren Materialien, konzentriert sich stark auf Datenaufnahme und -reinigung. Sie heben Aspekte hervor wie “Daten so zu übernehmen, wie sie aus ERP/EAM-Systemen kommen” und den Einsatz von KI, um doppelte Materialien zu identifizieren sowie Daten zu konsolidieren ⁶⁴. Dies adressiert ein reales Problem: MRO-Daten sind oft chaotisch (dasselbe Teil wird unter leicht unterschiedlichen Namen erfasst etc.). Verusen nutzt maschinelles Lernen (vermutlich NLP und Mustererkennung), um die Materialstammdaten zu rationalisieren. Das ist wertvoll als Vorstufe zur Optimierung – wenn Ihre Daten ein Durcheinander sind, kann selbst der beste Algorithmus nicht helfen. So scheint sich Verusen darauf zu konzentrieren, eine einzige, vertrauenswürdige Datenquelle für Teile aufzubauen und dann Optimierungsmöglichkeiten zu finden (wie das Erkennen von Überbeständen in verschiedenen Werken, die geteilt werden könnten, oder das Reduzieren von Sicherheitsbeständen bei Überangebot).

Wo es Verusen und ähnlichen Anbietern an nachgewiesener Tiefe in tatsächlichen Forecasting- und Bestandsalgorithmen mangelt, ist, dass sie zwar breit über KI sprechen, aber keine Details liefern. Man könnte vermuten, dass sie generische ML-Modelle einsetzen, um den Verbrauch zu prognostizieren (vielleicht ein neuronales Netzwerk, das den Verbrauch und andere Faktoren betrachtet). Ohne konkrete Details muss man vorsichtig sein. In der supply chain haben viele Startups versucht, reines ML-Forecasting zu nutzen, und festgestellt, dass es kaum gelingt, gut abgestimmte statistische Modelle für intermittierenden Bedarf zu übertreffen (was für Standard-ML aufgrund der zahlreichen Nullen sehr schwer vorherzusagen ist).

Verusen betont außerdem, cloudbasiert zu sein und sich schnell integrieren zu lassen – was das Versprechen impliziert, mehr “plug-and-play” zu bieten als ältere Anbieter. Dennoch sei hier eindringlich gewarnt: Unabhängig von der Plattform ist es niemals wirklich plug-and-play, sich mit dem ERP eines Unternehmens zu verbinden und alle relevanten MRO-Daten abzurufen. Jedes ERP- oder MRO-System verfügt über benutzerdefinierte Felder, Erweiterungen, und die Daten müssen häufig bereinigt werden (doppelte Teile, fehlende Vorlaufzeiten etc.). Verusen’s Ansatz, Daten “as is” zu übernehmen ⁶⁵, ist interessant – er legt nahe, dass ihre KI das Rauschen überwinden kann. Vielleicht ist sie in der Lage, ähnliche Artikel zu clustern, um Duplikate zu erkennen, oder fehlende Vorlaufzeiten anhand des Kontexts zu schätzen. Das sind coole Funktionen, aber ein Manager sollte einen Nachweis einholen, dass die KI tatsächlich korrekt arbeitet. Sie möchten nicht, dass ein Algorithmus entscheidet, zwei Teilenummern seien Duplikate, wenn es sich in Wirklichkeit um unterschiedliche, kritische Teile handelt.

Die skeptische Ansicht gegenüber neuen KI-Anbietern: Sie bringen frische Ideen und oft benutzerfreundliche Oberflächen (moderne UX, Dashboards). Sie können einige Nebenprobleme wie Datenqualität und einfache What-if-Analysen lösen. Aber manchmal fehlt ihnen das hart erarbeitete Domänenwissen, das in älteren Lösungen verankert ist. Ein KI-Startup weiß möglicherweise nicht, dass „Teil ABC für den Flug verboten ist, aber bei Bedarf um 3 Tage verschoben werden kann“, sofern Sie es nicht ausdrücklich mitteilen; während ein domänenspezifisches Tool diese Logik besitzen könnte. Daher sollte jeder KI-Neuling dazu gedrängt werden, wie er die spezifischen Anforderungen der Luftfahrt berücksichtigt: Lifing, Zertifizierungsbeschränkungen, regulatorische Compliance (man kann nicht einfach irgendein alternatives Teil ohne ordnungsgemäße Dokumentation verwenden, etc.), unter anderem.

Das gesagt, könnten einige neue Akteure Partnerschaften mit Domänenexperten eingehen oder ehemalige MRO-Planer einstellen, um Regeln zu implementieren. Es ist nicht ausgeschlossen, dass sie aufholen, doch das sollte überprüft und nicht vorausgesetzt werden.

Andere bemerkenswerte neue Ansätze beinhalten, IoT und prädiktive Wartungsdaten direkt für die Lagerplanung zu nutzen (einige Lösungen verwenden Sensordaten, um Teilausfälle vorherzusagen und diese dann mit dem Lagerbedarf zu verknüpfen). Dieser Bereich entwickelt sich und wird häufig über Wartungsvorhersagesysteme und nicht über Lagerverwaltungssysteme angezapft. Aber eine Konvergenz ist im Gange – z. B. könnte die prädiktive Wartungssoftware eines Triebwerksherstellers empfehlen, bestimmte Module an bestimmten Standorten auf Lager zu halten, weil sie ein erhöhtes Ausfallrisiko „sieht“. MRO-Führungskräfte sollten sich bewusst sein, dass es zu mehr vertikaler Integration kommen könnte (OEMs bieten End-to-End-Services inklusive Lageroptimierung an, indem sie ihre Daten über die Ausrüstung nutzen).

Im Wesentlichen: Behalten Sie Startups im Auge, die KI/ML für MRO ankündigen – sie könnten einen Teil des Puzzles anbieten oder sich sogar in eines der größeren Tools integrieren (zum Beispiel eine Datenreinigungs-KI, die in Lokad oder Servigistics einspeist). Bewahren Sie Skepsis gegenüber ihren kühnen Aussagen, bis sie die Ergebnisse demonstrieren können. Oft haben kleine neue Anbieter begrenzte Fallstudien und diese könnten Pilotprojekte statt vollständiger Implementierungen sein.

Man sollte auch berücksichtigen, wie diese neuen Systeme mit den umfangreichen Prozessen und Altsystemen in der Luftfahrt koexistieren werden. Ein auffälliges KI-Tool, das seine Ergebnisse nicht einfach in Ihr bestehendes ERP-System zur Umsetzung exportieren kann oder das Entscheidungen nicht für Prüfzwecke protokolliert (wichtig bei der Einhaltung von Luftfahrtvorschriften), wird auf Hindernisse stoßen. Führungskräfte möchten sicherstellen, dass ein solches Tool in den Arbeitsablauf integriert werden kann (was ironischerweise genauso viel Integrationsaufwand erfordern könnte wie jede andere Software).

Fazit und Empfehlungen

Diese skeptische Marktstudie offenbart ein Ökosystem von Lösungen, die jeweils versuchen, die kniffligen Optimierungsherausforderungen der Ersatzteilversorgung im Luftfahrt-MRO zu meistern. Keine Lösung ist ein Allheilmittel, und hochtrabende Versprechen sollten stets mit technischen Fragen und Pilotversuchen hinterfragt werden.

Es gibt jedoch hochmoderne Techniken: probabilistische Prognosen, Multi-Echelon-Optimierung und KI/ML für die Mustererkennung können die Leistung erheblich verbessern, wenn sie richtig implementiert werden. Anbieter wie Lokad treiben speziell in der Luftfahrt den Fortschritt dieser Methoden voran, während Giganten wie PTC Servigistics und Syncron viele fortschrittliche Funktionen integrieren, wenn auch hinter undurchsichtigerer Marketing-Sprache. ToolsGroup, Baxter, Smart und andere verfügen über starke Kompetenzen, die – sofern sie mit den Bedürfnissen Ihrer Organisation übereinstimmen – erhebliche Vorteile bieten können, solange Sie sie nicht einfach anschalten und Magie erwarten. Die interne Prozessreife und Datenqualität bleiben dabei entscheidend.

Ein zentrales Thema ist der Kompromiss zwischen Automatisierung und Nutzerkontrolle. Hochautomatisierte, KI-gesteuerte Systeme können Skalierung und Komplexität (zigtausende P/Ns) bewältigen, wirken jedoch oft wie eine „Black Box“. Ältere oder stärker manuell bediente Systeme bieten den Anwendern zwar mehr Kontrolle, gehen dabei aber zulasten einer überwältigenden Komplexität bei großen Katalogen. Das Ideal scheint ein System zu sein, das die Routinearbeit (Prognosen, Berechnung des optimalen Bestands) automatisiert und gleichzeitig Transparenz und Übersteuerungsmöglichkeiten für Planer bei Ausnahmen bietet. Bei der Bewertung von Anbietern sollten MRO-Führungskräfte fragen: Passt sich das System automatisch an Nachfrageschwankungen beziehungsweise Lieferzeitänderungen an oder muss ich Einstellungen manuell anpassen? Wenn ein Anbieter darauf besteht, dass Sie zahlreiche Min/Max- oder Klassifizierungsregeln pflegen, ist das ein Zeichen für eine weniger leistungsfähige Technologie (oder zumindest dafür, dass das technologische Potenzial nicht voll ausgeschöpft wird).

Seien Sie äußerst skeptisch gegenüber jedem Anbieter, der eine „Plug-and-Play-Integration“ in Ihre MRO-Systeme propagiert. Die IT-Landschaft im Luftfahrt-MRO ist heterogen – ob Sie AMOS, TRAX, Ultramain, Maximo, SAP oder eine Eigenentwicklung nutzen – die Integration eines Optimierungstools erfordert die Zuordnung von Datenfeldern und in aller Regel auch die Bereinigung der Daten. Wenn ein Anbieter behauptet, er könne in wenigen Wochen mit minimalem IT-Aufwand bereitgestellt werden, wird der Arbeitsaufwand wahrscheinlich unterschätzt oder es wird ein sehr enger Anwendungsrahmen angenommen. Es ist ratsam, Zeit für Integration und Tests einzuplanen und Ihre IT-Mitarbeiter frühzeitig einzubinden, um diese Behauptungen zu überprüfen.

Ein weiteres Warnsignal ist die Abhängigkeit von Fallstudien oder Analystenberichten, die zu schön klingen, um wahr zu sein. Viele Fallstudien erwähnen weder die Herausforderungen noch den Ausgangszustand. Zum Beispiel mag es großartig klingen, dass „der Bestand um 30% reduziert wurde“, aber wenn das Unternehmen ursprünglich kein Planungssystem hatte, könnte jeder anständige Prozessverbesserungsschritt 30% erreichen. Ebenso könnte „eine Servicelevel-Verbesserung auf 99%“ bedeuten, dass massiv überlagert wurde. Gehen Sie immer tiefer: Fragen Sie nach den Kennzahlen vor und nach der Maßnahme im jeweiligen Kontext und, wenn möglich, sprechen Sie direkt mit Referenzkunden, anstatt sich auf polierte Zitate zu verlassen.

Auf der anderen Seite ist es ein gutes Zeichen, wenn Anbieter spezifische technische Details oder Methodologien bereitstellen. Das zeigt, dass sie über konkrete Ansätze verfügen und nicht nur Buzzwords verwenden. Zum Beispiel, wenn Smart Software offen ihre Bootstrapping-Methode erklärt ⁷ oder Lokad differenzierbare Programmierung diskutiert, zeugt das von Substanz. Anbieter, die einfach „KI/ML“ in den Raum werfen, ohne zu erläutern, wie dies für das Problem angewendet wird, erwarten vermutlich, dass Käufer keine Nachfragen stellen – doch das sollten Sie unbedingt tun. Lassen Sie sich beispielsweise erklären, wie ihr Machine-Learning-Modell mit einem Teil umgeht, der in den meisten Monaten keinerlei Nutzung aufweist und dann plötzlich Bedarf entsteht – welche Eingaben nutzt das ML? Wenn sie mit Fachjargon und ohne Klarheit antworten, seien Sie vorsichtig. Können sie hingegen sagen: „Wir gruppieren ähnliche Teile und verwenden ein Bayessches Modell, das die Betriebsstunden der Flotte mit historischen Ausfällen kombiniert“, dann haben sie zumindest einen Ansatz.

Zusammenfassend, für MRO-Führungskräfte, die diese Lösungen bewerten:

• Passen Sie das Tool an Ihr Problem an: Wenn Sie unter wilden Nachfrageschwankungen und Lieferengpässen leiden, priorisieren Sie Anbieter mit erwiesenen probabilistischen Prognosen (Lokad, ToolsGroup, Smart, Syncron bis zu einem gewissen Grad). Wenn Ihr Problem übermäßiger Lagerbestand und mangelnde Transparenz ist, könnte ein vorhersagegestütztes Analytik-Tool (IBM/Oniqua oder Baxter) ausreichen, um Überflüssiges zu reduzieren.
• Bewerten Sie die Fähigkeiten Ihres Teams: Ein sehr fortschrittenes System erfordert erfahrene Planer/Analysten, die damit interagieren können (oder die Experten des Anbieters zur Unterstützung). Ein einfacheres System könnte von einem schlanken Team betrieben werden, schöpft jedoch möglicherweise nicht das volle Optimierungspotenzial aus.
• Planen Sie Zeit für Daten- und Integrationsarbeiten ein: Unabhängig von der verwendeten Software sollten Sie in die Bereinigung der Teile-Stammdaten, der Nutzungsdaten und in den Aufbau von Schnittstellen investieren. Es ist weniger glamourös als KI, aber grundlegend.
• Pilotprojekt durchführen und verifizieren: Starten Sie ein Pilotprojekt mit einem Teil des Sortiments oder an einem bestimmten Standort. Prüfen Sie, ob die ausgeklügelten Algorithmen des Anbieters tatsächlich sinnvolle Empfehlungen liefern (z. B. kein Bestand eines kritischen Teils? Oder ein übermäßiger Bestand von etwas Günstigem?). Überprüfen Sie die Optimierung, indem Sie verschiedene Szenarien simulieren. Ein guter Anbieter wird mit Ihnen gemeinsam daran arbeiten; ein unsicherer Anbieter wird zu viel Prüfung vermeiden.

Das Inventarproblem im Luftfahrt-MRO wird oft als „wahnsinnig herausfordernd“ ⁶⁶ beschrieben – und das ist es auch. Doch die heutigen Tools stellen sich dieser Herausforderung. Indem man den Hype durchschaut und sich auf überprüfbare Fähigkeiten konzentriert, kann ein MRO eine Lösung wählen, die das Teilemanagement wirklich optimiert und greifbare Verbesserungen in Zuverlässigkeit und Kosteneffizienz erzielt. Denken Sie an das Motto des Skeptikers: auf Gott vertrauen wir, alle anderen – bringt Daten. Jeder Anbieter sollte in der Lage sein, Daten zur Untermauerung seiner Behauptungen im Kontext Ihres Betriebs vorzulegen. Mit dieser Sorgfalt finden Sie einen Softwarepartner, der über Marketingversprechen hinausgeht und echten Erfolg in Ihrer supply chain erzielt.

Fußnoten