Software de Optimización MRO de Aviación, febrero 2025

Last modified: February 2nd, 2025

Introducción

Las supply chains de Mantenimiento, Reparación y Revisión (MRO) en aviación se enfrentan a una complejidad extrema. Las aerolíneas y los proveedores de MRO gestionan inventarios de repuestos de long-tail profundos con una demanda intermitente y escasa y tiempos de entrega y precios altamente variables. Fallos impredecibles y BOMs aleatorios para reparaciones significan que el uso puede dispararse sin previo aviso. Las piezas a menudo tienen ciclos de vida estrictos (por ejemplo, ciclos máximos o horas de vuelo) y clasificaciones de criticidad (piezas “no-go” que ponen en tierra a las aeronaves versus elementos “go-if” o diferibles). Estos factores hacen que las decisiones de forecast y de stock sean notoriamente difíciles – un delicado equilibrio entre evitar incidentes de AOG (aeronave en tierra) y minimizar el inventario excesivo.

Múltiples proveedores de software afirman resolver estos desafíos con herramientas de optimización especializadas. Este estudio realiza un análisis profundo escéptico de las principales soluciones de “optimization de MRO de aviación”. Evaluaremos críticamente la tecnología de cada proveedor: ¿realmente ofrecen capacidades state-of-the-art como forecast probabilístico (tanto para la demanda como para los tiempos de entrega), optimización económica (maximizando el rendimiento en las decisiones de inventario) y alta automatización para hacer frente a decenas o cientos de miles de números de parte? Las afirmaciones de marketing de mejoras “AI/ML-driven” – como reducciones dramáticas de inventario o aumentos en el nivel de servicio – serán examinadas en busca de sustancia. Buscamos específicamente evidencia de ingeniería avanzada (o la falta de ella) detrás de estas afirmaciones, y si las herramientas dependen de análisis automatizados versus parámetros definidos por el usuario de manera engorrosa. Finalmente, consideramos las realidades de integración en el desordenado panorama IT del MRO de aviación, desafiando cualquier afirmación de “plug-and-play”.

El objetivo es ofrecer a los ejecutivos de MRO con inclinación tecnológica una visión directa y detallada de la oferta del mercado – separando la innovación genuina de las palabras de moda.

Clasificación de Proveedores (Resumen)

1. Lokad – Forecast probabilístico y automatización de primer nivel para la aviación. Lokad lidera con tecnología de vanguardia como el forecast probabilístico de demanda y tiempos de entrega y differentiable programming, creado a propósito tras años de I+D en aviación ¹. Hace hincapié en la optimización económica (costo vs. servicio) y en una mínima afinación manual, posicionándose como pionero en la planificación de inventario MRO verdaderamente state-of-the-art.

2. PTC Servigistics – Suite legado integral con mejoras modernas. Servigistics ofrece el conjunto de funcionalidades más amplio (optimización multi-echelon, forecast avanzado, integración IoT) y se utiliza ampliamente en aeroespacial y defensa ². Aplica “AI/ML” internamente y maneja escenarios complejos, aunque algunos algoritmos datan de décadas de desarrollo. Muy potente, pero su complejidad puede significar una configuración más intensiva y dependencia de una configuración experta.

3. Syncron – Especialista en repuestos con crecientes capacidades de AI. La plataforma en la nube de Syncron está dedicada a la planificación de repuestos para fabricantes y ahora aeroespacial. Resalta el uso de AI, machine learning y simulaciones avanzadas para gestionar patrones de demanda intermitente y compleja ³. Están emergiendo funciones probabilísticas, y se centra en la optimización económica de stock, aunque la especialización en los matices específicos de la aviación aún está en evolución (históricamente fuerte en el mercado de posventa OEM).

4. ToolsGroup (SO99+) – Modelado estocástico probado, pero con una narrativa “AI” en envejecimiento. ToolsGroup fue pionero en el forecast de demanda intermitente y en la optimización de inventario multi-echelon ⁴. Sus modelos probabilísticos gestionan bien la “long tail” de repuestos. Sin embargo, las afirmaciones de estar “AI-powered” parecen exageradas – los análisis sugieren que su tecnología se basa en gran medida en estadísticas tradicionales (modelos anteriores al 2000) con algunas actualizaciones ⁵. Aun así, ofrece una automatización sólida para la planificación de repuestos a gran escala.

5. Armac Systems (RIOsys) – Optimizador enfocado en aviación para piezas rotables y repuestos. Armac (propiedad de SR Technics) es un líder de nicho específicamente para el inventario de aerolíneas/MRO. Su herramienta RIOsys calcula niveles óptimos de stock tanto para piezas rotables como consumibles incluso bajo demanda no programada (aleatoria) y redes multi-sitio ⁶. Incorpora conocimiento operativo (por ejemplo, datos de fiabilidad) en el modelo y refina continuamente las recomendaciones. La fortaleza específica en el dominio es alta, aunque la empresa es más pequeña y los detalles técnicos (AI/ML) reciben menos énfasis públicamente.

6. Baxter Planning (Prophet by Baxter) – Fundamentos de planificación de repuestos con enfoque en costos. La solución de Baxter abarca forecast, planificación de inventario y reposición automatizada. Utiliza un enfoque de “Optimización de Coste Total” que considera la criticidad de la pieza, la ubicación y la urgencia del cliente para equilibrar servicio y costo ⁷. Es una herramienta sólida y pragmática (más de 20 años en repuestos), aunque depende más de métodos tradicionales de forecast y de parámetros definidos por el usuario que de una verdadera automatización impulsada por AI.

7. Smart Software (Smart IP&O) – Motor avanzado de forecast para demanda intermitente. Smart Software es conocido por su forecast probabilístico de repuestos usando un método patentado de bootstrapping ⁸. Genera miles de escenarios de demanda para capturar la variabilidad, logrando una distribución completa y precisa de la demanda a lo largo de los tiempos de entrega. Esto resulta en niveles de stock optimizados para piezas intermitentes. Sin embargo, el enfoque de Smart está en el forecast y en los cálculos de stock de seguridad; es una solución más limitada (a menudo como complemento de un ERP) en lugar de una plataforma MRO integral. Aún se requiere integración y el esfuerzo del usuario para actuar sobre sus forecast.

8. IBM (MRO Inventory Optimization, anteriormente Oniqua) – Enfoque intensivo en activos, impulsado por analíticas. El MRO IO de IBM (adquirido de Oniqua) es una plataforma en la nube que combina análisis estadístico, análisis prescriptivo y optimización para repuestos de mantenimiento ⁹. Aborda la demanda intermitente con forecast incorporado y recomendaciones basadas en la criticidad, con el objetivo de minimizar el tiempo de inactividad ¹⁰. La herramienta se destaca en identificar excesos versus faltantes y en guiar a los planificadores mediante “scores” y colas de trabajo. Aunque utiliza algo de automatización, el enfoque se inclina más hacia dashboards de soporte de decisiones – requiriendo que los usuarios revisen los insights (por ejemplo, por criticidad, tiempo de entrega) y actúen ¹¹. Su tecnología es sólida pero poco llamativa – más analítica pesada que “magia AI”, y a menudo requiere una limpieza de datos significativa (una especialidad de IBM) y trabajo de integración.

9. SAP Service Parts Planning (SPP) – Módulo capaz con configuración intensiva. La solución propia de SAP para la planificación de repuestos (parte de SAP SCM/APO, ahora en transición a IBP) ofrece optimización de inventario multi-echelon y soporta métodos como el de Croston para la demanda intermitente ¹². En teoría, puede manejar la complejidad a escala de la aviación, y algunos grandes OEM ayudaron a definir su funcionalidad. En la práctica, SAP SPP requiere amplios ajustes definidos por el usuario (selección de modelos de forecast, objetivos de clase de servicio, etc.) y una personalización significativa para adaptarse a las necesidades de la aviación. Típicamente es menos automatizado – los planificadores deben configurar parámetros (por ejemplo, códigos de ciclo de vida, cadenas de reemplazo, mínimo/máximo) en lugar de que el sistema aprenda por sí mismo. Como una opción integrada con ERP, es confiable pero no está a la vanguardia de la innovación algorítmica.

10. Oracle Spares Management – Planificación básica de repuestos dentro de Oracle ERP. Oracle ofrece un módulo de repuestos (en E-Business Suite y Cloud SCM) que abarca forecast de demanda, planificación de niveles de stock, etc. ¹³. Incluye técnicas estándar para la demanda intermitente y optimización de pedidos a través de una red. Al igual que SAP, tiende a depender de configuraciones basadas en reglas y entrada del usuario – por ejemplo, los planificadores definen estrategias de forecast (Croston, suavizamiento exponencial) y políticas de inventario. La solución de Oracle cumple su función para algunos, pero no encontramos evidencia de AI de última generación o optimización probabilística; en general, está un paso detrás de los proveedores especializados en tecnología.

A continuación, profundizamos en el análisis detallado de la tecnología, capacidades y afirmaciones de cada proveedor, destacando dónde brillan y dónde se justifica el escepticismo.

Lokad – Forecast probabilístico “Supply Chain Quantitativa” para la aviación

Lokad es un nuevo competidor (fundado en la década de 2010) que se ha enfocado agresivamente en la optimización aeroespacial y MRO como especialidad central. Su enfoque es impulsado por data science sin complejos eufemismos. La plataforma de Lokad se centra en el forecast probabilístico y en lo que denominan “optimización predictiva.” En lugar de hacer un forecast de demanda puntual, Lokad modela la distribución completa de probabilidades de la demanda, los tiempos de entrega, e incluso las tasas de desecho de las piezas ¹. Esto es crucial dada la alta incertidumbre en la aviación: por ejemplo, una pieza puede usualmente durar 5,000 horas, pero ocasionalmente fallar mucho antes – un modelo probabilístico captura ese riesgo. Luego, Lokad calcula políticas de stock que minimizan el costo total (costos de mantenimiento, costos por faltante de stock, penalizaciones AOG) dadas esas incertidumbres.

Un aspecto destacado de la tecnología de Lokad es el differentiable programming ¹. Esto esencialmente significa que utilizan técnicas de machine learning para “aprender” de patrones complejos en los datos de la supply chain. Por ejemplo, los cronogramas de mantenimiento, las curvas de fiabilidad (MTBUR – Mean Time Between Unscheduled Removal), los tiempos de ciclo de reparación, etc., pueden ser incorporados en un modelo similar a una red neuronal en lugar de reglas fijas. Lokad afirma que esto permite extraer automáticamente patrones de los datos que las fórmulas tradicionales codificadas a mano podrían pasar por alto ¹. Es un concepto novedoso en la supply chain, y aunque es difícil de verificar externamente, indica una ingeniería seria más allá de las palabras de moda.

Es importante destacar que Lokad ofrece detalle de ingeniería en su enfoque – un cambio refrescante respecto a las vagas afirmaciones sobre AI. En un comunicado de prensa con Revima (un MRO de APU/Tren de aterrizaje), mencionaron explícitamente forecast probabilístico para demanda, tiempos de entrega y desecho, combinado con differentiable programming para modelar complejos procesos de reparación ^{1 1}. Estas son técnicas concretas, no solo argumentos de marketing. El hecho de que el CEO de Lokad sea un blogger activo en matemáticas de la supply chain añade credibilidad (frecuentemente critican los métodos tradicionales e incluso publican comparaciones).

Desde el punto de vista de la automatización, la solución de Lokad es altamente automatizada una vez que los datos están disponibles. Se entrega como software más servicios (concepto “Supply Chain as Code”): su equipo ayuda a configurar un modelo de optimización a medida utilizando su lenguaje de scripting (Envision). Después, el sistema ingiere datos continuamente (por ejemplo, transacciones diarias de piezas, removals, etc.) y regenera recomendaciones de niveles de stock, órdenes de compra, priorización de órdenes de reparación, etc., con mínima intervención manual. Está diseñado para manejar decenas o cientos de miles de P/Ns permitiendo que los algoritmos computen políticas óptimas para cada una, en lugar de que los planificadores mantengan miles de configuraciones de min/máx. Un ejecutivo de MRO de aviación confirma: “Lokad ha proporcionado las herramientas y el soporte adecuados para… reducir la incertidumbre incorporando un enfoque probabilístico,” logrando exigentes objetivos de fill rate con riesgo reducido ¹⁴.

Lokad también es franco respecto a la integración: no promueven una fantasía de “plug-and-play” pura, reconociendo que los datos en aviación son desordenados. En lugar de ello, a menudo aprovechan todas las fuentes de datos disponibles, incluso si son imperfectas. Por ejemplo, pueden usar métricas de fiabilidad proporcionadas por OEM (MTBUR) y los datos históricos de removal del operador, ponderándolos según cuál sea más predictivo para cada pieza ^{15 16}. Este nivel de matiz – utilizar múltiples fuentes de datos para triangulación – demuestra una comprensión avanzada de las especificidades de la aviación (por ejemplo, usar datos de OEM cuando los datos en servicio son escasos, y viceversa).

Punto de vista escéptico: Las afirmaciones de Lokad generalmente están respaldadas por evidencia (estudios de caso con Air France KLM, Revima, etc., y blogs técnicos detallados). Aún así, se deben plantear preguntas difíciles: por ejemplo, ¿qué tan fácilmente puede un MRO típico adoptar la solución de Lokad sin un equipo de data scientists? Lokad tiende a trabajar de cerca con los clientes a través de sus propios expertos, lo cual es excelente para obtener resultados, pero podría verse como un modelo basado en consultoría inicialmente, en lugar de ser solo software. Además, aunque los modelos probabilísticos son ideales para la demanda intermitente, su precisión depende de la calidad de los datos – la máxima “garbage in, sophisticated-garbage out” sigue siendo un riesgo. Resultados de Lokad como “inventario reducido en un 60%” en un caso ¹⁷ deben recibirse con un escepticismo saludable – tales resultados podrían ser excepcionales o medirse contra una línea base muy pobre. No obstante, entre los proveedores, Lokad parece empujar el límite más en la ciencia moderna del forecast y la optimización. No depende de que los usuarios establezcan objetivos arbitrarios de nivel de servicio o clases ABC; en su lugar, automatiza las decisiones calculando los compromisos económicos para cada pieza. Este nivel de automatización y rigor probabilístico lo convierte en una opción de primer nivel para aquellos dispuestos a adoptar una solución más novedosa.

PTC Servigistics – Campeón de peso pesado con tecnología actualizada

Servigistics es el veterano en este sector – su linaje se remonta a pioneros de la industria (Xelus, MCA Solutions) que se integraron en Servigistics, y luego fue adquirida por PTC en 2012 ¹⁸. Es, por lejos, el software de Gestión de Repuestos (SPM) más desplegado entre las grandes organizaciones de aeroespacial y defensa. Qantas, Boeing, Lockheed Martin, la Fuerza Aérea de EE.UU. – nombres como estos aparecen a menudo como usuarios de Servigistics ¹⁹. Con ese pedigree, Servigistics establece un alto estándar en términos de amplitud y profundidad de funcionalidades.

Desde la perspectiva de capacidades, Servigistics prácticamente enumera cada función que un equipo de logística de MRO o posventa podría desear: forecast de demanda especializado para demanda de bajo volumen y esporádica, optimización de inventario multi-echelon (posicionando stock a través de, por ejemplo, almacén central, bases adelantadas, taller de reparaciones, etc.), planificación de adquisiciones desde múltiples fuentes, decisiones de reparar versus comprar, e incluso un módulo integrado de precios de repuestos ²⁰. Notablemente, PTC también ha extendido Servigistics mediante la integración de IoT – utilizando su plataforma ThingWorx para alimentar datos de equipos conectados (por ejemplo, datos de uso o de sensores de aeronaves/motores) para predecir fallos de piezas con vida limitada y planificar sustituciones de forma proactiva ^{21 22}. Esto comienza a abordar el problema de “random BOM” mediante el forecast de removals de piezas basado en el monitoreo real de condiciones, no solo en estadísticas históricas.

Servigistics afirma incorporar ciencia de datos moderna: “forecasting, optimization, and analytics modules take advantage of AI, machine learning, and big data” ²³. Sin embargo, los detalles sobre cómo se utiliza exactamente AI/ML son escasos en los materiales públicos. Dada la larga historia de la herramienta, es probable que gran parte del motor de forecast aún dependa de métodos estadísticos clásicos (el método de Croston, variantes de suavizado exponencial para demanda intermitente, tal vez estimación bayesiana para demanda baja) que se han mejorado de manera incremental. La mención de trabajar con académicos como el Dr. John Muckstadt sugiere el uso de modelos analíticos comprobados para optimización multi-echelon ²⁴. Los algoritmos de Muckstadt (de su libro “Service Parts Management”) son más de operations research (optimización matemática) que de machine learning – lo cual está bien, a menudo es óptimo para estos problemas. El “AI/ML” puede ser más bien un recubrimiento reciente – posiblemente utilizando machine learning para aspectos como la detección de anomalías en la demanda o la clasificación de partes (por ejemplo, agrupando patrones de demanda similares), en lugar de ser el núcleo del forecast. Se debe ser un poco escéptico de que Servigistics de repente se convierta en una plataforma “AI”; es más precisamente una plataforma de OR (Operations Research) muy sofisticada, con algunas nuevas características habilitadas por AI en los márgenes.

Forecast probabilístico: ¿Lo hace Servigistics? Históricamente, podía producir una distribución de demanda para cada parte (por ejemplo, mediante bootstrapping o ajustando a una distribución estadística predefinida) para calcular inventarios de seguridad óptimos. La optimización multi-echelon requiere intrínsecamente insumos probabilísticos (para calcular probabilidades de faltante de stock en distintas ubicaciones). La documentación de PTC hace referencia a “types of probability distributions utilized” en las decisiones de stock ²⁵, lo que implica que el sistema considera más que un único forecast promedio. Podemos asumir razonablemente que realiza alguna forma de forecast probabilístico o, al menos, simulación de escenarios para demanda esporádica (MCA Solutions, uno de sus predecesores, era conocido por la simulación Monte Carlo en planificación). La diferencia con un enfoque moderno es si estas distribuciones se aprenden automáticamente o se seleccionan a través de reglas. En Servigistics, un planificador típicamente asigna a cada parte un método de forecast (o el sistema lo autoselecciona de un conjunto de métodos) y luego elige los objetivos de nivel de servicio. Es posible aplicar una gran política definida por el usuario – por ejemplo, los planificadores pueden segmentar las partes por criticidad o valor y asignar diferentes metas de fill rate (el sistema tiene una rica capacidad de segmentación) ²⁶. Si no está completamente automatizado, esto podría representar una debilidad: la herramienta puede optimizar una vez que se ingresan esos parámetros, pero determinar cuál debe ser el nivel de servicio de decenas de miles de partes a menudo queda a criterio del usuario o a reglas simples (como “95% para partes de no-prioridad, 80% para partes de prioridad”). Las soluciones verdaderamente óptimas calcularían esos equilibrios de forma dinámica. No está claro si Servigistics tiene una “optimización de nivel de servicio” automatizada que, por ejemplo, maximice la disponibilidad global para un presupuesto dado – probablemente lo haga, pero muchos usuarios podrían no utilizar ese modo debido a la complejidad.

Servigistics también aborda aspectos del ciclo de vida de las piezas y el ciclo de reparación. Para las piezas reparables (rotables), puede planificar la línea de reparación e incorporar tiempos de respuesta y rendimientos. La nueva extensión “Connected Forecasting” pronostica explícitamente las retiradas de piezas como las Life Limited Parts (LLPs) basándose en su vida útil restante y en los datos de uso ²⁷ – una capacidad muy importante en la aviación, donde se sabe que una pieza necesitará ser reemplazada después de X ciclos. Esto ayuda a mitigar la demanda errática al inyectar señales determinísticas (por ejemplo, retiradas programadas) en el forecast.

En cuanto a integración: PTC se ha asociado con importantes proveedores de ERP para MRO como IFS y Trax para integrar Servigistics ²⁸. No obstante, integrar una herramienta tan completa con el sistema de mantenimiento de una aerolínea es un proyecto de gran envergadura (a menudo 6-12+ meses). Cualquier afirmación de “plug-and-play” realizada por el área de ventas debe tomarse con precaución. En realidad, es necesario mapear decenas de campos de datos (datos de base instalada, catálogos de piezas, BOMs para tareas de mantenimiento, datos del ciclo de reparación, etc.) y, a menudo, mejorar la calidad de los mismos. Servigistics probablemente cuenta con adaptadores estándar para sistemas como SAP o Oracle, pero el trabajo personalizado es la norma – coherente con cualquier solución empresarial.

Puntos clave de escepticismo: Servigistics es extremadamente poderoso, pero ¿es fácil obtener valor de él? Muchas instalaciones heredadas terminan infrautilizadas, utilizando solo características básicas (como la planificación de un solo echelon con inventarios de seguridad establecidos) porque la optimización completa puede resultar abrumadora sin usuarios expertos. Vale la pena interrogar al proveedor sobre cuán automatizado es el sistema en la práctica – por ejemplo, ¿detecta automáticamente un cambio en la variabilidad del tiempo de entrega y ajusta los puntos de reorden, o requiere la intervención de un planificador? La presencia de muchos “planning parameters” sugiere que es posible realizar numerosos ajustes ²⁹, lo que puede ser bueno o malo. Por ejemplo, Servigistics permite anular el EOQ calculado o forzar ciertos períodos de forecast ²⁹, lo que insinúa que los cálculos preconfigurados podrían no ser siempre confiables para los usuarios.

En resumen, Servigistics es la opción con más funcionalidades y ha evolucionado para incluir elementos modernos (datos IoT, algo de AI). Proporciona capacidades de última generación, pero si ofrece soluciones de última generación depende de la ejecución – un aspecto a tener en cuenta. Para un MRO con los recursos para implementarlo completamente, puede rendir de manera excelente (se reportó una disponibilidad de piezas del 94% en Qantas ³⁰). Pero operaciones más pequeñas podrían considerarlo demasiado pesado. Sus afirmaciones de marketing (líder en todos los informes de analistas, etc.) son típicas y en parte ciertas dado el share de mercado, pero los compradores potenciales deben mirar más allá de los elogios y asegurarse de tener la madurez de procesos necesaria para aprovechar esta herramienta poderosa pero compleja.

Syncron – Planificación de piezas de servicio nativa de la nube con promesas de AI

Syncron es otro actor importante, que viene desde un ángulo diferente – comenzó con piezas de servicio para el mercado posventa de fabricantes (especialmente en el sector automotriz y de maquinaria industrial) y se ha expandido en los últimos años hacia los ámbitos aeroespacial y de defensa. La propuesta de valor de Syncron se centra en ser una plataforma construida a medida y basada en la nube para piezas de servicio, combinando varios módulos (Optimización de inventarios, Optimización de precios, e incluso un módulo de forecast de uptime basado en IoT) ^{31 32}. En el contexto de MRO en aviación, Syncron está ganando terreno – por ejemplo, ATR (el fabricante de aviones regionales) eligió recientemente Syncron para la gestión de inventarios en el soporte global de su flota ^{33 3}.

Tecnológicamente, Syncron publicita el uso de AI, machine learning, and advanced analytics en su solución de Planificación de Piezas ³. Concretamente, mencionan que el software “rastrea las tendencias de demanda y configura simulaciones avanzadas para planificar y predecir las necesidades de servicio de piezas” ³. Esto sugiere que Syncron también utiliza alguna forma de simulación Monte Carlo o planificación probabilística – probablemente generando escenarios de demanda y de oferta para optimizar el inventario. En un IDC MarketScape, se destacó a Syncron por “dynamic replenishment, probabilistic planning/forecasting” entre sus fortalezas ³⁴, lo que indica que no se limita a métodos deterministas o basados en reglas. A diferencia de algunas herramientas antiguas, el hecho de que Syncron sea nativo de la nube significa que puede procesar grandes conjuntos de datos y ejecutar simulaciones extensas en segundo plano sin que el cliente tenga que gestionar la infraestructura IT.

Un aspecto notable de la filosofía de Syncron es la servitización – ayudar a las empresas a tratar el uptime como un servicio. En términos prácticos, la plataforma de Syncron conecta el forecast de piezas de servicio con insumos de gestión de servicio de campo y señales de mantenimiento predictivo IoT (a través de su módulo Uptime™). Para la aviación, esto podría significar utilizar datos de monitoreo de la salud de las aeronaves para anticipar la demanda de piezas. Es similar en concepto a lo que hace PTC con ThingWorx, pero Syncron lo ha empaquetado como parte de su suite específicamente para el servicio postventa. Este enfoque se alinea con tendencias como power-by-the-hour en la aviación, donde la disponibilidad lo es todo.

En términos de optimización, Syncron optimiza el inventario equilibrando la disponibilidad frente al costo. Afirman explícitamente mejoras tales como un aumento del 12–17.5% en la disponibilidad de piezas y una reducción del 15% en el costo de inventario para los clientes ³⁵. Estas cifras, como todas esas afirmaciones, deben tomarse con cautela – podrían provenir de estudios de caso seleccionados. Hay pocos detalles técnicos públicos sobre los algoritmos detrás de la optimización de Syncron. Sin embargo, se puede inferir que utilizan una combinación de modelos estadísticos de forecast, machine learning para reconocimiento de patrones, y algún heurístico o solucionador para el abastecimiento multi-echelon. Históricamente, Syncron Inventory fue fuerte en la optimización de redes de distribución (para OEMs con redes de distribuidores, etc.), por lo que la optimización en múltiples ubicaciones está en su ADN.

Automatización y esfuerzo del usuario: Es probable que Syncron automatice muchas tareas rutinarias – dado que es un software moderno, fue diseñado para la nube y con usabilidad en mente. Probablemente selecciona automáticamente los modelos de forecast apropiados y los actualiza a medida que los datos cambian, en lugar de esperar que los usuarios ajusten manualmente el método de forecast de cada SKU (una lacra de los sistemas antiguos). Dicho esto, la base de usuarios típica de Syncron (fabricantes) a menudo aún establece reglas de negocio – por ejemplo, clasificar piezas según su ciclo de vida o criticidad para aplicar diferentes políticas. Debemos verificar si Syncron permite una optimización completamente automatizada. Se menciona que los módulos de precio e inventario de Syncron actualmente utilizan bases de datos separadas que requieren integración ³², lo que insinúa algunas bases heredadas. Puede que no sea tan fluido entre módulos como se anuncia.

Una fortaleza que Syncron enfatiza es el manejo del ciclo de vida de las piezas: gestionar la introducción de nuevas piezas, la obsolescencia y las sustituciones. En la aviación, donde las piezas son reemplazadas por versiones más nuevas o alternativas PMA, esto es crucial. Syncron ha estado lidiando con problemas similares en la automoción (donde los cambios de modelo afectan la demanda de piezas) – presumiblemente, el sistema es capaz de forecast la disminución de la demanda para piezas antiguas y el repunte para las nuevas, utilizando analogías o forecasts vinculados.

Verificación de afirmaciones: Syncron cuenta con relativamente pocos whitepapers técnicos públicos, por lo que parte de nuestro escepticismo radica en tener que confiar en lo que afirman y en algunas referencias. El comunicado de prensa de ATR indica que la solución ayudará con la supply chain instability y el escalado de operaciones ³⁶ – pero eso es genérico. La principal afirmación tecnológica es la combinación de AI/ML + simulación ³. Cuestionaríamos a Syncron: ¿Proporcionan evidencia de modelos ML en acción? Por ejemplo, ¿utilizan redes neuronales para detectar causalidades en la demanda (como tasas de uso o fallos) o solo métodos de series temporales? Además, si dicen “AI”, ¿se trata sólo de una etiqueta para sus modelos estadísticos o de técnicas verdaderamente novedosas? Sin más detalles, permanecemos cautelosos.

Sin embargo, a diferencia de algunos competidores, Syncron no se apoya en arquitecturas antiguas – es una plataforma del siglo XXI concebida desde cero. Esto probablemente signifique una interfaz de usuario mejorada y, posiblemente, un despliegue más rápido (su integración con ERP utiliza APIs modernas, y a menudo realizan el trabajo pesado para los clientes). Aun así, “plug-and-play” es poco realista: la implementación en ATR, por ejemplo, probablemente requirió mapear Syncron a los sistemas SAP y de mantenimiento personalizados de ATR. El equipo de Syncron trabajó activamente con ATR para adaptar mejoras a las “unique demands” de la aviación ³⁷ – lo que implica que, de serie, algunas necesidades específicas de la aviación no se satisfacían hasta que colaboraron. Esto es tanto positivo (el proveedor está dispuesto a adaptarse) como motivo de precaución (el producto no estaba completamente listo para todas las complejidades de la aviación inicialmente).

En resumen, Syncron está avanzando hacia lo state-of-the-art con elementos probabilísticos y de AI, y tiene una fuerte orientación hacia la automatización inteligente. Puede que aún no cuente con el profundo historial en aviación de Servigistics, pero se está convirtiendo rápidamente en un competidor principal, como lo demuestran sus nuevos clientes en el sector. Los ejecutivos de MRO deberían verificar las afirmaciones de ML de Syncron (solicitando detalles o demostraciones de cómo forecast un número de parte irregular) y asegurarse de que cualquier mejora prometida en inventario o servicio venga respaldada por datos, y no solo por promedios de la industria. Como en otros casos, considere los porcentajes llamativos (p. ej., “15% de reducción en el costo de inventario”) como una guía aproximada; los resultados reales variarán según lo desorganizado que estuviera el proceso inicial. En general, Syncron se posiciona en alto debido a su arquitectura moderna y su enfoque en la automatización inteligente, aunque queda por demostrar que su tecnología trasciende las palabras de moda.

ToolsGroup – Fuertes algoritmos para demanda intermitente, pero ¿qué tan “inteligentes” son?

ToolsGroup es un proveedor bien establecido (fundado en 1993) conocido por su software insignia SO99+ (Service Optimizer 99+). Tiene una presencia significativa en la planificación de piezas de posventa en diversas industrias – desde repuestos automotrices hasta equipos industriales, y también se ha utilizado en contextos aeroespaciales/defensa. La fortaleza central de ToolsGroup siempre ha sido gestionar la “long tail” de la demanda con lo que ellos denominan un modelo probabilístico. Destacan que las herramientas tradicionales fallan ante la demanda intermitente, mientras que ToolsGroup “resuelve el problema de la planificación de piezas de servicio con una capacidad excepcional para forecast demanda intermitente y optimizar globalmente el inventario multi-echelon” ⁴.

La tecnología detrás del forecasting de ToolsGroup es, en efecto, probabilística. Históricamente, han utilizado un enfoque propietario en el que, en lugar de forecast un único número, modelan la demanda como una distribución de probabilidad para cada SKU. Esto puede hacerse mediante simulación Monte Carlo o ajustando analíticamente una distribución (algunas fuentes indican que ToolsGroup podría emplear una forma de bootstrapping o una variación del método de Croston combinada con análisis de variabilidad). Para cada pieza, dada la distribución de la demanda y el tiempo de entrega, el software calcula el inventario requerido para alcanzar un nivel de servicio objetivo o, inversamente, el nivel de servicio alcanzable para un presupuesto de inventario determinado. Este enfoque fue algo pionero en los años 90/2000, cuando la mayoría de los sistemas de planificación utilizaban métodos simplistas. Permite gestionar los niveles de servicio de manera muy ajustada, incluso para artículos de movimiento extremadamente lento. ToolsGroup también introdujo el concepto de “service level-driven planning” en el que se especifica el nivel de servicio deseado por SKU y la herramienta determina el stock necesario, en lugar de que los planificadores calculen el inventario de seguridad.

Sin embargo, la crítica moderna es si ToolsGroup ha innovado significativamente más allá de sus modelos anteriores. La compañía ahora se posiciona como “AI-powered” y habla de cosas como “demand sensing” y machine learning. Pero un estudio de mercado de Lokad señala que los materiales públicos de ToolsGroup aún insinúan técnicas más antiguas e incluso señalan una inconsistencia: ToolsGroup comenzó a publicitar forecast probabilísticos pero aún hacía referencia a mejoras en MAPE (Mean Absolute Percentage Error), lo que “no se aplica a los forecast probabilísticos” ⁵. Esto sugiere una especie de barniz de marketing: no se mediría el error de forecast con MAPE si realmente se estuviera enfocando en forecast de distribución. En otras palabras, ToolsGroup podría seguir produciendo principalmente un único forecast para cada artículo (para informes empresariales), utilizando ideas probabilísticas de fondo para cálculos de inventario. La mención de “demand sensing” (usualmente significa usar señales a muy corto plazo como órdenes en mano o datos de IoT para ajustar forecasts) también es cuestionada por tener poco respaldo en la literatura científica ³⁸ – lo que implica que ToolsGroup podría usar la palabra de moda, pero no necesariamente un método avanzado probado.

Dicho esto, las capacidades de ToolsGroup son sólidas. Soporta optimización multinivel, lo que significa que puede recomendar dónde almacenar repuestos en una red para cumplir con los objetivos de servicio con un inventario mínimo. También puede gestionar la reubicación del inventario y la redistribución, lo que es útil en MRO cuando las piezas pueden ser trasladadas entre bases o regiones. La solución de ToolsGroup a menudo se integra con ERPs como SAP – algunas empresas utilizan SO99+ junto a SAP para superar las limitaciones de la planificación de SAP (ToolsGroup incluso afirma que puede extender SAP APO con forecast probabilístico ³⁹). Generalmente es altamente automatizado: una vez configurado, los planificadores mayoritariamente monitorean excepciones. La herramienta procesará miles de combinaciones SKU-localización y solo señalará aquellos artículos en los que, quizás, se proyecte una disminución en el nivel de servicio o se haya producido un aumento en la demanda que requiera intervención.

Sobre los detalles del contexto MRO: ToolsGroup ciertamente puede modelar una demanda intermitente, pero ¿tiene en cuenta aspectos como la criticidad de las piezas o el ciclo de vida? ToolsGroup tiende a ser genérico; sin embargo, los usuarios pueden ingresar diferentes objetivos de nivel de servicio o costos para distintas categorías de piezas. Puede que no conozca de forma nativa la criticidad “go/no-go”, pero un cliente podría incorporar eso simplemente estableciendo un objetivo de nivel de servicio cercano al 100% para los artículos “no-go” y uno inferior para los demás. La optimización sigue entonces esa directriz. De manera similar, para los ciclos de vida, ToolsGroup podría no tener un módulo preconfigurado para forecast basado en la vida útil restante (como hacen Servigistics o Syncron con datos de IoT), pero se pueden ajustar manualmente los forecasts para reemplazos programados conocidos. Es más un conjunto de herramientas que puede adaptarse a diversas necesidades, en lugar de ser una solución específica para la aviación.

Un área a tener en cuenta son las afirmaciones de ToolsGroup sobre resultados típicos: por ejemplo, afirman que los clientes logran una reducción del 20-50% en las ventas perdidas, una reducción del 10-30% en el inventario y niveles de servicio del 95-99% ⁴⁰. Aunque estos rangos son plausibles, son amplios y claramente impulsados por el marketing. Es probable que tales mejoras provengan de empresas que no contaban con una verdadera optimización anteriormente; implementar cualquier herramienta decente produciría grandes ganancias. Esto no significa necesariamente que ToolsGroup logre esos resultados de manera única en comparación con sus competidores. A menudo no existe un estudio independiente que verifique estos porcentajes, por lo que seguimos siendo escépticos de tomarlos al pie de la letra (la ausencia de un contexto como “¿comparado con qué línea base?” o “¿en cuánto tiempo?” es reveladora).

Definido por el usuario vs. automatización: ToolsGroup es relativamente automatizado en forecast, pero permite una gran cantidad de configuración. Por ejemplo, los planificadores pueden elegir los objetivos de nivel de servicio por artículo o grupo. Si una empresa no sabe cómo establecerlos, podría recurrir a viejos hábitos (clasificación ABC, etc.), lo que limita el impacto de la tecnología. Idealmente, se usaría la optimización de ToolsGroup para determinar esos objetivos de manera óptima – creo que ToolsGroup cuenta con funcionalidades como equilibrar la inversión en inventario frente al servicio en todo el portafolio, lo cual es una forma de optimización económica. Pero puede requerir el uso de sus servicios de consultoría o funciones avanzadas para configurarlo correctamente.

El esfuerzo de integración para ToolsGroup es moderado – necesitan flujos de historial de uso, BOMs, etc. No es exactamente plug-and-play con algo como AMOS o Rusada (sistemas comunes de MRO), así que espere un proyecto, aunque existen muchos conectores de integración dada la larga historia de ToolsGroup.

Conclusión: ToolsGroup es una solución capaz y confiable para la optimización de repuestos. Definitivamente califica como state-of-the-art circa 2010 y aún se mantiene bien. Pero en 2025, uno debería cuestionar cuánto ha incorporado de las nuevas técnicas de AI/ML. La evidencia disponible sugiere muchas palabras de moda pero no mucha metodología nueva concreta publicada. Eso no significa que no funcione – funciona, pero la etiqueta “AI” podría simplemente significar que está utilizando estadística sofisticada (lo cual está bien). Para un ejecutivo de MRO, ToolsGroup podría ser una opción de menor riesgo (producto establecido, muchos clientes de referencia). Solo tenga en cuenta que podría no estar obteniendo un sistema verdaderamente de nueva generación; está obteniendo un sistema tradicional muy bueno. Si la compañía promociona “AI”, pídales que aclaren qué es exactamente lo que está impulsado por AI en el producto y cómo mejora sus ya buenos modelos probabilísticos. Además, asegúrese de que su equipo aproveche al máximo sus fortalezas (como la optimización multinivel) y no lo reduzca a una herramienta básica de planificación.

Armac Systems (RIOsys) – Nativo en aviación, optimizando rotables y reparaciones

Armac Systems es única en esta lista ya que nació específicamente del mundo del MRO de aviación. Es un proveedor más pequeño (con sede en Irlanda, ahora propiedad de SR Technics desde finales de la década de 2010 ⁴¹) que se centra al 100% en la optimización del inventario de aviación. El buque insignia de Armac, RIOsys (sistema de optimización de inventario de rotables), está diseñado para aerolíneas y MROs que manejan tanto repuestos desechables como componentes rotables de alto valor.

Lo que distingue a Armac es su especificidad de dominio. El software se describe como “planificación y optimización de inventario específicos para la aviación” orientado a maximizar la disponibilidad de repuestos al menor costo económico ⁶. Reconoce explícitamente el escenario típico de la aviación: “la demanda no programada de piezas, la gran cantidad de componentes y las operaciones en múltiples sitios son la norma” ⁴². La herramienta ayuda a calcular niveles de inventario óptimos tanto para piezas rotables como consumibles, lo que significa que puede determinar no solo cuántas comprar, sino también cuántas mantener como repuestos frente a la línea de reparación, etc., para cumplir con los objetivos de confiabilidad en el despacho. También se menciona que el conocimiento operativo se incorpora en su modelo de aprovisionamiento y se refina continuamente ⁴³. Esto sugiere que el sistema aprende o actualiza sus parámetros a medida que llegan más datos (por ejemplo, a medida que se observan las tasas reales de remoción de componentes, refina el forecast o el stock recomendado para ese componente).

Un aspecto probable del enfoque de Armac es aprovechar los datos de ingeniería de confiabilidad. El mantenimiento de aviación tiene conceptos como MTBF/MTBUR, curvas de confiabilidad y tasas de remoción por cada 1000 horas de vuelo. Probablemente, Armac utiliza esos datos para predecir la demanda en lugar de solo la extrapolación de series temporales. Por ejemplo, si una aerolínea opera 100 A320s y una determinada bomba tiene un MTBUR de 5000 horas de vuelo, se puede forecastar aproximadamente cuántas fallas se esperan por año (con variabilidad). Esto es muy específico de MRO y difiere de forecastear, por ejemplo, la venta de repuestos a clientes. La asociación de Armac con el ámbito académico y las “big data business intelligence techniques” ⁴¹ implica que han investigado e implementado modelos orientados a este tipo de forecast basado en la confiabilidad.

Armac también atiende la criticidad “go/no-go” de manera indirecta al centrarse en la confiabilidad técnica del despacho. En una aerolínea, la confiabilidad en el despacho (el porcentaje de vuelos que salen sin retraso o cancelación por mantenimiento) es una métrica clave. La disponibilidad de repuestos, especialmente de los artículos no-go, influye directamente en ello. Los estudios de caso de Armac (como el de Iberia) indican que el objetivo era mejorar la disponibilidad de material mientras se reducían los costos ⁴⁴. El CEO de Armac destacó la oferta de una mayor disponibilidad de repuestos al menor costo económico ⁴⁵. Así que claramente están realizando una optimización económica: asegurando que las piezas críticas estén siempre disponibles (para evitar AOG) pero sin sobrestockar en todas partes.

Una nota interesante: RIOsys de Armac se integra con los ERPs existentes (como SAP) para proporcionar una “capa adicional de inteligencia” ⁴⁶. Esto demuestra que no están reemplazando el sistema transaccional, sino complementándolo – un tema común en el software de optimización. La integración con SAP fue un argumento de venta (obtuvieron la certificación SAP, etc.), pero nuevamente, la integración requiere trabajo.

Probablemente, Armac ofrece mucha automatización para los planificadores en el sentido de que genera recomendaciones (por ejemplo, almacenar esta pieza en la base X, mover estas unidades excedentes de la base Y a la Z, reparar esta cantidad de unidades ahora, etc.). También probablemente cuenta con paneles de control fáciles de usar que destacan excedentes y faltantes y ayudan a priorizar acciones ⁴⁷. Esto es crucial para equipos de planificación más pequeños – la herramienta necesita indicarles qué hacer hoy. Se informa que el uso de Armac por parte de Iberia ayudó a “identificar excedentes y faltantes, y priorizar las actividades diarias” para los planificadores de inventario ⁴⁷. Eso indica un alto nivel de toma de decisiones guiado por el sistema – una señal de fuerte automatización.

Por otro lado, en cuanto al escepticismo, dado que Armac es más pequeña y no tan visible en el marketing, hay menos evaluaciones independientes disponibles. Parece muy competente para la aviación, pero ¿realmente utiliza algoritmos state-of-the-art? ¿O su éxito se debe principalmente a estar hecho a la medida (con muchas reglas de expertos y plantillas específicamente para aerolíneas)? Por ejemplo, Armac podría estar utilizando modelos estadísticos bastante estándar pero preconfigurados con los parámetros adecuados para escenarios de aviación desde el primer momento. Eso sigue siendo valioso, pero no es “mágico”. La mención de modelos “continuously refined” ⁴³ sugiere que está ocurriendo algún machine learning o al menos una calibración iterativa, lo cual es bueno.

Una posible debilidad podría ser la escala y los recursos: como proveedor más pequeño, ¿puede Armac invertir en la investigación más reciente en AI al mismo ritmo que, por ejemplo, PTC o Lokad? Posiblemente no, pero al estar enfocados, puede que no necesiten una AI sofisticada si su solución de ingeniería ya se adapta bien al dominio. Además, ser propiedad de SR Technics (un importante MRO) podría significar que tienen una retroalimentación profunda del dominio, pero también que su horizonte podría limitarse a las necesidades de ese propietario.

Armac no promociona de forma ostentosa “AI” en sus comunicados de prensa – utilizan términos como “planificación de inventario inteligente de nueva generación” y “big data techniques” ⁴¹, que son palabras de moda pero no muy específicos. Vale la pena preguntar a Armac por detalles: ¿simulan la variabilidad del ciclo de reparación? ¿Optimizan tanto la tasa de cumplimento como la utilización de activos? ¿Cómo manejan la obsolescencia de las piezas (¿avisa el sistema cuando una pieza se está quedando obsoleta para evitar sobrestockearla?) Dado su nicho, probablemente tengan funciones para la planificación del fin de vida y la optimización del agrupamiento de rotables que otros podrían no enfatizar.

La integración sigue siendo un desafío: incluso con una integración con SAP, no todas las aerolíneas utilizan sistemas estándar. Muchas utilizan sistemas especializados de MRO como AMOS, Ultramain, etc. Armac tendría que integrarse a esos o depender de exportaciones de datos. No es plug-and-play, pero es probable que su equipo lo haya hecho para clientes similares.

En conclusión, RIOsys de Armac Systems es una opción sólida para el MRO en aviación específicamente, probablemente ofreciendo mucho valor con una configuración relativamente menor si se ajusta a su perfil típico (aerolínea con múltiples bases de mantenimiento, mezcla de repuestos rotables y desechables). Puede considerarse state-of-the-art en términos de alineación con el dominio – conoce íntimamente su problema. En cuanto a pura tecnología, probablemente utiliza análisis avanzados (si no AI de vanguardia, al menos algoritmos muy especializados). Los ejecutivos de MRO que evalúen Armac deberían verificar que la herramienta cubre realmente todas las necesidades modernas (quizás preguntar si utilizan forecast probabilístico o solvers de optimización, etc.). El sólido historial comprobado (se afirma ahorros en los “millones para organizaciones de aviación” ⁴¹) otorga credibilidad a Armac. Simplemente aborde sus afirmaciones de ROI como lo haría con cualquier proveedor – con una mentalidad de “confía pero verifica” – y asegúrese de contar con el soporte de TI para integrarlo en su entorno.

Baxter Planning (Prophet by Baxter) – Planificación enfocada en costos con intervención humana

Baxter Planning es un proveedor consolidado en la gestión de repuestos de servicio, presente desde la década de 1990. Su solución, a menudo referida como Prophet, se dirige a una amplia gama de industrias (tecnología, dispositivos médicos, etc.) e incluye hasta cierto punto el sector MRO/aviación (aunque su mayor presencia es en los repuestos de hardware para tecnología y telecomunicaciones). El enfoque de Baxter se basa en la experiencia práctica en planificación – el fundador fue planificador de repuestos de servicio – por lo que el software refleja procesos del mundo real. Esto significa que cubre la planificación de principio a fin: Forecasting, Optimización de Inventario, Reabastecimiento, Planificación de reparaciones, Gestión del ciclo de vida, Gestión de excedentes, etc., en un solo sistema ⁷.

Un principio clave del método de Baxter es la “Optimización del Costo Total” ⁴⁸. Consideran explícitamente el costo de la pieza, la ubicación y la criticidad del cliente/activo al planificar el inventario. En otras palabras, su motor intenta minimizar el costo total del inventario mientras se cumplen los objetivos de servicio. Por ejemplo, si una pieza es muy cara y solo moderadamente crítica, el sistema podría aceptar un tiempo de entrega mayor (quizás confiando en pedidos de emergencia) en lugar de mantener muchas en stock. Por el contrario, para una pieza no-go en un sitio remoto, Prophet podría recomendar mantener repuestos a pesar de la baja demanda, porque el costo de un faltante de stock (AOG, inactividad) es demasiado alto. Esta es una filosofía de optimización económica y es a lo que se refiere el “rendimiento por euro invertido” en las decisiones de stockeo. A Baxter se le reconoce por incorporar ese enfoque.

Sin embargo, la forma en que Baxter logra esto parece ser a través de muchas configuraciones impulsadas por el usuario, complementadas con automatización. Su sistema permite a los planificadores ingresar atributos como la criticidad de la pieza, compromisos de soporte (SLAs), y el software optimizará dentro de esas limitaciones. Pero, ¿realiza forecast probabilístico? No está muy claro a partir de la información pública. Siendo una solución más antigua, probablemente comenzó con forecasting tradicional (promedios móviles, suavizamiento exponencial) y tal vez luego añadió Croston’s o bootstrap para la demanda intermitente. Puede que no sea tan explícitamente probabilístico como Lokad o Smart. En cambio, Baxter podría optimizar el inventario mediante análisis de escenarios o fórmulas de nivel de servicio.

Para demanda intermitente, Baxter definitivamente reconoce el problema – su literatura habla de piezas de lento movimiento que necesitan tratamiento especial. La pregunta es si dependen del planificador para clasificar esas piezas y elegir un método o si el sistema se adapta. Dada la época en que fue construido, sospecho que es más del primero: el planificador establece, por ejemplo, un forecast method (quizás Prophet tenga un módulo de “intermittent demand forecasting” que use cierta técnica), y luego el sistema utiliza eso para calcular los niveles de stock.

La herramienta de Baxter enfatiza automatización en la ejecución: cosas como Supply Order Automation (generar órdenes de compra y órdenes de reparación automáticamente) y Redeployment (mover stock excedente a donde se necesite) están en su lista de funcionalidades ⁴⁹. Esto es crítico al tratar con miles de piezas – se quiere que el sistema inicie automáticamente las acciones recomendadas y que solo se involucre al planificador por excepción. Según la mayoría de los informes, Prophet puede manejar una gran escala (decenas de miles de piezas en muchas ubicaciones) porque algunos de sus clientes son grandes compañías tecnológicas con repuestos globales de campo.

Una cosa a tener en cuenta es que Baxter Planning históricamente realizaba mucha personalización por cliente. Como una firma privada más pequeña, a menudo ajustaban o añadían funcionalidades para necesidades específicas. Esto significa que la experiencia puede variar – una compañía podría utilizar la optimización min-max avanzada de Baxter, otra podría usarla en un modo min-max más simple. Es flexible, pero esa flexibilidad también indica que de serie puede que no te imponga una “mejor práctica” – te brinda herramientas.

Baxter no comercializa de forma ostentosa IA/ML. Son más discretos, lo cual puede ser positivo (menos exageración). Pero también significa que, si buscas forecasting de vanguardia, necesitas preguntar: ¿se mantienen al día con los nuevos métodos? Es posible que hayan incorporado algoritmos más recientes en versiones recientes, pero esos no están bien publicitados.

Dado el tipo de clientela de Baxter, puede que no tengan tantas funcionalidades específicas para la aviación incorporadas. Por ejemplo, ¿manejan límites estrictos de vida útil (donde una pieza se descarta después de X usos)? Tal vez como un campo personalizado, pero no estoy seguro de si la optimización lo tiene en cuenta de forma natural (más allá de forecast de la demanda cuando toca el reemplazo). Manejan los estados del ciclo de vida (piezas nuevas, de fin de vida) y pueden planificar compras únicas para la obsolescencia, lo cual es relevante en la aviación cuando las piezas dejan de producirse.

Sobre las afirmaciones de resultados, Baxter tiende a no publicar porcentajes sensacionalistas. Se centran en cómo ayudan a los planificadores a lograr objetivos, en lugar de “hemos reducido el inventario en X%”. Esto puede en realidad indicar un enfoque realista: las mejoras ocurren, pero dependen de cómo se utilice la herramienta.

Integración: Prophet by Baxter usualmente se ubica junto a un sistema ERP/MRO. La integración es comparable a la de otros – incorporando datos de uso, stock, BOM, etc. Baxter probablemente cuenta con conectores preconstruidos para sistemas comunes (mencionan soporte para redes de supply chain superficiales e integración con otros sistemas empresariales). Sin embargo, nadie debería esperar plug-and-play; se requerirá algo de trabajo de TI.

Con cierto escepticismo, se debe examinar si la solución de Baxter es verdaderamente optimizadora o más bien un soporte para la toma de decisiones que aún deja las elecciones críticas en manos de los humanos. La mención de que muchos clientes de Baxter se enfocan en la optimización de costos de ubicación de stock para el aprovisionamiento en lugar de en multi-echelon sugiere que la herramienta puede usarse a menudo en un modo más simple (optimizando cada ubicación individualmente hasta alcanzar un objetivo de costo). Se señala que las redes de algunos clientes son superficiales, por lo que el multi-echelon no era una preocupación. Pero para una aerolínea con un almacén central y estaciones secundarias, el multi-echelon importa; con suerte, Baxter puede manejarlo si es necesario.

Para concluir, Baxter Planning ofrece un sistema de planificación de piezas de servicio bien equilibrado, aunque tradicional. Es confiable, se centra en los compromisos entre costo y servicio, y automatiza muchas tareas. Puede que no tenga las características de IA más llamativas, pero posee profundidad en funcionalidad práctica. Los ejecutivos de MRO deberían ver a Baxter como una solución “safe pair of hands” – con probabilidad de mejorar las cosas aplicando métodos comprobados. Solo ten en cuenta que quizás no te lleve a la vanguardia de la analítica; obtendrás un enfoque sólido, quizás algo conservador. Si tu organización prefiere más control y transparencia (en lugar de una IA de caja negra), el estilo de Baxter podría ser, de hecho, preferible. Su punto de escepticismo: asegúrate de que el sistema no dependa demasiado de entradas de usuario estáticas (por ejemplo, no debería requerir que mantengas manualmente una tonelada de parámetros de piezas). Pregunta cómo se adapta a los cambios (¿se ajusta automáticamente el forecast en cada ciclo, aprende la estacionalidad o las tasas de uso, etc.?). Si resulta adecuado, Baxter puede ofrecer beneficios constantes sin sobreprometer milagros.

Smart Software (Smart IP&O) – Experto de nicho en forecast de demanda intermitente

Smart Software es un proveedor más pequeño que se ha forjado una reputación por abordar una de las partes más difíciles del problema: forecast de demanda intermitente. Su solución, ahora ofrecida como una plataforma integrada llamada Smart IP&O (Inventory Planning & Optimization), se originó a partir de trabajos académicos sobre la mejora del método de Croston. De hecho, Smart Software introdujo un método bootstrap patentado para el forecast de demanda intermitente que ganó un premio de APICS ⁸. Este método está bien documentado en white papers y esencialmente genera muchos escenarios sintéticos de demanda basados en el historial para crear una distribución completa de la demanda durante un tiempo de entrega ^{8 50}. El resultado es una curva de probabilidad de cuántas unidades podrían necesitarse, en lugar de una única estimación. Con ello, puedes planificar niveles de stock casi óptimos para una probabilidad de servicio deseada.

Para MRO en aviación, donde más del 80% de las piezas podrían ser de lento movimiento con numerosos ceros en la demanda ^{51 52}, la precisión en el forecast de Smart puede marcar la diferencia. El forecast tradicional (promedios móviles, etc.) falla miserablemente con este tipo de datos. El enfoque probabilístico de Smart maneja la naturaleza “intermitente” al no suavizarla sino al acogerla. Puede modelar patrones peculiares como “usualmente vemos 0, pero ocasionalmente 5 unidades en un pico” de manera eficaz.

Los detalles tecnológicos de Smart son refrescantemente concretos: mencionan que no asumen ninguna distribución en particular (por lo que no imponen ciegamente distribuciones normales o de Poisson) y, en cambio, usan datos empíricos para simular resultados ⁵³. Específicamente, indican que la demanda a menudo “no se conforma a una simple distribución normal”, de ahí su enfoque bootstrap ⁸. Luego producen la “distribución completa de la demanda acumulada durante el tiempo de entrega total de un ítem” ⁵⁴. Con esto, calcular el safety stock para, digamos, un nivel de servicio del 95% es directo y preciso – simplemente el percentil 95 de dicha distribución.

La solución de Smart Software va más allá de solo forecast; su plataforma IP&O incluye optimización de inventario y módulos de planificación de demanda. Sin embargo, el diferenciador central sigue siendo la parte de forecast. La parte de optimización probablemente utiliza esas distribuciones forecast para calcular puntos de reorden, cantidades de pedido, etc., con el fin de minimizar el stock mientras se alcanzan los objetivos de servicio. Es posiblemente menos sofisticada en optimización multi-echelon o en aspectos como ciclos de piezas reparables. Se podría integrar la salida de Smart en otro sistema para ello, o gestionar cada ubicación por separado en Smart (el enfoque históricamente era de un solo nivel, pero tal vez hayan añadido funcionalidades para ubicaciones múltiples en IP&O).

Una ventaja del tamaño y enfoque de Smart es que a menudo se integran con sistemas populares de EAM/ERP en mantenimiento. Por ejemplo, listan integraciones con IBM Maximo, SAP, Oracle, etc. ⁵⁵. Esto sugiere que puedes conectar su motor de forecast a tu sistema existente con relativa facilidad. Esencialmente, utilizarías Smart para calcular parámetros de stock (como min/max o safety stock para cada pieza) y luego empujar esos datos de vuelta al ERP para su ejecución. Este es un paradigma distinto al de reemplazar completamente tu sistema de planificación.

Ahora, analizando sus afirmaciones: Smart a menudo cita que las empresas que utilizan su solución “reducen el inventario en ~20% en el primer año y aumentan la disponibilidad de piezas en 10-20%” ⁵⁶. Estos resultados son razonables y menos bombásticos que algunas afirmaciones que solemos ver (y se alinean con las mejoras típicas derivadas de un mejor forecast). Esto implica que, anteriormente, las empresas sobreestaban “justo por si acaso” o almacenaban artículos equivocados; al optimizar, liberaron un 20% del inventario mientras mejoraban efectivamente el servicio. Aún así, ninguna fuente independiente confirma esos números exactos para cada caso – así que considéralo como un promedio de historias de éxito. No está garantizado, pero es plausible si una empresa no contaba con planificación probabilística antes.

Debido a que Smart está altamente especializado, el escepticismo a aplicar es: ¿puede manejar el alcance completo de las necesidades de un MRO en aviación? Forecast y establecer niveles de stock es una cosa; pero, ¿qué tal gestionar tiempos de reparación, agrupaciones de rotables, o reequilibrar dinámicamente el inventario entre bases? Smart IP&O puede que no tenga todos esos adornos incorporados. Puede asumir un proceso bastante estándar en el que el stock de cada ubicación se planifica para alcanzar un nivel de servicio objetivo y eso es todo. Puede que no optimice qué ubicaciones deberían mantener stock si cuentas con una red – al menos, no al grado en que lo haría una herramienta multi-echelon. Además, es probable que no incorpore explícitamente métricas de ingeniería de confiabilidad (a menos que integres esos datos en el historial de demanda de alguna manera).

Otra precaución es la automatización vs. entrada de usuario: las herramientas de Smart calcularán números, pero el usuario a menudo tiene que decidir los niveles de servicio objetivo (aunque afirman “casi 100% de precisión”, así que tal vez apunten a un alto nivel de servicio y optimicen costo). Smart no te obliga a elegir un modelo de forecast para cada SKU; el algoritmo trabaja automáticamente con los datos. Eso es positivo. Pero aún necesitas gestionar excepciones – por ejemplo, si una pieza está quedando obsoleta, debes indicárselo al sistema o ajustar el forecast manualmente. La tecnología “Gen2” que mencionan ⁵⁷ puede incluir una identificación más automática de los factores causales de la demanda, pero los detalles no son públicos.

La integración (nuevamente) requiere esfuerzo. Smart proporciona la ciencia, pero debes alimentarlo con datos (demanda histórica limpia, etc.) y luego tomar su salida e implementarla. Si una organización no está lista para confiar en los forecasts generados o en los niveles de safety stock, podrían sobreescribirlos, reduciendo el beneficio. Las historias de éxito de Smart suelen involucrar a un equipo comprometido que usa por completo las recomendaciones de la herramienta.

En general, Smart Software es algo así como una herramienta especializada que puede aumentar la capacidad de planificación de un MRO. Es, indudablemente, state-of-the-art en forecast de demanda intermitente – incluso algunos proveedores más grandes podrían estar utilizando métodos menos avanzados en esa área específica. Si un MRO considera que su mayor problema es la precisión del forecast para miles de piezas esporádicas, Smart es una solución atractiva. Pero si el desafío mayor es optimizar a lo largo de un complejo supply chain de reparaciones, Smart por sí sola podría no ser suficiente; podría ser solo una pieza de un rompecabezas mayor (quizás utilizada en conjunto con un ERP u otro sistema de planificación).

Para los ejecutivos de MRO con un enfoque tecnológico, vale la pena considerar Smart IP&O no como un reemplazo completo de los sistemas de planificación, sino como un “motor de forecast en una caja”. El escepticismo que se debe mantener es: asegúrate de que la organización pueda actuar en función de esos forecasts (¿tienes procesos para ejecutar las recomendaciones de stock?), y cuestiona a Smart sobre cómo maneja aspectos como la variabilidad del tiempo de entrega (son excelentes con la variabilidad de la demanda; con suerte, también simulan los tiempos de entrega o al menos permiten buffers de variación). Además, aclara cómo se actualiza – si llegan nuevos datos que muestran un pico, ¿con qué rapidez reacciona y evita sobre reaccionar? Dada su rigurosidad académica, es probable que lo hayan considerado, pero es bueno verificarlo.

IBM MRO Inventory Optimization (Oniqua) – Soporte para la toma de decisiones basado en datos

IBM MRO Inventory Optimization, que es esencialmente el producto que IBM adquirió de Oniqua en 2018, se posiciona como una plataforma de analítica para industrias intensivas en activos como la minería, la energía, la manufactura y, sí, la aeroespacial. Oniqua era conocido por su enfoque intensivo en consultoría para optimizar los inventarios de MRO en compañías mineras, centrándose en minimizar el tiempo de inactividad y reducir el inventario. Como parte de IBM, la herramienta ha sido incorporada en Maximo y en la suite de Supply Chain de IBM, pero puede usarse de forma independiente.

IBM MRO IO se describe como “combinando análisis estadísticos, analítica prescriptiva, algoritmos de automatización y optimización” para mejorar los niveles de servicio y reducir los costos ⁹. Lo que esto significa en la práctica: analiza tus datos de uso e inventario, identifica dónde tienes demasiado stock (exceso) y dónde corres riesgo de faltante de stock, y luego prescribe acciones como “reduce esto, incrementa aquello.” Es algo parecido a contar con un analista inteligente que revisa continuamente los KPIs del inventario de MRO. El software incluye funcionalidades como la puntuación de ítems (probablemente una puntuación de criticidad o riesgo) y colas de trabajo para los planificadores ¹⁰. Esto indica que generará una lista de acciones recomendadas para que el usuario las revise – una manera muy práctica de manejar miles de piezas.

En el ámbito del forecast, IBM menciona explícitamente “intermittent demand forecasting” como una capacidad de MRO IO ¹⁰. Dado el trasfondo de Oniqua, probablemente emplearon el método de Croston o una variante para el forecast del uso esporádico de piezas. Puede que no sea tan avanzado como el bootstrap de Smart, pero al menos aborda la naturaleza intermitente. Además, la solución de IBM toma en cuenta criticidad, tiempo de entrega y más al revisar los datos históricos para generar insights ⁵⁸. Esto sugiere una capa analítica basada en reglas: por ejemplo, podría resaltar que “la pieza crítica X tiene un tiempo de entrega de 90 días y no cuentas con safety stock – alto riesgo.” El sistema podría entonces recomendar aumentar el stock de X, y, a la inversa, señalar aquellas piezas no críticas con inventario excesivo.

IBM también presume resultados como “reducción del 50% en el tiempo de inactividad no planificado relacionado con piezas” y “reducción del 40% en los costos de inventario” ⁵⁹. Estas cifras son sumamente audaces y probablemente representan escenarios óptimos. Debemos ser escépticos: un recorte del 50% en el tiempo de inactividad debido a una herramienta es enorme – probablemente asume que el tiempo de inactividad se debía a la falta de piezas y que, al mejorar el stock, se solucionaron todos esos casos. En una aerolínea bien gestionada, el tiempo de inactividad causado por la falta de piezas ya es reducido (se esmera para evitar AOG a toda costa). De igual forma, una reducción del 40% en los costos de inventario es enorme – posible solo si la compañía tenía un inventario excesivo desde el inicio (común en algunas industrias pesadas que acumulan repuestos, pero menos en la aviación comercial, que ya intenta optimizar debido al alto costo de las piezas). Así que estos números deben considerarse como casos atípicos o puntos de datos seleccionados para fines de marketing ⁵⁹.

Desde el punto de vista tecnológico, es probable que la herramienta de IBM tampoco utilice IA/ML vistosa, salvo tal vez algún reconocimiento de patrones en los datos de uso. IBM, como compañía, hace mucho con la IA (Watson, etc.), pero no hay indicios de que ese nivel de IA esté integrado aquí. Se utiliza el término “predictive and prescriptive analytics” ⁶⁰, lo cual en el argot analítico a menudo significa: predictive = forecast de lo que podría suceder (por ejemplo, forecast de fallos futuros en piezas o del consumo), prescriptive = sugerir acciones (por ejemplo, pedir esta pieza ahora, reducir ese pedido). Esos son valiosos, pero se pueden realizar con modelos estadísticos relativamente sencillos más reglas de negocio. De hecho, el enfoque heredado de Oniqua era bastante consultivo – establecían reglas y umbrales ajustados para cada cliente (como si una pieza no se ha movido en 5 años, es exceso; si una pieza causó un faltante de stock el año pasado, tal vez se deba aumentar el stock). IBM probablemente productizó parte de esa lógica.

Una posible desventaja para algunos: IBM MRO IO podría asumir que tienes un buen control de tus datos de mantenimiento y de activos (ya que a menudo se vende con Maximo). Si un MRO de aviación no utiliza Maximo, aún se puede usar MRO IO, pero la integración con sus sistemas y garantizar la precisión de los datos (jerarquías de equipos, definiciones de activos críticos, etc.) serán clave. La afirmación de que “elimina los prerrequisitos de datos al ingerir datos tal como están”, que vimos en un competidor (Verusen), no es algo que IBM reclame explícitamente – IBM sabe que la limpieza de datos es necesaria. Así que espera una fase de preparación de datos.

La solución de IBM probablemente depende algo de la entrada del usuario para ciertos aspectos: por ejemplo, se debe clasificar las piezas según su criticidad (go/no-go) en el sistema, establecer tiempos de entrega, costos, etc. La optimización se realiza dentro de esos parámetros. Puede que no determine automáticamente la criticidad de una pieza a menos que se la suministres. Así que, solo es tan buena como tu gobernanza de datos.

En términos de automatización, IBM IO automatiza el análisis, pero no necesariamente la ejecución. Te proporciona una lista de tareas; la realización del pedido real aún podría efectuarse en tu ERP por tus planificadores. Esta es una automatización algo menos integrada que, por ejemplo, una herramienta que crea directamente requisiciones de compra. Sin embargo, algunas empresas prefieren este enfoque de “human-in-the-loop” para evitar que el sistema tome decisiones extrañas por sí solo.

Dado el peso empresarial de IBM, se puede confiar en que el aspecto de integración está bien respaldado (especialmente para el propio Maximo de IBM o SAP, con el que IBM suele trabajar). Pero, de nuevo, es poco probable que sea “plug-and-play” – IBM o un socio probablemente llevarán a cabo un proyecto bastante extenso para configurarlo según tus procesos de mantenimiento y supply chain.

En resumen, IBM MRO Inventory Optimization (Oniqua) es una solución analítica robusta que puede ofrecer buenas mejoras, especialmente si actualmente careces de visibilidad del desempeño de tu inventario. Es eficaz para identificar ineficiencias obvias (exceso, potenciales faltantes de stock) y para optimizar las oportunidades más accesibles. Maneja la demanda intermitente y la criticidad a través de métodos estadísticos y basados en reglas, aunque no necesariamente con las técnicas de IA más modernas. Para un ejecutivo de MRO de aviación, esto podría ser una herramienta de mejora más incremental en lugar de un nuevo sistema radical de IA – lo cual podría ser perfectamente adecuado si necesitas acertar en lo básico. Se debe aplicar escepticismo a las grandes afirmaciones de mejora: cuestiona a IBM sobre lo que esos números realmente significan y solicita referencias similares a tu operación. Además, asegúrate de que la forma de trabajar de la herramienta (paneles de analytics, etc.) se ajuste a tu equipo – podría requerir que tus planificadores adopten un flujo de trabajo más analítico. Si tu cultura está preparada para ello, la solución de IBM puede impulsar mejoras de manera sistemática. Si esperabas una IA de caja negra que optimizara mágicamente todo sin supervisión, esto no es lo que buscas (y, francamente, eso aún no existe en una forma plug-and-play).

Soluciones ERP Integradas (SAP SPP y Oracle) – Herramientas Incorporadas con Limitaciones

Vale la pena discutir las opciones de los principales proveedores de ERP ya que son “relevantes”, especialmente para organizaciones que intentan aprovechar las capacidades existentes del sistema antes de comprar software especializado. SAP Service Parts Planning (SPP) y los módulos de repuestos de Oracle son los principales.

SAP SPP: Parte de la suite APO (Advanced Planning & Optimization) de SAP y ahora disponible parcialmente en SAP IBP (Integrated Business Planning), SPP fue desarrollado en conjunto con grandes empresas industriales a mediados de los 2000. Incluye funcionalidades como la optimización de inventario multi-echelon, forecasting (incluyendo modelos específicos para demanda intermitente) y la planificación de requerimientos de distribución para repuestos. SAP SPP puede hacer mucho en papel: cuenta con un método de forecasting de Croston’s para la demanda intermitente (SAP incluso lo documenta como “Forecast Strategy 80” utilizando el suavizado exponencial de Croston’s para tamaño e intervalo) ¹². También dispone de una variante actualizada de Croston (Croston-TSB) ⁶¹. Así, SAP incorporó métodos académicos conocidos para la demanda irregular. Además, puede modelar transbordos laterales, posee una funcionalidad integrada de supersesión de piezas (intercambiabilidad de productos) y puede optimizar el stock a través de una red, dados los niveles de servicio o fill rates. Caterpillar y Ford fueron influenciadores tempranos, y en algún momento se afirmó que SAP SPP tenía una funcionalidad muy avanzada (algunos analistas creían que rivalizaba con las mejores herramientas especializadas) ⁶².

Sin embargo, la realidad en la aviación es que pocas aerolíneas o MRO han aprovechado SAP SPP a su máximo potencial. Una razón es la complejidad y la experiencia requerida. Configurar SPP implica ajustar muchos parámetros: se deben asignar modelos de forecasting a cada pieza (Croston’s para las verdaderamente intermitentes, tal vez promedio móvil para otras, etc.), mantener datos maestros como indicadores de fase de entrada/salida, y, crucialmente, decidir los niveles de servicio objetivo para cada pieza o grupo. SAP SPP no decide de forma inherente cuál es el nivel de servicio que necesitas – se lo indicas tú. A menudo, las empresas utilizaban la clasificación ABC/XYZ para agrupar piezas y luego asignar un nivel de servicio objetivo por grupo. Este enfoque es definido por el usuario y no optimiza verdaderamente la compensación. Es, esencialmente, un insumo para la optimización. Luego, SAP calculará los requerimientos de stock para alcanzar esos insumos con el stock mínimo (esa es la parte de optimización, utilizando quizás un solucionador MILP para stock multi-echelon). Pero si esos objetivos están desalineados, los resultados no serán económicamente óptimos a nivel global.

Otro desafío es que la interfaz de usuario y las alertas de SAP para SPP no eran particularmente amigables en comparación con herramientas especializadas. Está integrado en el entorno SAP, lo cual es bueno para IT pero quizá no ideal para la productividad de los planificadores. Muchos terminaron usando solo partes de la herramienta (como únicamente el forecasting o solo la planificación de distribución, mientras gestionaban otras cuestiones en Excel).

En términos de estado del arte actual, SAP SPP está algo congelado en el tiempo. El enfoque estratégico de SAP se trasladó a IBP, y el IBP para repuestos aún está poniéndose al día en cuanto a funcionalidades. Por ejemplo, algunas capacidades avanzadas de SPP no migraron inicialmente a IBP. Así que, si un MRO de aviación utiliza SAP y está considerando usar su planificación incorporada, podría descubrir que requiere mucha personalización (y posiblemente complementos de terceros) para satisfacer todas las necesidades. Por ejemplo, manejar BOMs de reparaciones aleatorias o forecast de tasas de remoción podría no venir listo para usar; puede que sea necesario crear un forecasting personalizado basado en horas de vuelo o uso (algunos usuarios de SAP han preguntado por forecasting a partir de impulsores de la base instalada en lugar del historial de consumo ⁶³ – lo que indica brechas en la funcionalidad estándar para el forecasting específico de MRO).

Oracle: La planificación de repuestos de Oracle (a menudo a través del Value Chain Planning de Oracle E-Business Suite o como parte de Oracle Cloud SCM) proporciona de forma similar una funcionalidad básica. Cubre el forecasting (probablemente ofreciendo modelos Croston o similares para demanda intermitente), la optimización de inventario multi-echelon y la integración en la ejecución. La fortaleza de Oracle podría residir en la integración con Oracle eAM (Enterprise Asset Management) y su ERP, pero no se ha destacado como líder en este dominio. Oracle ni siquiera participó en algunos estudios de benchmark sobre repuestos ⁶⁴, lo que sugiere que no se impulsa agresivamente. Probablemente funcione lo suficiente si se configura adecuadamente, pero al igual que SAP, se basa en métodos clásicos y en una preparación intensiva de datos. El enfoque de Oracle es típicamente determinista a menos que adquieras un paquete de optimización – puede hacer cosas como calcular un safety stock basado en un nivel de confianza asumiendo cierta distribución (a menudo normal o Poisson). Pero esperar que el sistema de Oracle se autoajuste o utilice machine learning sería poco realista.

Problemas comunes (SAP/Oracle): Ambas soluciones ERP sufren del hecho de que el MRO de aviación no es de talla única. Estos sistemas son genéricos, por lo que capturar algo como “go-if part that can defer replacement for 30 days” no es un parámetro estándar que se active – habría que incorporar esa lógica manualmente (tal vez indicando que el nivel de servicio para esa pieza puede ser un poco inferior, etc.). La personalización para modelar verdaderamente el programa de mantenimiento de una aerolínea puede ser extensa. Por ejemplo, modelar BOMs de mantenimiento aleatorio en SAP podría implicar alimentar cronogramas de mantenimiento planificado como demandas dependientes y los no planificados como demandas estadísticas, etc. Es factible, pero complejo.

Además, sobrecarga de configuraciones definidas por el usuario: en un SAP u Oracle, los planificadores podrían tener que mantener una gran cantidad de configuraciones – como períodos de revisión, reglas de tamaño de lote, stocks de seguridad mínimos, etc., ya que, de lo contrario, el sistema podría no comportarse como se desea. Cada una de esas configuraciones es una oportunidad para errores o decisiones subóptimas. Esta dependencia de la configuración manual del usuario es precisamente lo que las soluciones más avanzadas tratan de eliminar mediante la automatización.

Ventaja de integración: Si ya utilizas SAP u Oracle, usar su módulo significa que no necesitarás una integración pesada de datos maestros – todo está en un solo sistema. Eso es una ventaja (sin latencia de datos, sin problemas de reconciliación). Sin embargo, irónicamente, las empresas a menudo descubren que aún necesitan construir interfaces – por ejemplo, extraer datos hacia una herramienta de forecasting (como Smart) o hacia un data warehouse personalizado para hacer lo que el módulo de su ERP no podía. Así que, la ventaja de integración puede perderse si la herramienta incorporada no está completamente a la altura de la tarea y se complementa con otras herramientas.

Desde una perspectiva escéptica, las afirmaciones de SAP y Oracle (cuando las hacen) suelen ser moderadas; no publican grandes mejoras porcentuales a menudo, porque saben que depende de la implementación. La tecnología en estos sistemas es sólida pero no de vanguardia – se basa en gran medida en métodos académicos de finales del siglo XX implementados en software. Además, carecen del bombo de IA/ML (aparte de que SAP ha comenzado a hablar de “demand-driven MRP with machine learning” en otros contextos, pero no específicamente en la planificación de repuestos).

Para un ejecutivo de MRO, la conclusión es: si ya cuentas con estos sistemas, podrías intentar aprovecharlos, pero prepárate para un posible largo camino de ajustes y, quizá, no alcanzar el nivel de rendimiento que las herramientas especializadas podrían ofrecer. Por otro lado, implican un menor riesgo de proveedor (es SAP/Oracle, estarán presentes, y todo está en un solo sistema). Un estudio escéptico concluiría que aunque las soluciones de SAP y Oracle son relevantes, generalmente se quedan rezagadas respecto a los proveedores especializados tanto en automatización como en sofisticación. Sirven como una línea base, y muchas aerolíneas que las utilizan eventualmente las complementan o reemplazan con una de las herramientas especializadas mencionadas para optimizar verdaderamente su supply chain.

Nuevos Participantes de IA (p. ej., Verusen) – De los Palabros de Moda a la Verificación de la Realidad

Ningún estudio de mercado en 2025 estaría completo sin mencionar la nueva ola de startups y soluciones impulsadas por IA que están surgiendo para la optimización de la supply chain. En el ámbito del MRO, un ejemplo es Verusen, que se comercializa a sí mismo como “The only AI platform purpose-built to optimize inventory, spend, and risk for asset-intensive manufacturers’ MRO supply chain” ⁶⁵. Esa audaz afirmación inmediatamente genera escepticismo – “only AI platform” es, obviamente, una hipérbole de marketing (como hemos visto, muchos actores consolidados también afirman utilizar IA en diferentes formas).

El enfoque de Verusen, basado en sus materiales, se centra mucho en la ingestión y limpieza de datos. Destacan aspectos como “ingesting data as is from ERP/EAM systems” y la aplicación de IA para identificar materiales duplicados y consolidar datos ⁶⁶. Esto aborda un problema real: los datos de MRO a menudo son desordenados (la misma pieza registrada con nombres ligeramente diferentes, etc.). Verusen utiliza machine learning (probablemente NLP y reconocimiento de patrones) para racionalizar los datos maestros de materiales. Eso es valioso como precursor de la optimización – si tus datos están desordenados, incluso el mejor algoritmo no puede ayudar. Así, Verusen parece concentrarse en construir una fuente única de la verdad precisa para las piezas y luego encontrar oportunidades de optimización (como identificar exceso de stock en distintas plantas que podría compartirse, o reducir el safety stock donde hay sobreabastecimiento).

Donde Verusen y otros participantes similares carecen es en la profundidad demostrada en forecasting real y algoritmos de inventario. Mencionan la IA de forma general, pero sin detalles específicos. Se podría suponer que utilizan modelos genéricos de ML para forecast de uso (quizás alguna red neuronal que analice el consumo y otros factores). Sin detalles, se debe actuar con cautela. En la supply chain, muchas startups han probado el forecasting con ML puro y han descubierto que no supera fácilmente a los modelos estadísticos bien ajustados para demanda intermitente (lo cual es muy difícil de predecir para un ML estándar debido a la gran cantidad de ceros).

Verusen también enfatiza ser cloud-based y rápido de integrar – implicando una promesa de mayor “plug-and-play” que la de los proveedores tradicionales. Sin embargo, aquí emitimos una fuerte advertencia: No importa la plataforma, conectar con el ERP de una empresa y obtener todos los datos relevantes de MRO nunca es verdaderamente plug-and-play. Cada sistema ERP o de MRO tiene campos personalizados, extensiones, y los datos a menudo requieren limpieza (piezas duplicadas, tiempos de entrega faltantes, etc.). La propuesta de Verusen de ingerir datos “tal como están” ⁶⁷ es interesante – sugiere que su IA puede trabajar a través del ruido. Quizás pueda agrupar elementos similares para revelar duplicados o estimar tiempos de entrega faltantes a partir del contexto. Estas características son interesantes, pero un ejecutivo debería pedir pruebas de que la IA funciona correctamente. No querrás que un algoritmo decida que dos números de pieza son duplicados cuando, en realidad, se trata de piezas críticas diferentes.

El punto de vista escéptico sobre los nuevos entrantes de IA: aportan ideas frescas y, a menudo, interfaces amigables para el usuario (UX moderno, paneles). Pueden resolver algunos problemas accesorios como la calidad de los datos y un análisis what-if fácil. Pero a veces carecen del conocimiento de dominio conseguido con mucho esfuerzo incorporado en soluciones más antiguas. Una startup de IA podría no saber que “la pieza ABC no se puede usar en vuelo pero puede posponerse 3 días si es necesario” a menos que se le indique explícitamente; mientras que una herramienta específica de dominio podría tener esa lógica. Por lo tanto, cualquier recién llegado de IA debería ser presionado sobre cómo consideran los requisitos específicos de la aviación: lifing, restricciones de certificación, cumplimiento regulatorio (no se puede simplemente utilizar cualquier pieza alternativa sin la documentación adecuada, etc.), entre otros.

Dicho esto, algunos nuevos actores podrían asociarse con expertos en el dominio o contratar ex-planificadores de MRO para incorporar reglas. No es imposible que se pongan al día, pero es algo que hay que verificar, no asumir.

Otras nuevas aproximaciones notables incluyen aprovechar los datos de IoT y mantenimiento predictivo directamente para la planificación del inventario (algunas soluciones toman datos de sensores para predecir fallas de piezas, y luego vinculan eso con las necesidades de inventario). Esta área está evolucionando y, a menudo, llega a través de sistemas de predicción de mantenimiento en lugar de sistemas de inventario. Pero se está produciendo una convergencia – por ejemplo, el software de mantenimiento predictivo de un fabricante de motores podría recomendar almacenar ciertos módulos en determinadas ubicaciones porque “observa” un aumento en el riesgo de fallas. Los ejecutivos de MRO deberían ser conscientes de que el panorama podría ver más integración vertical (OEMs ofreciendo un servicio de extremo a extremo que incluye optimización de inventario, utilizando sus datos sobre el equipo).

En esencia, mantén un ojo en las startups que afirman utilizar AI/ML para MRO – podrían ofrecer una pieza del rompecabezas o incluso integrarse con una de las herramientas más grandes (por ejemplo, una IA de limpieza de datos alimentando a un Lokad o Servigistics). Mantén el escepticismo respecto a sus declaraciones audaces hasta que puedan demostrar los resultados. A menudo, los pequeños nuevos proveedores tienen estudios de caso limitados y esos podrían ser proyectos piloto, no implementaciones completas.

También se debe considerar cómo coexistirán estos nuevos sistemas con los extensos procesos y sistemas heredados en la aviación. Una herramienta de IA llamativa que no pueda exportar fácilmente sus resultados a tu ERP existente para su ejecución, o que no registre las decisiones para auditoría (importante en el cumplimiento en la aviación), enfrentará obstáculos. Los ejecutivos querrán ver que cualquier herramienta de este tipo pueda integrarse en el flujo de trabajo (lo que irónicamente podría requerir tanto esfuerzo de integración como cualquier otro software).

Conclusión y Recomendaciones

Este estudio de mercado escéptico revela un ecosistema de soluciones, cada una intentando resolver los desconcertantes desafíos de optimización de repuestos de MRO en la aviación. Ninguna solución es una bala de plata, y las promesas elevadas siempre deben ser interrogadas con preguntas técnicas y pruebas piloto.

Sin embargo, existen técnicas de vanguardia disponibles: el forecast probabilístico, la optimización multi-echelon, y AI/ML para el reconocimiento de patrones pueden mejorar significativamente el rendimiento si se implementan correctamente. Proveedores como Lokad están impulsando la frontera en esos métodos específicamente para la aviación, mientras que gigantes como PTC Servigistics y Syncron incorporan muchas funciones avanzadas, aunque detrás de un lenguaje de marketing más opaco. ToolsGroup, Baxter, Smart y otros aportan fuertes competencias que, si se alinean con las necesidades de tu organización, pueden generar grandes beneficios – siempre y cuando no simplemente los actives y esperes magia. La madurez de los procesos internos y la calidad de los datos siguen siendo cruciales.

Un tema recurrente es el compromiso entre automatización y control del usuario. Los sistemas altamente automatizados, impulsados por IA, pueden manejar la escala y la complejidad (decenas de miles de P/Ns) pero pueden parecer una “caja negra”. Los sistemas más antiguos o más manuales ofrecen a los usuarios más palancas, aunque a costa de una complejidad abrumadora para catálogos extensos. Lo ideal parece ser un sistema que automatice el trabajo pesado (forecast, cálculo del stock óptimo) y, sin embargo, proporcione transparencia y capacidad de anulación para los planificadores en casos excepcionales. Al evaluar proveedores, los ejecutivos de MRO deberían preguntar: ¿Se adapta automáticamente el sistema a los cambios en la demanda/tiempo de entrega, o requiere que modifique la configuración? Si un proveedor depende de ti para mantener muchas reglas de min/max o de clasificación, eso es una señal de tecnología más débil (o al menos, de no estar utilizando la tecnología en su totalidad).

Sé muy escéptico con cualquier proveedor que promocione “plug-and-play integration” en tus sistemas de MRO. Los entornos de TI en MRO de la aviación son heterogéneos – ya sea que uses AMOS, TRAX, Ultramain, Maximo, SAP o algo casero, la integración de una herramienta de optimización requerirá mapear campos de datos y, probablemente, limpiar datos. Un proveedor que afirme que puede desplegarse en semanas con un esfuerzo mínimo de TI probablemente esté subestimando el trabajo o asumiendo un alcance muy reducido. Es prudente asignar tiempo para la integración y las pruebas, e involucrar a tu equipo de TI desde el principio para verificar esas afirmaciones.

Otro indicio de alerta a tener en cuenta es la dependencia en estudios de caso o informes de analistas que parecen demasiado buenos para ser verdad. Muchos estudios de caso no mencionan los desafíos ni la línea base. Por ejemplo, “el inventario se redujo en un 30%” podría sonar genial, pero si la empresa originalmente no contaba con un sistema de planificación, entonces ese 30% podría lograrse mediante cualquier mejora decente en el proceso. De igual modo, “el nivel de servicio mejoró al 99%” podría significar que se acumuló un inventario excesivo. Siempre investiga a fondo: pide los métricos antes vs después en contexto, y aún mejor, habla directamente con clientes de referencia si es posible en lugar de confiar en citas pulidas.

Por otro lado, cuando los proveedores ofrecen detalles de ingeniería específicos o metodologías, es una buena señal. Significa que disponen de métodos concretos en lugar de solo hablar de moda. Por ejemplo, Smart Software explicando abiertamente su método de bootstrapping ⁸, o Lokad discutiendo programación diferenciable, demuestra sustancia. Los proveedores que simplemente lanzan “AI/ML” sin explicar cómo se aplica al problema probablemente esperan que los compradores no lo cuestionen – pero tú absolutamente deberías hacerlo. Pídeles, por ejemplo, que expliquen cómo su machine learning maneja una pieza que tiene cero uso la mayoría de los meses y, de repente, presenta una necesidad – ¿qué insumos utiliza el ML? Si responden con jerga y sin claridad, ten cautela. Si pueden articular, por ejemplo, “agrupamos piezas similares y utilizamos un modelo bayesiano combinando las horas operativas de la flota con las retiradas históricas”, entonces al menos tienen un enfoque.

En resumen, para los ejecutivos de MRO que evalúan estas soluciones:

• Ajusta la herramienta a tu problema: Si sufres de una variabilidad salvaje en la demanda y faltantes de stock, da prioridad a proveedores con forecast probabilístico probado (Lokad, ToolsGroup, Smart, Syncron en cierta medida). Si tu problema es exceso de inventario y falta de visibilidad, una herramienta de analítica prescriptiva (IBM/Oniqua o Baxter) podría ser suficiente para recortar gastos.
• Evalúa las capacidades de tu equipo: Un sistema muy avanzado requiere planificadores/analistas capacitados para interactuar con él (o los expertos del proveedor para apoyarte). Un sistema más sencillo podría ser operado por un equipo reducido, pero podría no extraer cada centavo de optimización.
• Planea el trabajo de datos e integración: Sea cual sea el software, invierte en limpiar las bases de datos de piezas, en los datos de uso y en establecer interfaces. Es menos sexy que la IA, pero es fundamental.
• Realiza una prueba piloto y verifica: Ejecuta un piloto sobre un subconjunto de piezas o en una ubicación. Comprueba si los sofisticados algoritmos del proveedor realmente producen recomendaciones sensatas (por ejemplo, ¿sin stock de una pieza crítica? ¿o un stock enorme de algo barato?). Revisa su optimización simulando escenarios. Un buen proveedor trabajará contigo en esto; uno inestable evitará demasiado escrutinio.

El problema de inventario de MRO en la aviación a menudo se describe como “desafiante de forma exasperante” ⁶⁸ – y en efecto lo es. Pero las herramientas hoy en día están a la altura de ese desafío. Al cortar a través del bombo y enfocarse en capacidades verificables, un MRO puede elegir una solución que realmente optimice la gestión de sus piezas, ofreciendo mejoras tangibles en la fiabilidad y ahorros en costos. Solo recuerda el lema del escéptico: en Dios confiamos, en todos los demás – aporten datos. Cada proveedor debería ser capaz de mostrar datos que respalden sus afirmaciones en el contexto de tu operación. Con esa debida diligencia, puedes encontrar un socio de software que vaya más allá de las promesas de marketing hacia un éxito real en tu supply chain.

Notas al pie