Software de Optimización de MRO de Aviación, Febrero de 2025

Última modificación: 2 de febrero de 2025

Introducción

Las cadenas de suministro de mantenimiento, reparación y revisión (MRO) de aviación lidian con una complejidad extrema. Las aerolíneas y los proveedores de MRO gestionan inventarios de piezas de cola larga profunda con una demanda intermitente y dispersa y plazos y precios de plomo altamente variables. Las fallas impredecibles y BOMs aleatorios para reparaciones significan que el uso puede aumentar repentinamente sin previo aviso. Las piezas a menudo tienen ciclos de vida estrictos (por ejemplo, ciclos máximos u horas de vuelo) y clasificaciones de criticidad (piezas “no-go” que inmovilizan aeronaves frente a elementos “go-if” o diferibles). Estos factores hacen que las decisiones de pronóstico y almacenamiento sean notoriamente difíciles: un delicado equilibrio entre evitar incidentes de AOG (aeronaves en tierra) y minimizar el exceso de inventario.

Varios proveedores de software afirman resolver estos desafíos con herramientas de optimización especializadas. Este estudio realiza una profunda inmersión escéptica en las principales soluciones de “optimización de MRO de aviación”. Evaluaremos críticamente la tecnología de cada proveedor: ¿realmente ofrecen capacidades de vanguardia como pronósticos probabilísticos (tanto para la demanda como para los plazos 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 pieza? Las afirmaciones de marketing sobre mejoras “impulsadas por IA/ML”, como porcentajes dramáticos de reducción de inventario o aumentos en el nivel de servicio, serán examinadas en busca de sustancia. Específicamente buscamos evidencia de ingeniería avanzada (o la falta de ella) detrás de estas afirmaciones, y si las herramientas se basan en análisis automatizados versus engorrosos parámetros definidos por el usuario. Finalmente, consideramos las realidades de integración en el caótico panorama de TI del MRO de aviación, desafiando cualquier afirmación de “conectar y usar”.

El objetivo es brindar a los ejecutivos de MRO con inclinaciones tecnológicas una visión directa y detallada de las ofertas del mercado, separando la innovación genuina de las palabras de moda.

Clasificación de Proveedores (Resumen)

1. Lokad – Pronósticos probabilísticos de vanguardia y automatización para aviación. Lokad lidera con tecnología de vanguardia como pronósticos probabilísticos de demanda/plazo de entrega y programación diferenciable, desarrollada a lo largo de años de I+D en aviación ¹. Hace hincapié en la optimización económica (costo vs. servicio) y en la mínima ajuste manual, lo que lo convierte en un líder en la planificación de inventario de MRO verdaderamente de vanguardia.

2. PTC Servigistics – Suite heredada integral con mejoras modernas. Servigistics ofrece el conjunto de funciones más amplio (optimización multi-escalonada, pronósticos avanzados, integración de IoT) y se utiliza ampliamente en aeroespacial y defensa ². Aplica “IA/ML” bajo el capó y maneja escenarios complejos, aunque algunos algoritmos se remontan a décadas de desarrollo. Muy potente, pero su complejidad puede significar una configuración más pesada y una dependencia de la configuración experta.

3. Syncron – Especialista en piezas de servicio con crecientes capacidades de IA. La plataforma en la nube de Syncron está dedicada a la planificación de piezas de servicio para fabricantes y ahora para la industria aeroespacial. Destaca la IA, el aprendizaje automático y simulaciones avanzadas para manejar patrones de demanda complejos e intermitentes ³. Las características probabilísticas están emergiendo, y se enfoca en la optimización económica de inventario, aunque la profundidad en las peculiaridades específicas de la aviación todavía está evolucionando (históricamente fuerte en el mercado de accesorios de OEM).

4. ToolsGroup (SO99+) – Modelado estocástico probado, pero narrativa de “IA” envejecida. ToolsGroup fue pionero en el pronóstico de la demanda intermitente y la optimización de inventario multi-escalonado ⁴. Sus modelos probabilísticos manejan bien la “cola larga” de piezas de repuesto. Sin embargo, las afirmaciones de estar “impulsado por IA” parecen exageradas: los análisis sugieren que su tecnología es en gran medida estadísticas tradicionales (modelos anteriores a 2000) con algunas actualizaciones ⁵. Aun así, ofrece una automatización sólida para la planificación de piezas a gran escala.

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

6. Baxter Planning (Prophet by Baxter) – Fundamentos de planificación de piezas de servicio con enfoque en costos. La solución de Baxter abarca pronósticos, planificación de inventario y reabastecimiento automatizado. Utiliza un enfoque de “Optimización del Costo Total” que considera la criticidad de la pieza, la ubicación y la urgencia del cliente para equilibrar el servicio y el costo ⁷. Es una herramienta sólida y pragmática (más de 20 años en piezas de servicio), aunque se basa más en métodos de pronóstico tradicionales y parámetros definidos por el usuario que en una automatización verdaderamente impulsada por IA.

7. Smart Software (Smart IP&O) – Motor avanzado de pronóstico de demanda intermitente. Smart Software es conocido por su pronóstico probabilístico de piezas de repuesto utilizando un método de remuestreo patentado ⁸. Genera miles de escenarios de demanda para capturar la variabilidad, lo que resulta en una distribución completa precisa de la demanda a lo largo de los tiempos de espera. Esto da como resultado niveles de stock optimizados para piezas intermitentes. Sin embargo, el enfoque de Smart está en el pronóstico y los cálculos de stock de seguridad; es una solución más estrecha (a menudo complementando un ERP) en lugar de una plataforma MRO completa de extremo a extremo. Todavía se necesita integración y esfuerzo del usuario para actuar sobre sus pronósticos.

8. IBM (MRO Inventory Optimization, anteriormente Oniqua) – Enfoque en la industria de activos intensivos impulsado por análisis. 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 pronósticos incorporados y recomendaciones basadas en la criticidad, con el objetivo de minimizar el tiempo de inactividad ¹⁰. La herramienta sobresale en identificar excesos frente a faltantes y guiar a los planificadores a través de “puntuaciones” y colas de trabajo. Aunque utiliza cierta automatización, el enfoque se inclina más hacia paneles de soporte de decisiones, lo que requiere que los usuarios revisen información (por ejemplo, por criticidad, tiempo de espera) y actúen ¹¹. Su tecnología es sólida pero no llamativa, más análisis pesado que “magia de IA”, y a menudo requiere una limpieza significativa de datos (una fortaleza de IBM) y trabajo de integración.

9. SAP Service Parts Planning (SPP) – Módulo capaz con una configuración pesada. La solución de planificación de repuestos propia de SAP (parte de SAP SCM/APO, que ahora se está trasladando a IBP) ofrece optimización de inventario de múltiples niveles y admite métodos como el de Croston para la demanda intermitente ¹². En teoría, puede manejar la complejidad a escala de aviación, y algunos grandes OEMs ayudaron a dar forma a su funcionalidad. En la práctica, SAP SPP requiere una configuración extensa de ajustes definidos por el usuario (selección de modelos de pronóstico, objetivos de clase de servicio, etc.) y una personalización significativa para adaptarse a las necesidades de aviación. Por lo general, es menos automatizado: los planificadores deben configurar parámetros (por ejemplo, códigos de ciclo de vida, cadenas de superposición, mín/máx) en lugar de que el sistema aprenda por sí solo. Como opción integrada en 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 cubre el pronóstico de la demanda, la planificación de niveles de stock, etc. ¹³. Incluye técnicas estándar de demanda intermitente y optimización de pedidos en toda 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 pronóstico (Croston, suavización exponencial) y políticas de inventario. La solución de Oracle cumple con su cometido para algunos, pero no encontramos evidencia de IA de vanguardia u optimización probabilística; generalmente está un paso atrás 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 – “Supply Chain Quantitativa” probabilística para Aviación

Lokad es un participante más reciente (fundado en la década de 2010) que se ha centrado agresivamente en la optimización aeroespacial y de MRO como especialidad principal. Su enfoque es sin disculpas impulsado por la ciencia de datos. La plataforma de Lokad se centra en el pronóstico probabilístico y lo que ellos llaman “optimización predictiva”. En lugar de pronosticar la demanda de un solo punto, Lokad modela toda la distribución de probabilidad de la demanda, los tiempos de espera e incluso las tasas de desperdicio de piezas ¹. Esto es crucial para la alta incertidumbre de la aviación: por ejemplo, una pieza puede normalmente durar 5,000 horas pero fallar ocasionalmente mucho antes; un modelo probabilístico captura ese riesgo. Lokad luego calcula políticas de almacenamiento que minimizan el costo total (costos de mantenimiento, costos de faltante de stock, penalizaciones AOG) dados esas incertidumbres.

Un aspecto destacado de la tecnología de Lokad es la programación diferenciable ¹. Esto significa esencialmente que utilizan técnicas de aprendizaje automático para “aprender” de patrones complejos de datos de la cadena de suministro. Por ejemplo, los horarios de mantenimiento, las curvas de confiabilidad (MTBUR - Tiempo Medio Entre Retiros No Programados), los tiempos de ciclo de reparación, etc., pueden incorporarse 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 codificadas tradicionales podrían pasar por alto ¹. Es un concepto novedoso en la cadena de suministro y, aunque es difícil de verificar externamente, indica una ingeniería seria más allá de las palabras de moda.

Importante, Lokad proporciona detalles de ingeniería sobre su enfoque, un cambio refrescante respecto a las afirmaciones vagas de IA. En un comunicado de prensa con Revima (un MRO de APU/Tren de Aterrizaje), mencionan explícitamente pronósticos probabilísticos para la demanda, el tiempo de espera y los desechos, combinados con programación diferenciable para modelar procesos de reparación complejos ^{1 1}. Estas son técnicas concretas, no solo palabras de marketing. El hecho de que el CEO de Lokad sea un bloguero activo en matemáticas de la cadena de suministro añade credibilidad (critican con frecuencia los métodos tradicionales e incluso publican comparaciones).

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

Lokad también es sincero sobre la integración: no promocionan una fantasía pura de “conectar y usar”, reconociendo que los datos de aviación son desordenados. En su lugar, a menudo aprovechan todas las fuentes de datos disponibles, incluso si son imperfectas. Por ejemplo, podrían utilizar métricas de confiabilidad proporcionadas por el OEM (MTBUR) y los datos históricos de retiros del operador, ponderándolos según cuál sea más predictivo para cada parte ^{15 16}. Este nivel de sutileza, utilizando múltiples fuentes de datos para triangular, muestra una comprensión avanzada de los detalles específicos de la aviación (por ejemplo, utilizando datos del 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 hacer preguntas difíciles: por ejemplo, ¿qué tan fácilmente puede un MRO típico adoptar la solución de Lokad sin un equipo de científicos de datos? Lokad tiende a trabajar estrechamente con los clientes a través de sus propios expertos, lo cual es excelente para obtener resultados pero podría ser visto como un modelo inicialmente muy centrado en la consultoría en lugar de ser puramente de software. Además, si bien los modelos probabilísticos son ideales para la demanda intermitente, su precisión depende de la calidad de los datos: la basura entra, la basura sofisticada sale sigue siendo un riesgo. Los resultados de Lokad como “inventario reducido en un 60%” en un caso ¹⁷ deben ser recibidos con escepticismo saludable: tales resultados podrían ser excepcionales o medidos contra una línea de base muy pobre. Sin embargo, entre los proveedores, Lokad parece ser el que más empuja los límites en ciencia moderna de pronósticos y optimización. No se basa en que los usuarios establezcan objetivos de nivel de servicio arbitrarios o clases ABC; en cambio, automatiza decisiones calculando los compromisos económicos para cada parte. Este nivel de automatización y rigor probabilístico lo convierte en una opción de primer nivel para aquellos dispuestos a adoptar una solución más nueva.

PTC Servigistics - Campeón Peso Pesado con Tecnología Actualizada

Servigistics es el veterano en este espacio: su linaje se remonta a través de pioneros de la industria (Xelus, MCA Solutions) que se fusionaron en Servigistics, y luego fueron adquiridos por PTC en 2012 ¹⁸. Es, con mucho, el software de Gestión de Piezas de Servicio (SPM) más ampliamente implementado entre las grandes organizaciones aeroespaciales y de defensa. Qantas, Boeing, Lockheed Martin, la Fuerza Aérea de los Estados Unidos: tales nombres a menudo aparecen como usuarios de Servigistics ¹⁹. Con ese pedigrí, Servigistics establece un alto estándar en cuanto a amplitud y profundidad de características.

Desde una perspectiva de capacidades, Servigistics prácticamente enumera todas las funciones que un equipo de logística de MRO o posventa podría desear: pronóstico de la demanda especializado para demanda de bajo volumen y esporádica, optimización de inventario de múltiples niveles (posicionamiento de stock en, por ejemplo, almacén central, bases avanzadas, taller de reparación, etc.), planificación de aprovisionamiento de múltiples fuentes, decisiones de reparar vs. comprar, e incluso un módulo integrado de fijación de precios de piezas ²⁰. Es importante destacar que PTC también ha ampliado Servigistics a través de la integración de IoT, utilizando su plataforma ThingWorx para alimentar datos de equipos conectados (por ejemplo, datos de uso o sensores de aviones/motores) para predecir fallas de piezas con límite de vida útil y planificar reemplazos de manera proactiva ^{21 22}. Esto comienza a abordar el problema de “BOM aleatorio” al pronosticar las remociones de piezas basadas en el monitoreo de condiciones reales, no solo en estadísticas históricas.

Servigistics afirma incorporar ciencia de datos moderna: “los módulos de pronóstico, optimización y análisis aprovechan la inteligencia artificial, el aprendizaje automático y el big data” ²³. Sin embargo, los detalles sobre cómo se utiliza exactamente la IA/ML son escasos en los materiales públicos. Dada la larga historia de la herramienta, es probable que gran parte del motor de pronóstico todavía se base en métodos estadísticos clásicos (método de Croston, variantes de suavización exponencial para demanda intermitente, quizás estimación bayesiana para baja demanda) que se han mejorado incrementalmente. La mención de trabajar con académicos como el Dr. John Muckstadt sugiere el uso de modelos analíticos probados para la optimización de múltiples niveles ²⁴. Los algoritmos de Muckstadt (de su libro “Gestión de Piezas de Servicio”) son más investigación operativa (optimización matemática) que aprendizaje automático, lo cual es adecuado, a menudo óptimo para estos problemas. La “IA/ML” puede ser más bien un envoltorio reciente, posiblemente utilizando aprendizaje automático para cosas como detección de anomalías en la demanda, o clasificación de piezas (por ejemplo, agrupando patrones de demanda similares), en lugar de pronósticos centrales. Se debe ser un poco escéptico de que Servigistics se convirtió repentinamente en una plataforma “de IA”; más precisamente, es una plataforma de RO (Investigación Operativa) muy sofisticada con algunas nuevas características habilitadas para IA en los bordes.

Predecir probabilísticamente: ¿Lo hace Servigistics? Históricamente, podría producir una distribución de demanda para cada parte (por ejemplo, a través de bootstrapping o ajuste de distribución estadística predefinida) para calcular los stocks de seguridad óptimos. La optimización multi-escalonada requiere inherentemente entradas probabilísticas (para calcular las probabilidades de faltante de stock en diferentes ubicaciones). La documentación de PTC hace referencia a “tipos de distribuciones de probabilidad utilizadas” en decisiones de almacenamiento ²⁵, lo que implica que el sistema considera más que solo un pronóstico medio único. Podemos asumir razonablemente que hace algún tipo de pronóstico probabilístico o al menos simulación de escenarios para demanda esporádica (MCA Solutions, uno de sus predecesores, era conocido por la simulación de Monte Carlo en la planificación). La diferencia con un enfoque moderno es si estas distribuciones se aprenden automáticamente o se seleccionan mediante reglas. En Servigistics, un planificador típicamente establece cada parte en un método de pronóstico (o el sistema selecciona automáticamente de un conjunto de métodos) y luego elige objetivos de nivel de servicio. Hay muchas políticas definidas por el usuario posibles, por ejemplo, los planificadores pueden segmentar partes por criticidad o valor y asignar diferentes objetivos de tasa de llenado (el sistema tiene una capacidad de segmentación rica) ²⁶. Si no está completamente automatizado, esto podría ser una debilidad: la herramienta puede optimizar una vez que ingresas esos parámetros, pero determinar qué nivel de servicio debería tener cada una de decenas de miles de partes a menudo se deja al juicio del usuario o a reglas simples (como “95% para partes de no ir, 80% para partes de ir si”). Las soluciones verdaderamente óptimas calcularían esos compromisos dinámicamente. No está claro si Servigistics tiene una “optimización de nivel de servicio” automatizada que, por ejemplo, maximice la disponibilidad general para un presupuesto dado; probablemente pueda hacerlo, pero muchos usuarios pueden no utilizar ese modo debido a la complejidad.

Servigistics también aborda aspectos del ciclo de vida de la parte y del bucle de reparación. Para las partes reparables, puede planificar el canal de reparación y tener en cuenta los tiempos de respuesta y los rendimientos. La nueva extensión de “Pronóstico Conectado” pronostica explícitamente las eliminaciones de partes como Partes de Vida Limitada (LLPs) basadas en su vida restante y datos de uso ²⁷ - una capacidad muy importante en la aviación donde sabes que una parte necesitará ser reemplazada después de X ciclos. Esto ayuda a mitigar la demanda errática al inyectar algunas señales determinísticas (por ejemplo, eliminaciones programadas) en el pronóstico.

Sobre la integración: PTC se ha asociado con importantes proveedores de ERP de MRO como IFS y Trax para integrar Servigistics ²⁸. Sin embargo, integrar una herramienta tan completa con el sistema de mantenimiento de una aerolínea es un proyecto importante (a menudo de 6 a 12+ meses). Cualquier afirmación de “conectar y usar” de las ventas debe tomarse con precaución. En realidad, uno debe mapear docenas de campos de datos (datos de base de instalación, catálogos de partes, listas de materiales para tareas de mantenimiento, datos de ciclo de reparación, etc.) y a menudo limpiar la calidad de los datos. Servigistics probablemente tenga adaptadores estándar para sistemas como SAP u Oracle, pero el trabajo personalizado es la norma, consistente con cualquier solución empresarial.

Puntos clave de escepticismo: Servigistics es extremadamente poderoso, pero ¿es fácil obtener valor de él? Muchas instalaciones heredadas terminan subutilizadas, utilizando solo funciones básicas (como planificación de un solo escalón con stocks de seguridad establecidos) porque la optimización completa puede ser abrumadora sin usuarios expertos. Vale la pena preguntar a un proveedor qué tan automatizado es realmente el sistema en la práctica, por ejemplo, ¿detecta automáticamente un cambio en la variabilidad del tiempo de espera y ajusta los puntos de reorden, o necesita intervenir un planificador? La presencia de muchos “parámetros de planificación” sugiere que es posible realizar muchos ajustes ²⁹, lo que puede ser bueno o malo. Por ejemplo, Servigistics permite anular el Cantidad Económica de Pedido calculada o forzar ciertos períodos de pronóstico ²⁹, lo que sugiere que los cálculos predeterminados no siempre son confiables para los usuarios.

En resumen, Servigistics es la opción más rica en funciones y ha evolucionado para incluir elementos modernos (datos de IoT, algo de IA). Proporciona capacidades de vanguardia, pero si proporciona soluciones de vanguardia depende de la ejecución, un área de la que hay que estar atentos. Para un MRO con los recursos para implementarlo completamente, puede ofrecer un rendimiento excelente (se informó una disponibilidad de piezas del 94% en Qantas ³⁰). Pero las operaciones más pequeñas podrían encontrarlo pesado. Sus afirmaciones de marketing (líder en todos los informes de analistas, etc.) son típicas y en parte verdaderas dada la cuota de mercado, pero los compradores potenciales deben mirar más allá de los elogios y asegurarse de tener la madurez del proceso para aprovechar esta herramienta poderosa pero compleja.

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

Syncron es otro jugador importante, que viene desde un ángulo diferente: comenzó con las piezas de servicio posventa de los fabricantes (especialmente automotrices y maquinaria industrial) y se ha expandido al sector aeroespacial/defensa en los últimos años. La propuesta de valor de Syncron se centra en ser una plataforma nativa de la nube, diseñada específicamente para piezas de servicio, combinando varios módulos (optimización de inventario, optimización de precios e incluso un módulo de pronóstico de tiempo de actividad basado en IoT) ^{31 32}. En el contexto de MRO de aviación, Syncron está ganando terreno, por ejemplo, ATR (el fabricante de aeronaves regionales) recientemente eligió a Syncron para la gestión de inventario en todo su soporte global de flota ^{33 3}.

Tecnológicamente, Syncron anuncia el uso de IA, aprendizaje automático y análisis avanzado en su solución de Planificación de Piezas ³. Concretamente, mencionan que el software “rastrea las tendencias de la demanda y configura simulaciones avanzadas para planificar y predecir las necesidades de servicio de las piezas” ³. Esto sugiere que Syncron utiliza alguna forma de simulación de Monte Carlo o planificación probabilística también, probablemente generando escenarios de demanda y suministro para optimizar el stock. En un IDC MarketScape, Syncron fue destacado por “reabastecimiento dinámico, planificación/pronóstico probabilístico” entre sus fortalezas ³⁴, lo que indica que no solo está utilizando métodos deterministas o basados en reglas. A diferencia de algunas herramientas más antiguas, el hecho de que Syncron sea nativo de la nube significa que puede procesar grandes conjuntos de datos y ejecutar extensas simulaciones en segundo plano sin que el cliente necesite gestionar la infraestructura de TI.

Un aspecto notable de la filosofía de Syncron es la servitización - ayudar a las empresas a tratar el tiempo de actividad como un servicio. En términos prácticos, la plataforma de Syncron vincula el pronóstico de piezas de servicio con inputs de gestión de servicio en campo y señales de mantenimiento predictivo de IoT (a través de su módulo Uptime™). Para la aviación, esto podría significar utilizar datos de monitoreo de la salud de la aeronave 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 posventa. Este enfoque se alinea con tendencias como el pago por hora en la aviación, donde la disponibilidad lo es todo.

En términos de optimización, Syncron optimiza el inventario equilibrando la disponibilidad versus el costo. Afirman explícitamente mejoras como un aumento del 12 al 17.5% en la disponibilidad de piezas y una reducción del 15% en el costo del inventario para los clientes ³⁵. Estas cifras, como todas las afirmaciones de este tipo, deben ser vistas con precaución, ya que podrían provenir de estudios de casos selectos. Hay poca información técnica pública sobre los algoritmos detrás de la optimización de Syncron. Sin embargo, se puede inferir que utilizan una combinación de modelos estadísticos de pronóstico, aprendizaje automático para el reconocimiento de patrones y algún heurístico o solucionador para el almacenamiento multi-escalonado. Syncron Inventory históricamente fue fuerte en optimización de la red de distribución (para OEM con redes de distribuidores, etc.), por lo que la optimización multiubicación está en su ADN.

Automatización y esfuerzo del usuario: Syncron probablemente automatiza muchas tareas rutinarias, al ser un software moderno diseñado para la nube y la usabilidad. Probablemente seleccione automáticamente los modelos de pronóstico apropiados y los actualice a medida que cambian los datos, en lugar de esperar que los usuarios ajusten manualmente el método de pronóstico de cada SKU (una pesadilla de los sistemas más antiguos). Dicho esto, la base de usuarios típica de Syncron (fabricantes) a menudo aún establece reglas comerciales, por ejemplo, clasificar las piezas por ciclo de vida o criticidad para aplicar políticas diferentes. Deberíamos verificar si Syncron permite una optimización completamente automatizada. Se menciona que los módulos de precios e inventario de Syncron actualmente utilizan bases de datos separadas que requieren integración ³², lo que sugiere ciertos cimientos heredados. Es posible que no sea tan fluido entre módulos como se anuncia.

Una fortaleza que Syncron enfatiza es la gestión del ciclo de vida de las piezas: manejar las introducciones de nuevas piezas, obsolescencia, superaciones. En 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 industria automotriz (donde los cambios de modelo afectan la demanda de piezas) - presumiblemente el sistema puede pronosticar la disminución de la demanda de piezas antiguas y el aumento de las nuevas utilizando analogías o pronósticos vinculados.

Verificación de afirmaciones: Syncron tiene relativamente pocos whitepapers técnicos públicos, por lo que parte de nuestro escepticismo se debe a que debemos confiar en lo que afirman y en algunas referencias. El comunicado de prensa de ATR indica que la solución ayudará con la inestabilidad de la cadena de suministro y la escalabilidad de las operaciones ³⁶ - pero eso es genérico. La afirmación tecnológica clave es la combinación de IA/ML + simulación ³. Nos preguntaríamos a Syncron: ¿Proporcionan evidencia de modelos de ML en acción? Por ejemplo, ¿utilizan redes neuronales para detectar causas de la demanda (como tasas de uso o fallas) o solo métodos de series temporales? Además, si dicen “IA”, ¿es solo una etiqueta para sus modelos estadísticos o realmente nuevas técnicas? Sin más detalles, permanecemos cautelosos.

Sin embargo, a diferencia de algunos competidores, Syncron no se basa en arquitecturas antiguas: es una plataforma del siglo XXI desde cero. Esto probablemente signifique una mejor interfaz de usuario y posiblemente una implementación más rápida (su integración con ERP utiliza API modernas y a menudo hacen el trabajo pesado para los clientes). Sin embargo, “plug-and-play” es irrealista: la implementación de ATR, por ejemplo, probablemente requirió mapear Syncron a los sistemas SAP personalizados y de mantenimiento de ATR. El equipo de Syncron trabajó activamente con ATR para adaptar mejoras a las “demandas únicas” de la aviación ³⁷ - lo que implica que, de entrada, algunas necesidades específicas de la aviación no se cumplieron hasta que colaboraron. Esto es tanto positivo (el proveedor está dispuesto a adaptarse) como cauteloso (el producto no estaba completamente listo para todas las complejidades de la aviación inicialmente).

En resumen, Syncron se está moviendo hacia la vanguardia con elementos probabilísticos y de inteligencia artificial, y tiene una fuerte orientación hacia la automatización. Es posible que aún no tenga el amplio historial en aviación de Servigistics, pero rápidamente se está convirtiendo en un fuerte competidor, como lo demuestran los nuevos clientes de aviación. Los ejecutivos de MRO deben verificar las afirmaciones de ML de Syncron (pedir detalles o demostraciones de cómo pronostica un número de parte irregular) y asegurarse de que cualquier mejora prometida en inventario/servicio venga con datos, no solo promedios de la industria. Al igual que con otros, trate los porcentajes brillantes (por ejemplo, “reducción del 15% en el costo del inventario”) como una guía aproximada; los resultados reales variarán según lo desorganizado que fuera el proceso inicial. En general, Syncron se destaca por su arquitectura moderna y enfoque en la automatización inteligente, aunque necesita demostrar su tecnología más allá de las palabras de moda.

ToolsGroup - Fuertes Algoritmos de Demanda Intermitente, ¿Pero qué tan “Inteligente”?

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 repuesto de posventa en diversas industrias, desde repuestos automotrices hasta equipos industriales, y también se ha utilizado en contextos aeroespaciales/defensa. La fortaleza principal de ToolsGroup siempre ha sido manejar la “cola larga” de la demanda con lo que ellos llaman un modelo probabilístico. Destacan que las herramientas tradicionales fallan en la demanda intermitente, mientras que ToolsGroup “resuelve el problema de planificación de piezas de servicio con una capacidad excepcional para pronosticar la demanda intermitente y optimizar globalmente el inventario de múltiples niveles” ⁴.

La tecnología detrás del pronóstico de ToolsGroup es realmente probabilística. Históricamente, utilizaron un enfoque propietario donde, en lugar de pronosticar un número, modelaban la demanda como una distribución de probabilidad para cada SKU. Esto se podía hacer a través de simulación de Monte Carlo o ajustando analíticamente una distribución (algunas fuentes indican que ToolsGroup podría usar una forma de bootstrap o una variación del método de Croston combinado con análisis de variabilidad). Para cada parte, dada la distribución de la demanda y el tiempo de espera, el software calcula el inventario requerido para lograr un nivel de servicio objetivo o, inversamente, el nivel de servicio alcanzable para un presupuesto de stock dado. Este enfoque fue algo pionero en los años 1990/2000 cuando la mayoría de los sistemas de planificación estaban utilizando métodos simplistas. Permite gestionar los niveles de servicio de manera muy precisa incluso para artículos extremadamente lentos. ToolsGroup también introdujo el concepto de “planificación impulsada por el nivel de servicio” donde se especifica el nivel de servicio deseado por SKU y la herramienta calcula el stock necesario, en lugar de que los planificadores adivinen el stock de seguridad.

Sin embargo, la crítica moderna es si ToolsGroup ha innovado significativamente más allá de sus modelos anteriores. La empresa ahora se comercializa como “impulsada por IA” y habla de cosas como “detección de demanda” y aprendizaje automático. 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 pronósticos probabilísticos pero aún hacía referencia a mejoras en MAPE (Error porcentual absoluto medio), lo cual “no se aplica a pronósticos probabilísticos” ⁵. Esto sugiere un poco de barniz de marketing: no medirías el error de pronóstico con MAPE si realmente te estuvieras enfocando en pronósticos de distribución. En otras palabras, ToolsGroup todavía podría producir principalmente un solo pronóstico para cada artículo (para informes comerciales), utilizando ideas probabilísticas bajo la superficie para cálculos de inventario. La mención de “detección de demanda” (generalmente significa usar señales muy cercanas en el tiempo como pedidos en mano o datos de IoT para ajustar pronósticos) también se cuestiona por tener poco respaldo en la literatura científica ³⁸ - lo que implica que ToolsGroup puede usar la palabra de moda pero no necesariamente un método avanzado probado.

Dicho esto, las capacidades de ToolsGroup son sólidas. Admite la optimización multi-escalonada, lo que significa que puede recomendar dónde almacenar piezas en una red para cumplir con los objetivos de servicio con un inventario mínimo. También puede manejar el reposicionamiento del inventario y la reasignación, lo cual es útil en MRO cuando las piezas pueden ser movidas entre bases o regiones. La solución de ToolsGroup a menudo está integrada con ERPs como SAP - algunas empresas utilizan SO99+ junto con SAP para superar las limitaciones de la planificación de SAP (ToolsGroup incluso sugiere que puede extender SAP APO con pronósticos probabilísticos ³⁹). En general, es altamente automatizado: una vez configurado, los planificadores monitorean principalmente las excepciones. La herramienta procesará miles de combinaciones de SKU-ubicación y solo señalará los artículos donde quizás el nivel de servicio se proyecte que disminuirá o ocurra un pico de demanda que requiera intervención.

En cuanto al contexto de MRO específico: ToolsGroup ciertamente puede modelar la demanda intermitente, pero ¿considera cosas como la criticidad de la pieza 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 diferentes categorías de piezas. Puede que no sepa nativamente la criticidad de “ir/no ir”, pero un cliente podría incorporarlo simplemente estableciendo un nivel de servicio objetivo cercano al 100% para los artículos “ir/no ir” y menor para otros. La optimización sigue entonces esa directiva. De manera similar, para los ciclos de vida, ToolsGroup podría no tener un módulo listo para usar para pronosticar en función de la vida restante (como lo hacen Servigistics o Syncron con datos de IoT), pero se pueden ajustar manualmente los pronósticos para reemplazos programados conocidos. Es más bien un kit de herramientas que se puede adaptar a diversas necesidades, en lugar de ser una solución específica de aviación.

Un área a tener en cuenta son las afirmaciones de ToolsGroup sobre los resultados típicos: por ejemplo, afirman que los clientes logran una reducción del 20-50% en ventas perdidas, una reducción del 10-30% en inventario y niveles de servicio del 95-99% ⁴⁰. Si bien estos rangos son plausibles, son amplios y claramente impulsados por el marketing. Tales mejoras probablemente provengan de empresas que no tenían una optimización real antes: implementar cualquier herramienta decente daría grandes ganancias. No necesariamente significa que ToolsGroup logre esto de manera única en comparación con sus competidores. A menudo no hay un estudio independiente que verifique estos porcentajes, por lo que seguimos siendo escépticos de aceptarlos tal cual (la ausencia de contexto como “¿en comparación con qué línea base?” o “¿durante cuánto tiempo?” es reveladora).

Definido por el usuario vs. automatización: ToolsGroup es relativamente automatizado en el pronóstico, pero permite mucha configuración. Por ejemplo, los planificadores pueden elegir los objetivos de nivel de servicio por artículo o grupo. Si una empresa no sabe cómo establecer esos objetivos, podría volver 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 tiene funcionalidades como equilibrar la inversión en inventario frente al servicio en todo el portafolio, que es una forma de optimización económica. Pero puede requerir el uso de sus servicios de consultoría o funciones avanzadas para configurarse correctamente.

El esfuerzo de integración para ToolsGroup es moderado: necesitan datos de historial de uso, listas de materiales, etc. No es tan sencillo como conectar y usar con algo como AMOS o Rusada (sistemas MRO comunes), por lo que se espera un proyecto, aunque existen muchos conectores de integración dados la larga historia de ToolsGroup.

Conclusión: ToolsGroup es una solución capaz y confiable para la optimización de repuestos. Definitivamente califica como de vanguardia alrededor de 2010, y aún se mantiene bien. Pero en 2025, uno debería cuestionar cuánto ha incorporado nuevas técnicas de IA/ML. La evidencia disponible sugiere muchas palabras de moda pero no muchas metodologías nuevas concretas publicadas. Eso no significa que no funcione, funciona, pero la etiqueta de “IA” podría significar simplemente que está utilizando estadísticas sofisticadas (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 es posible que no esté obteniendo un sistema realmente de próxima generación; está obteniendo un sistema tradicional muy bueno. Si la empresa está promocionando “IA”, pídales que aclaren qué exactamente impulsa la IA en el producto y cómo mejora sus modelos probabilísticos ya buenos. Además, asegúrese de que su equipo aproveche al máximo sus fortalezas (como la optimización multi-nivel) y no lo simplifique a una herramienta de planificación básica.

Armac Systems (RIOsys) – Nativo de Aviación, Optimizando Componentes Rotables y Reparaciones

Armac Systems es único en esta lista ya que nació específicamente del mundo de MRO de aviación. Es un proveedor más pequeño (con sede en Irlanda, ahora propiedad de SR Technics a finales de la década de 2010 ⁴¹) que se enfoca al 100% en la optimización de inventario de aviación. El producto estrella de Armac, RIOsys (sistema de optimización de inventario rotativo), está diseñado para aerolíneas y MRO que lidian tanto con repuestos consumibles como con componentes rotativos de alto valor.

Lo que distingue a Armac es su especificidad de dominio. El software se describe como “planificación y optimización de inventario específico de aviación” con el objetivo de maximizar la disponibilidad de repuestos al menor costo económico ⁶. Reconoce explícitamente el escenario típico de aviación: “la demanda de piezas no programadas, numerosos componentes y operaciones en múltiples sitios son la norma” ⁴². La herramienta ayuda a calcular los niveles óptimos de inventario tanto para piezas rotativas como consumibles, lo que significa que puede determinar no solo cuántos comprar, sino también cuántos mantener como repuestos frente al proceso de reparación, etc., para cumplir con los objetivos de confiabilidad de despacho. También menciona que “el conocimiento operativo se incorpora a su modelo de aprovisionamiento y se refina continuamente” ⁴³. Esto sugiere que el sistema aprende o actualiza sus parámetros a medida que se recopila más datos (por ejemplo, a medida que se observan las tasas reales de eliminación de componentes, se refina el pronóstico 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 eliminación por cada 1000 horas de vuelo. Armac probablemente utiliza esos datos para predecir la demanda en lugar de simplemente extrapolar series temporales. Por ejemplo, si una aerolínea opera 100 A320 y una cierta bomba tiene un MTBUR de 5000 horas de vuelo, se puede prever aproximadamente cuántas fallas esperar por año (con variabilidad). Esto es muy específico para MRO y difiere de predecir, por ejemplo, la venta de repuestos a clientes. La asociación de Armac con la academia y las “técnicas de inteligencia empresarial de big data” ⁴¹ implica que han investigado e implementado modelos orientados a este tipo de pronóstico basado en confiabilidad.

Armac también atiende a la “crítica de ir/no ir” indirectamente al centrarse en la confiabilidad técnica de despacho. En una aerolínea, la confiabilidad de despacho (el porcentaje de vuelos que parten sin retrasos o cancelaciones debido a mantenimiento) es una métrica clave. La disponibilidad de repuestos, especialmente de elementos de “no ir”, impulsa directamente eso. Los estudios de caso de Armac (como Iberia) indican que el objetivo era mejorar la disponibilidad de material mientras se reducen costos ⁴⁴. El CEO de Armac destacó la entrega de una mejor disponibilidad de repuestos “al menor costo económico” ⁴⁵. Por lo tanto, claramente están realizando una optimización económica: asegurando que las partes críticas estén siempre disponibles (para evitar AOG) pero sin exceso de stock en todas partes.

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

Es probable que Armac proporcione 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 Z, reparar tantas unidades ahora, etc.). Probablemente también tenga paneles fáciles de usar que resalten los excesos y las escaseces y ayuden a priorizar acciones ⁴⁷. Esto es crucial para equipos de planificación más pequeños: la herramienta debe decirles qué hacer hoy. El uso de Armac por parte de Iberia, según informes, ayudó a “identificar excesos y escaseces, y priorizar actividades diarias” para los planificadores de inventario ⁴⁷. Eso indica un alto nivel de toma de decisiones guiada por el sistema, un signo de una fuerte automatización.

En el lado del escepticismo, debido a que Armac es más pequeño y no tan visible en marketing, hay menos evaluación independiente disponible. Parece muy competente para la aviación, pero ¿realmente utiliza algoritmos de última generación? ¿O su éxito se debe principalmente a estar hecho a la medida (con muchas reglas y plantillas expertas específicamente para aerolíneas)? Por ejemplo, Armac podría estar utilizando modelos estadísticos bastante estándar pero preconfigurados con los parámetros correctos para escenarios de aviación listos para usar. Eso sigue siendo valioso, pero no es “mágico”. La mención de modelos “continuamente refinados” ⁴³ sugiere que se está produciendo algún tipo de aprendizaje automático o al menos 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 última investigación de IA al mismo ritmo que, por ejemplo, PTC o Lokad? Posiblemente no, pero al estar enfocados, es posible que no necesiten una IA sofisticada si su solución diseñada ya se adapta bien al dominio. Además, al ser propiedad de SR Technics (un importante MRO), podría significar que tienen una retroalimentación profunda del dominio, pero también que su horizonte podría estar limitado a las necesidades de ese propietario.

Armac no presume en voz alta de “IA” en sus comunicados de prensa, utilizan términos como “planificación de inventario inteligente de nueva generación” y “técnicas de big data” ⁴¹, que son palabras de moda pero no muy específicas. Vale la pena preguntar a Armac por detalles específicos: ¿simulan la variabilidad del ciclo de reparación? ¿Optimizan tanto la tasa de llenado como la utilización de activos? ¿Cómo manejan la obsolescencia de las piezas (¿el sistema alerta cuando una pieza está siendo eliminada para que no la sobreabastezca)? Dado su nicho, probablemente tengan características para la planificación de fin de vida y la optimización de agrupación de rotables que otros podrían no enfatizar.

La integración sigue siendo un desafío: incluso con una integración SAP, no todas las aerolíneas utilizan sistemas estándar. Muchas utilizan sistemas MRO especializados como AMOS, Ultramain, etc. Armac tendría que mapearse en esos sistemas 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, el sistema RIOsys de Armac Systems es una opción sólida para la MRO de aviación específicamente, probablemente proporcionando 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 consumibles). Se puede considerar de vanguardia en términos de alineación de dominio - conoce íntimamente su problema. En cuanto a la tecnología pura, probablemente utilice análisis avanzados (si no IA de vanguardia, al menos algoritmos muy especializados). Los ejecutivos de MRO que evalúen Armac deben verificar que la herramienta realmente cubra todas las necesidades modernas (quizás preguntar si utilizan pronósticos probabilísticos o solucionadores de optimización, etc.). El historial comprobado (se afirma que se han logrado ahorros en “millones para organizaciones de aviación” ⁴¹) le da a Armac credibilidad. Simplemente aborde sus afirmaciones de ROI como lo haría con cualquier proveedor, con una mentalidad de “confiar pero verificar”, y asegúrese de tener el soporte de TI para integrarlo en su entorno.

Baxter Planning (Prophet de Baxter) - Planificación centrada en costos con intervención humana

Baxter Planning es un proveedor establecido en la gestión de piezas de repuesto, desde la década de 1990. Su solución, a menudo denominada Prophet, se dirige a una amplia gama de industrias (tecnología, dispositivos médicos, etc.) e incluye en cierta medida el sector MRO/aviación (aunque su mayor presencia está en las piezas de repuesto de hardware de tecnología y telecomunicaciones). El enfoque de Baxter se basa en la experiencia práctica en planificación: el fundador era él mismo un planificador de piezas de repuesto, por lo que el software refleja procesos del mundo real. Esto significa que cubre la planificación de extremo a extremo: Predecir, Optimización de inventario, Reabastecimiento, Planificación de reparaciones, Gestión del ciclo de vida, Gestión de excesos, etc., en un 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 cumple con los objetivos de servicio. Por ejemplo, si una pieza es muy costosa y solo ligeramente crítica, el sistema podría aceptar un tiempo de espera más largo (quizás confiando en pedidos de emergencia) en lugar de almacenar muchas en el estante. Por el contrario, para una pieza no válida en un sitio remoto, Prophet podría recomendar almacenar repuestos a pesar de la baja demanda porque el costo de faltante de stock (AOG, tiempo de inactividad) es demasiado alto. Esta es una filosofía de optimización económica y es de lo que se trata el “valor por dinero” en las decisiones de almacenamiento. Baxter merece crédito por incorporar ese pensamiento.

Sin embargo, la forma en que Baxter logra esto parece ser a través de una gran cantidad de configuraciones impulsadas por el usuario aumentadas por la 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 restricciones. Pero ¿realiza pronósticos probabilísticos? No está muy claro a partir de la información pública. Siendo una solución más antigua, probablemente comenzó con pronósticos tradicionales (medias móviles, suavización exponencial) y tal vez más tarde agregó Croston o bootstrap para la demanda intermitente. Es posible 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 la demanda intermitente, Baxter definitivamente reconoce el problema: su literatura hablaría sobre la necesidad de un tratamiento especial para las piezas de movimiento lento. La pregunta es si confían en el 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 de lo primero: el planificador establece, por ejemplo, un método de pronóstico (quizás Prophet tiene un módulo de “pronóstico de demanda intermitente” que utiliza una técnica específica), y luego el sistema utiliza eso para calcular los niveles de almacenamiento.

La herramienta de Baxter enfatiza la automatización en la ejecución: cosas como Automatización de órdenes de suministro (generación automática de órdenes de compra, órdenes de reparación) y Reasignación (trasladar el exceso de stock a donde se necesita) están en su lista de funciones ⁴⁹. Esto es crucial cuando se trata de miles de piezas: desea que el sistema inicie automáticamente las acciones recomendadas y solo involucre a los planificadores en casos excepcionales. Según la mayoría de los informes, Prophet puede manejar una gran escala (decenas de miles de piezas en muchos lugares) porque algunos de sus clientes son grandes empresas tecnológicas con repuestos de campo globales.

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

Baxter no promociona enérgicamente la IA/ML. Son más discretos, lo cual puede ser positivo (menos bombo). Pero también significa que si está buscando pronósticos de vanguardia, debe preguntarse: ¿están al día con los nuevos métodos? Es posible que hayan incorporado algoritmos más nuevos en versiones recientes, pero eso no está bien publicitado.

Dado la clientela de Baxter, es posible que no tengan tantas características específicas de aviación integradas. Por ejemplo, ¿manejan límites de vida duros (donde una pieza se descarta después de X usos)? Tal vez como un campo personalizado, pero no estoy seguro si la optimización naturalmente lo tiene en cuenta (más allá de pronosticar la demanda cuando llega el momento de reemplazo). Sí manejan estados de ciclo de vida (nuevas, partes al final de su vida útil) y pueden planificar la compra de última vez para la obsolescencia, lo cual es relevante en aviación cuando las piezas salen de producción.

En cuanto a las afirmaciones de resultados, Baxter tiende a no publicar porcentajes sensacionales. Se centran en cómo ayudan a los planificadores a alcanzar objetivos, en lugar de “reducimos el inventario en un X%”. Esto podría indicar en realidad un enfoque realista: las mejoras suceden, pero dependen de cómo se use la herramienta.

Integración: Prophet de Baxter generalmente se integra con un sistema ERP/MRO. La integración es comparable a la de otros: incorporando uso, stock, BOM, etc. Baxter probablemente tenga conectores preconstruidos para sistemas comunes (mencionan el soporte de redes de suministro superficiales e integración con otros sistemas empresariales). Sin embargo, nadie debería esperar una solución lista para usar; se necesitará algo de trabajo de TI.

En el escepticismo, se debe examinar si la solución de Baxter es realmente optimizadora o más bien un soporte de decisiones que aún deja decisiones críticas a los humanos. La mención de que muchos clientes de Baxter se centran en la optimización de costos de ubicación de almacenamiento adelantado en lugar de multi-echelon sugiere que la herramienta podría usarse a menudo en un modo más simple (optimizando cada ubicación individualmente a un objetivo de costos). Se señala que algunas redes de clientes son superficiales, por lo que el multi-echelon no era una preocupación. Pero para una aerolínea con un almacén central y estaciones remotas, el multi-echelon es importante; con suerte Baxter puede manejar eso si es necesario.

Para concluir, Baxter Planning ofrece un sistema de planificación de piezas de servicio bien redondeado, aunque tradicional. Es confiable, se enfoca en los compromisos entre costos y servicio, y automatiza muchas tareas. Puede que no tenga las características de IA más llamativas, pero tiene profundidad en funcionalidad práctica. Los ejecutivos de MRO deberían ver a Baxter como una solución de “manos seguras”: probablemente mejorará las cosas aplicando métodos probados. Solo tenga en cuenta que es posible que no avance a la vanguardia de la analítica; obtendrá un enfoque sólido, quizás algo conservador. Si su organización prefiere más control y transparencia (en lugar de una IA de caja negra), el estilo de Baxter podría ser preferible. Su punto de escepticismo: asegúrese de que el sistema no dependa demasiado de las entradas estáticas del usuario (por ejemplo, no debería requerirle mantener una tonelada de parámetros de piezas manualmente). Pregunte cómo se adapta al cambio (¿ajusta automáticamente los pronósticos en cada ciclo, aprende estacionalidad o tasas de uso, etc.?). Si todo está en orden, Baxter puede ofrecer beneficios constantes sin prometer milagros.

Smart Software (Smart IP&O) - Experto en Pronóstico de Demanda Intermitente en un Nicho

Smart Software es un proveedor más pequeño que se ha ganado una reputación por abordar una de las partes más difíciles del problema: pronosticar la demanda intermitente. Su solución, ahora ofrecida como una plataforma integrada llamada Smart IP&O (Planificación y Optimización de Inventario), se originó a partir de trabajos académicos sobre la mejora del método de Croston. De hecho, Smart Software introdujo un método de bootstrap patentado para el pronóstico de la demanda intermitente que ganó un premio de APICS ⁸. Este método está bien documentado en documentos técnicos y básicamente genera muchos escenarios de demanda sintéticos basados en el historial para crear una distribución completa de la demanda a lo largo del tiempo de espera ^{8 50}. El resultado es una curva de probabilidad de cuántas unidades podrían ser necesarias, en lugar de una suposición única. Con eso, puedes planificar niveles de stock casi óptimos para una probabilidad de servicio deseada.

Para el mantenimiento, reparación y revisión de aeronaves, donde más del 80% de las piezas pueden moverse lentamente con muchos ceros en la demanda ^{51 52}, la precisión en el pronóstico de Smart puede marcar la diferencia. Los métodos tradicionales de pronóstico (medias móviles, etc.) fallan miserablemente con este tipo de datos. El enfoque probabilístico de Smart maneja la naturaleza “irregular” no suavizándola, sino abrazándola. Puede modelar patrones extraños como “normalmente vemos 0, pero ocasionalmente 5 unidades en un pico” muy bien.

Los detalles tecnológicos de Smart son concretos y refrescantes: mencionan que no asumen ninguna distribución particular (por lo que no están forzando distribuciones normales o de Poisson a ciegas) y en su lugar utilizan datos empíricos para simular resultados ⁵³. Específicamente señalan que la demanda a menudo “no se ajusta a una simple distribución normal”, de ahí su enfoque de bootstrap ⁸. Luego producen la “distribución completa de la demanda acumulada durante todo el tiempo de espera de un artículo” ⁵⁴. Con esto, calcular el stock de seguridad para, por ejemplo, un nivel de servicio del 95%, es directo y preciso: simplemente el percentil 95 de esa distribución.

La solución de Smart Software va más allá del simple pronóstico; su plataforma IP&O incluye módulos de optimización de inventario y planificación de la demanda también. Sin embargo, el diferenciador principal sigue siendo la parte de pronóstico. Es probable que la parte de optimización utilice esas distribuciones de pronóstico para calcular puntos de reorden, cantidades de pedido, etc., para minimizar el stock mientras se alcanzan los objetivos de servicio. Es posible que sea menos sofisticado en la optimización de múltiples niveles o en cosas como bucles de partes reparables. Se podría integrar la salida de Smart en otro sistema para eso, o gestionar cada ubicación por separado en Smart (el enfoque histórico era de un solo nivel, pero podrían haber añadido funciones multiubicación en IP&O).

Una ventaja del tamaño y enfoque de Smart es que a menudo se integran con sistemas EAM/ERP populares en mantenimiento. Por ejemplo, enumeran integraciones con IBM Maximo, SAP, Oracle, etc. ⁵⁵. Esto sugiere que puedes añadir su motor de pronóstico a tu sistema existente relativamente fácilmente. Básicamente, usarías Smart para calcular parámetros de almacenamiento (como mínimo/máximo o stock de seguridad para cada pieza) y luego devolverías esos datos al ERP para ejecutarlos. Esto es un paradigma diferente a 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 un 10-20%” ⁵⁶. Estas cifras son razonables y menos bombásticas que algunas afirmaciones que vemos (y se alinean con mejoras típicas de un mejor pronóstico). Implica que anteriormente las empresas tenían un exceso de stock “por si acaso” o almacenaban artículos incorrectos; al optimizar, liberaron un 20% de inventario mientras mejoraban realmente el servicio. Aún así, ninguna fuente independiente confirma esos números exactos para cada caso, así que considéralo un promedio de historias de éxito. No está garantizado, pero es plausible si una empresa no tenía planificación probabilística antes.

Debido a que Smart es altamente especializado, la escepticismo a aplicar es: ¿puede manejar el alcance completo de las necesidades de MRO de aviación? Pronosticar y establecer niveles de stock es una cosa; pero ¿qué tal gestionar los tiempos de reparación, la agrupación de rotables o el reequilibrio dinámico del inventario entre bases? Smart IP&O podría no tener todas esas características incorporadas. Podría asumir un proceso bastante estándar donde el stock de cada ubicación se planifica para alcanzar un nivel de servicio objetivo y eso es todo. Puede que no optimice qué ubicaciones deben tener stock si tienes una red, al menos no al nivel que lo haría una herramienta de múltiples niveles. Además, probablemente no incorpore métricas de ingeniería de confiabilidad de manera explícita (a menos que alimentes esos datos en el historial de demanda de alguna manera).

Otra precaución es la automatización vs. la entrada del usuario: las herramientas de Smart calcularán números, pero el usuario a menudo tiene que decidir los objetivos de nivel de servicio (aunque afirman una “precisión cercana al 100%” por lo que tal vez apuntan a un alto nivel de servicio y optimizan el costo). Smart no te obliga a elegir un modelo de pronóstico para cada SKU; el algoritmo funciona automáticamente en los datos. Eso es bueno. Pero aún necesitas gestionar excepciones, por ejemplo, si una pieza está obsoleta, debes informar al sistema o ajustar el pronóstico 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 necesitas alimentarle datos (demanda histórica limpia, etc.) y luego tomar su salida e implementarla. Si una organización no está lista para confiar en los pronósticos generados o en los stocks de seguridad, podrían anularlos, reduciendo el beneficio. Las historias de éxito de Smart generalmente involucran a un equipo comprometido que utiliza plenamente 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 posiblemente de vanguardia en el pronóstico de demanda intermitente - incluso algunos proveedores más grandes podrían estar utilizando métodos menos avanzados en esa área específica. Si un MRO siente que su mayor problema es la precisión del pronóstico para miles de piezas esporádicas, Smart es una solución atractiva. Pero si el desafío más grande es optimizar a lo largo de una cadena de suministro de reparación compleja, Smart por sí solo podría no ser suficiente; podría ser una pieza de un rompecabezas más grande (quizás utilizado en conjunto con un ERP u otro sistema de planificación).

Para ejecutivos de MRO con enfoque tecnológico, vale la pena considerar Smart IP&O no como un reemplazo completo de los sistemas de planificación, sino como un “motor de pronóstico en una caja”. La escepticismo a mantener: asegúrate de que la organización pueda actuar sobre esos pronósticos (¿tienes procesos para ejecutar las recomendaciones de almacenamiento?), y cuestiona a Smart sobre cómo maneja cosas como la variabilidad del tiempo de entrega (se desempeñan bien en la variabilidad de la demanda; esperemos que también simulen los tiempos de entrega, o al menos permitan buffers de variabilidad). Además, aclara cómo se actualiza: si llegan nuevos datos que muestren un pico, ¿cómo reacciona rápidamente, y evita reaccionar en exceso? Dada su rigor académico, es probable que hayan pensado en esto, pero es bueno verificar.

Optimización de Inventario de MRO de IBM (Oniqua) - Soporte de Decisiones Basado en Datos

La Optimización de Inventario de MRO de IBM, que es esencialmente el producto que IBM adquirió de Oniqua en 2018, se posiciona como una plataforma analítica para industrias intensivas en activos como la minería, la energía, la fabricación y, sí, la aeroespacial. Oniqua era conocida por su enfoque intensivo en consultoría para optimizar los inventarios de MRO para empresas mineras, centrándose en minimizar el tiempo de inactividad y reducir el inventario. Como parte de IBM, la herramienta se ha incorporado a Maximo y a la suite de Cadena de Suministro de IBM, pero se puede utilizar de forma independiente.

IBM MRO IO se describe como “combinando análisis estadísticos, análisis prescriptivos, automatización y algoritmos de optimización” para mejorar los niveles de servicio y reducir costos ⁹. Lo que esto significa en la práctica: analiza tus datos de uso e inventario, identifica dónde tienes demasiado stock (exceso) y dónde estás en riesgo de faltantes de stock, y luego prescribe acciones como “reducir esto, aumentar aquello”. Es algo así como tener un analista inteligente revisando continuamente tus KPIs de inventario de MRO. El software incluye características como la puntuación de elementos (probablemente una puntuación de criticidad o riesgo) y colas de trabajo para los planificadores ¹⁰. Eso indica que generará una lista de acciones recomendadas para que el usuario las revise, una forma muy práctica de manejar miles de piezas.

En el lado de los pronósticos, IBM menciona explícitamente la “pronóstico de demanda intermitente” como una capacidad de MRO IO ¹⁰. Dada la experiencia de Oniqua, es probable que hayan empleado el método de Croston o una variante para pronosticar el 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 tiene en cuenta la criticidad, el tiempo de entrega y más al revisar los datos históricos para obtener información ⁵⁸. Esto sugiere una capa analítica basada en reglas: por ejemplo, podría resaltar que “la parte crítica X tiene un tiempo de entrega de 90 días, y no tienes stock de seguridad - alto riesgo”. El sistema podría entonces recomendar aumentar el stock de X, y a su vez señalar partes no críticas con demasiado inventario.

IBM también destaca resultados como “reducción del 50% en el tiempo de inactividad no planificado relacionado con las piezas” y “reducción del 40% en los costos de inventario” ⁵⁹. Estos son muy audaces y probablemente representan escenarios ideales. Deberíamos ser escépticos: una reducción del 50% en el tiempo de inactividad de una herramienta es enorme, eso probablemente asume que el tiempo de inactividad fue causado por la falta de piezas y que resolviste todos esos casos almacenando mejor. En una aerolínea bien administrada, el tiempo de inactividad causado por las piezas ya es pequeño (se esfuerzan por evitar AOG a toda costa). Por lo tanto, es posible que no se vea nada cercano al 50%. De manera similar, una reducción del 40% en los costos de inventario es enorme, posible solo si la empresa tenía mucho inventario para empezar (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). Por lo tanto, estos números deberían tomarse como valores atípicos o puntos de datos seleccionados por el marketing ⁵⁹.

Tecnológicamente, es probable que la herramienta de IBM tampoco utilice IA/ML llamativa, aparte quizás de algún reconocimiento de patrones en los datos de uso. IBM como empresa hace mucho con IA (Watson, etc.), pero no hay indicación de que ese nivel de IA esté incrustado aquí. Se utiliza el término “analítica predictiva y prescriptiva” ⁶⁰, que en la jerga analítica a menudo significa: predictiva = predecir lo que podría suceder (por ejemplo, predecir fallas futuras de piezas o consumo), prescriptiva = sugerir acciones (por ejemplo, ordenar esta pieza ahora, reducir ese pedido). Esas son valiosas, pero se pueden hacer con modelos estadísticos relativamente sencillos más reglas comerciales. De hecho, el enfoque heredado de Oniqua era bastante consultivo: establecían reglas y umbrales ajustados a 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 aumentar el stock). IBM probablemente ha productizado parte de esa lógica.

Un posible inconveniente para algunos: IBM MRO IO podría asumir que tienes un buen control sobre tus datos de mantenimiento y activos (ya que a menudo se vende con Maximo). Si un MRO de aviación no utiliza Maximo, aún 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.) será clave. La afirmación de que “elimina los requisitos previos de datos al ingerir datos tal como están” que vimos en un competidor (Verusen) no es algo que IBM afirme explícitamente: IBM sabe que la limpieza de datos es necesaria. Por lo tanto, espera una fase de preparación de datos.

La solución de IBM probablemente depende en cierta medida de la entrada del usuario para ciertas cosas: por ejemplo, uno debe clasificar las piezas por criticidad (sí/no) en el sistema, establecer tiempos de entrega, costos, etc. La optimización luego ocurre dentro de esos parámetros. Puede que no sepa automáticamente la criticidad de una pieza a menos que se la alimentes. Por lo tanto, es tan bueno como tu gobernanza de datos.

En términos de automatización, IBM IO automatiza el análisis, no necesariamente la ejecución. Te da una lista de tareas por hacer; el pedido real aún podría hacerse en tu ERP por tus planificadores. Esta automatización integrada es un poco menos integrada que, por ejemplo, una herramienta que crea directamente requisiciones de compra. Pero algunas empresas prefieren este enfoque de “humano en el ciclo” 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 trabaja a menudo). Pero nuevamente, es poco probable que sea “enchufar y usar”: IBM o un socio probablemente realizarán un proyecto bastante extenso para configurarlo según tus procesos de mantenimiento y cadena de suministro.

En resumen, la Optimización de Inventario MRO de IBM (Oniqua) es una solución analítica robusta que puede generar buenas mejoras, especialmente si actualmente careces de visibilidad sobre el rendimiento de tu inventario. Es fuerte en identificar ineficiencias obvias (excesos, posibles faltantes de stock) y optimizar lo más fácil. Maneja la demanda intermitente y la criticidad a través de métodos estadísticos y basados en reglas, aunque no necesariamente las técnicas de IA más recientes. Para un ejecutivo de MRO de aviación, esto podría ser una herramienta de mejora más incremental en lugar de un nuevo sistema de IA radical, lo cual podría ser perfectamente aceptable si necesitas establecer bases sólidas. Se debe aplicar escepticismo a las grandes afirmaciones de mejora: cuestiona a IBM sobre lo que realmente significan esos números y solicita referencias similares a tu operación. Además, asegúrate de que la forma de trabajar de la herramienta (paneles de análisis, etc.) se adapte a tu equipo, ya que podría requerir que tus planificadores adopten un flujo de trabajo más analítico. Si tu cultura está lista para eso, la solución de IBM puede impulsar sistemáticamente mejoras. Si esperabas una IA de caja negra que optimiza mágicamente todo sin supervisión, esto no es así (y francamente, eso aún no existe en una forma de enchufar y usar).

Soluciones Integradas de ERP (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 utilizar las capacidades del sistema existente 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 parcialmente disponible en SAP IBP (Integrated Business Planning), SPP fue co-desarrollado con grandes empresas industriales a mediados de la década de 2000. Incluye características como optimización de inventario de múltiples niveles, pronóstico (incluidos modelos específicos de demanda intermitente) y planificación de requisitos de distribución para repuestos. SAP SPP puede hacer mucho en teoría: tiene un método de pronóstico de Croston para la demanda intermitente (SAP incluso lo documenta como “Estrategia de Pronóstico 80” utilizando el suavizado exponencial de Croston para tamaño e intervalo) ¹². También tiene una variante actualizada de Croston (Croston-TSB) ⁶¹. Por lo tanto, SAP incorporó métodos académicos conocidos para la demanda irregular. También puede modelar transbordos laterales, tiene una funcionalidad integrada de superposición de piezas (intercambiabilidad de productos) y puede optimizar el stock en toda una red dadas las tasas de servicio o de cumplimiento. Caterpillar y Ford fueron influencias tempranas, y en un momento se afirmó que SAP SPP tenía funcionalidades muy avanzadas (algunos analistas creían que rivalizaba con las mejores herramientas de su clase) ⁶².

Sin embargo, la realidad en la aviación es que pocas aerolíneas o MROs adoptaron completamente SAP SPP a su potencial. Una razón es la complejidad y la experiencia requerida. Configurar SPP significa configurar muchos parámetros: uno debe asignar modelos de pronóstico a cada parte (Croston para verdaderamente intermitentes, tal vez promedio móvil para otros, etc.), mantener datos maestros como banderas de inicio/fin de fase y, crucialmente, decidir los niveles de servicio objetivo para cada parte o grupo. SAP SPP no decide inherentemente qué nivel de servicio necesitas, tú se lo dices. A menudo, las empresas usarían la clasificación ABC/XYZ para agrupar partes y luego asignar un objetivo de nivel de servicio por grupo. Este enfoque es definido por el usuario y no optimiza verdaderamente el compromiso. Esencialmente, es una entrada a la optimización. SAP luego calculará los requisitos de almacenamiento para alcanzar esas entradas con el stock mínimo (esa es la pieza de optimización, utilizando tal vez un solucionador MILP para stock multi-escalonado). Pero si esos objetivos están equivocados, los resultados no son óptimos económicamente a nivel global.

Otro desafío es que la IU y las alertas de SAP para SPP no eran particularmente amigables para el usuario en comparación con herramientas especializadas. Está integrado en el entorno de SAP, lo cual es bueno para TI pero quizás no tan bueno para la productividad del planificador. Muchos terminaron usando solo partes de él (como solo el pronóstico o solo la planificación de distribución, mientras gestionaban otras cosas en Excel).

En términos de estado del arte hoy en día, SAP SPP está algo congelado en el tiempo. El enfoque estratégico de SAP se trasladó a IBP, y IBP para repuestos aún está alcanzando en funcionalidades. Por ejemplo, algunas capacidades avanzadas de SPP no migraron inicialmente a IBP. Entonces, si un MRO de aviación está en SAP y considera utilizar su planificación integrada, podría descubrir que requiere mucha personalización (y posiblemente complementos de terceros) para satisfacer todas las necesidades. Por ejemplo, manejar BOMs de reparación aleatorios o pronosticar tasas de eliminación podría no ser algo estándar; uno podría tener que crear pronósticos personalizados basados en horas de vuelo o uso (algunos usuarios de SAP han preguntado sobre pronósticos a partir de controladores de base instalada en lugar de historial de consumo ⁶³ - indicando lagunas en la funcionalidad estándar para pronósticos específicos de MRO).

Oracle: La planificación de repuestos de servicio de Oracle (a menudo a través de la Suite de Negocios de Valor de la Cadena de Suministro de Oracle o como parte de Oracle Cloud SCM) proporciona funcionalidades básicas de línea de base de manera similar. Cubre pronósticos (probablemente ofreciendo modelos intermitentes de Croston u similares), optimización de inventario multi-escalonado e integración de ejecución. La fortaleza de Oracle podría estar en la integración con Oracle eAM (Gestión de Activos Empresariales) y su ERP, pero no ha sido destacado como líder en este dominio. Oracle ni siquiera participó en algunos estudios de referencia de repuestos de servicio ⁶⁴, lo que sugiere que no se está promocionando agresivamente. Probablemente funcione suficientemente si está configurado correctamente, pero al igual que SAP, se basa en métodos clásicos y en una preparación de datos intensiva. El enfoque de Oracle es típicamente determinista a menos que adquieras un paquete de optimización: puede hacer cosas como calcular un stock de seguridad basado en un nivel de confianza asumiendo una cierta distribución (a menudo normal o de Poisson). Pero esperar que el sistema de Oracle se ajuste automáticamente o utilice aprendizaje automático sería irrealista.

Problemas comunes (SAP/Oracle): Ambas soluciones ERP sufren del hecho de que el MRO de aviación no es talla única. Estos sistemas son genéricos, por lo que capturar algo como “parte de ir si se puede posponer la sustitución durante 30 días” no es un parámetro estándar que puedas activar y desactivar: tendrías que incorporar esa lógica manualmente (quizás diciendo que el nivel de servicio para esa parte puede ser un poco más bajo, etc.). La personalización para modelar verdaderamente el programa de mantenimiento de una aerolínea puede ser extensa. Por ejemplo, modelar BOMs de mantenimiento aleatorios en SAP podría implicar alimentar horarios de mantenimiento planificados como demandas dependientes y no planificadas 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 muchas configuraciones - como períodos de revisión, reglas de tamaño de lote, stocks de seguridad mínimos, etc., porque de lo contrario el sistema podría no comportarse como se desea. Cada una de esas configuraciones es una oportunidad para errores o elecciones subóptimas. Esta dependencia de la configuración manual del usuario es exactamente lo que soluciones más avanzadas intentan eliminar a través de la automatización.

Ventaja de integración: Si ya utiliza SAP u Oracle, el uso de su módulo significa que no hay una integración pesada de datos maestros, todo está en un solo sistema. Eso es una ventaja (sin latencia de datos, sin problemas de conciliación). Sin embargo, irónicamente, las empresas a menudo descubren que aún necesitan construir interfaces, por ejemplo, para extraer datos en una herramienta de pronóstico (como Smart) o un almacén de datos personalizado para hacer cosas que el módulo de su ERP no pudo hacer. Por lo tanto, la ventaja de integración puede ser anulada si la herramienta incorporada no está completamente a la altura de la tarea y la complementan con otras herramientas.

Desde un punto de vista escéptico, las afirmaciones de SAP y Oracle (cuando las hacen) suelen ser moderadas; no suelen mencionar grandes mejoras porcentuales públicamente a menudo, porque saben que depende de la implementación. La tecnología en estos sistemas es sólida pero no de vanguardia - son en gran medida métodos académicos de finales del siglo XX implementados en software. También carecen del auge de la IA/ML (a excepción de SAP que comienza a hablar sobre “MRP impulsado por la demanda con aprendizaje automático” en otros contextos, pero no específicamente en planificación de repuestos).

Para un ejecutivo de MRO, la conclusión es: si ya tiene estos sistemas, podría intentar aprovecharlos, pero esté preparado para un viaje posiblemente largo de ajustes y tal vez no alcanzar el nivel de rendimiento que podrían ofrecer las herramientas especializadas. Por otro lado, tienen un menor riesgo de proveedor (es SAP/Oracle, estarán presentes, y todo está en un solo sistema). Un estudio escéptico concluiría que si bien las soluciones de SAP y Oracle son relevantes, generalmente se quedan atrás de los proveedores especializados tanto en automatización como en sofisticación. Sirven como punto de referencia, y muchas aerolíneas que los utilizan eventualmente los complementan o reemplazan con una de las herramientas especializadas mencionadas anteriormente para optimizar verdaderamente su cadena de suministro de MRO.

Nuevos Participantes de IA Emergentes (por ejemplo, Verusen) - Palabras de Moda a 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 cadena de suministro. En el espacio de MRO, un ejemplo es Verusen, que se promociona como “La única plataforma de IA diseñada específicamente para optimizar inventario, gastos y riesgos para la cadena de suministro de MRO de fabricantes de activos intensivos” ⁶⁵. Esa afirmación audaz despierta de inmediato escepticismo: “la única plataforma de IA” es obviamente una hipérbole de marketing (como hemos visto, muchos jugadores establecidos también afirman tener IA en diferentes formas).

Según los materiales de Verusen, su enfoque se centra mucho en ingestión y limpieza de datos. Destacan cosas como “ingestión de datos tal como están de los sistemas ERP/EAM” y aplicar IA para identificar materiales duplicados y consolidar datos ⁶⁶. Esto aborda un problema real: los datos de MRO a menudo son caóticos (la misma pieza registrada bajo nombres ligeramente diferentes, etc.). Verusen utiliza aprendizaje automático (probablemente NLP y coincidencia de patrones) para racionalizar los datos maestros de materiales. Eso es valioso como precursor de la optimización: si sus datos son un desastre, ni siquiera el mejor algoritmo puede ayudar. Por lo tanto, Verusen parece concentrarse en construir una única fuente precisa de verdad para las piezas y luego encontrar oportunidades de optimización (como identificar excesos de stock en las plantas que podrían compartirse, o reducir el stock de seguridad donde hay exceso).

Donde Verusen y otros participantes similares son débiles es en la profundidad probada en algoritmos reales de pronóstico e inventario. Mencionan la IA de manera amplia pero no específica. Uno podría suponer que utilizan modelos de ML genéricos para pronosticar el uso (quizás alguna red neuronal que analiza el consumo y otros factores). Sin detalles, debemos ser cautelosos. En la cadena de suministro, muchas startups han intentado el pronóstico puro de ML y han descubierto que no supera fácilmente a los modelos estadísticos bien ajustados para la demanda intermitente (que es muy difícil de predecir para el ML estándar debido a tantos ceros).

Verusen también enfatiza ser basado en la nube y rápido de integrar, lo que implica una promesa de más “plug-and-play” que los proveedores más antiguos. Sin embargo, aquí emitimos una fuerte advertencia: No importa la plataforma, conectarse al ERP de una empresa y obtener todos los datos relevantes de MRO nunca es verdaderamente plug-and-play. Cada sistema ERP o MRO tiene campos personalizados, extensiones y los datos a menudo necesitan limpieza (partes duplicadas, tiempos de espera faltantes, etc.). La propuesta de Verusen de ingerir datos “tal como están” es interesante, sugiere que su IA puede trabajar a través del ruido. Quizás pueda agrupar elementos similares para revelar duplicados o estimar tiempos de espera faltantes a partir del contexto. Estas son características interesantes, pero un ejecutivo debería pedir pruebas de que la IA lo hace correctamente. No quieres que un algoritmo decida que dos números de parte son duplicados cuando en realidad son partes críticas diferentes.

La visión escéptica sobre los nuevos participantes de IA: traen ideas frescas y a menudo interfaces amigables para el usuario (UX moderna, paneles de control). Pueden resolver algunos problemas secundarios como la calidad de los datos y el análisis de “qué pasaría si” fácil. Pero a veces carecen del conocimiento del dominio ganado con esfuerzo que está integrado en las soluciones más antiguas. Una startup de IA podría no saber que “la parte ABC no es válida para el vuelo pero se puede posponer 3 días si es necesario” a menos que se lo indiques explícitamente; mientras que una herramienta específica del dominio podría tener esa lógica. Por lo tanto, se debe presionar a cualquier recién llegado de IA sobre cómo tienen en cuenta los requisitos específicos de la aviación: vida útil, restricciones de certificación, cumplimiento normativo (no puedes simplemente usar cualquier parte alternativa sin la documentación adecuada, etc.), entre otros.

Dicho esto, algunos nuevos jugadores 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 se debe verificar, no asumir.

Otros enfoques nuevos notables incluyen aprovechar IoT y datos de mantenimiento predictivo directamente para la planificación de inventario (algunas soluciones utilizan datos de sensores para predecir fallas de partes, luego vinculan eso con las necesidades de inventario). Esta área está evolucionando y a menudo ingresa a través de sistemas de predicción de mantenimiento en lugar de sistemas de inventario. Pero la convergencia está ocurriendo, por ejemplo, el software de mantenimiento predictivo de un fabricante de motores podría recomendar almacenar ciertos módulos en ciertas ubicaciones porque “ve” un mayor riesgo de falla. Los ejecutivos de MRO deben ser conscientes de que el panorama podría ver más integración vertical (OEMs que ofrecen servicios de extremo a extremo, incluida la optimización de inventario, utilizando sus datos sobre el equipo).

En esencia, hay que estar atentos a las startups que afirman tener IA/ML para MRO, podrían ofrecer una pieza del rompecabezas o incluso integrarse con una de las herramientas más grandes (por ejemplo, un AI de limpieza de datos que alimenta a un Lokad o Servigistics). Mantener el escepticismo sobre sus afirmaciones audaces hasta que puedan demostrar los resultados. A menudo, los nuevos proveedores pequeños tienen estudios de caso limitados y esos podrían ser proyectos piloto, no implementaciones completas.

También se debe considerar cómo estos nuevos sistemas coexistirán 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 decisiones para su auditoría (importante en el cumplimiento de 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 desafíos de optimización desafiantes de las piezas de repuesto de MRO de aviación. Ninguna solución es una bala de plata, y las promesas grandiosas siempre deben ser interrogadas con preguntas técnicas y pruebas piloto.

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

Un tema recurrente es el equilibrio entre automatización y control del usuario. Los sistemas altamente automatizados y basados en IA pueden manejar la escala y la complejidad (decenas de miles de P/N) pero pueden sentirse como una “caja negra”. Los sistemas más antiguos o manuales dan a los usuarios más palancas pero a costa de una complejidad abrumadora para catálogos grandes. Lo ideal parece ser un sistema que automatice el trabajo pesado (pronóstico, cálculo de stock óptimo) pero que proporcione transparencia y capacidad de anulación para los planificadores en casos excepcionales. Al evaluar proveedores, los ejecutivos de MRO deberían preguntar: ¿El sistema se adapta automáticamente a los cambios en la demanda/tiempo de espera, o requiere que ajuste la configuración? Si un proveedor te presiona para mantener muchas reglas de min/máx o clasificación, eso es una señal de una tecnología más débil (o al menos, que no utiliza la tecnología completamente).

Desconfía mucho de cualquier proveedor que promocione la “integración plug-and-play” en tus sistemas de MRO. Los paisajes de TI de MRO de aviación son heterogéneos, ya sea que uses AMOS, TRAX, Ultramain, Maximo, SAP o algo hecho a medida, integrar una herramienta de optimización requerirá mapear campos de datos y probablemente limpiar datos. Un proveedor que afirme que puede implementar en semanas con un esfuerzo mínimo de TI probablemente esté subestimando el trabajo o asumiendo un alcance muy limitado. Es sabio asignar tiempo para la integración y las pruebas, e involucrar a tu personal de TI desde el principio para verificar esas afirmaciones.

Otro indicio a tener en cuenta es la dependencia de estudios de casos o informes de analistas que parecen demasiado buenos para ser verdad. Muchos estudios de casos no mencionan los desafíos o la línea de base. Por ejemplo, “se redujo el inventario en un 30%” puede sonar genial, pero si la empresa originalmente no tenía un sistema de planificación, entonces el 30% podría lograrse con cualquier mejora decente en el proceso. Del mismo modo, “el nivel de servicio mejoró al 99%” podría significar que tenían un exceso de stock. Siempre profundiza: solicita las métricas 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 proporcionan detalles o metodologías de ingeniería específicos, es una buena señal. Significa que tienen métodos concretos en lugar de solo palabrería. Por ejemplo, Smart Software explicando abiertamente su método de arranque ⁸, o Lokad discutiendo la programación diferenciable, muestra sustancia. Los proveedores que simplemente lanzan “IA/ML” sin explicar cómo se aplica al problema probablemente esperan que los compradores no lo cuestionen, pero tú definitivamente deberías hacerlo. Haz que expliquen, por ejemplo, cómo su aprendizaje automático maneja una pieza que tiene cero uso la mayoría de los meses y luego una necesidad repentina: ¿qué entradas utiliza el ML? Si responden con jerga y sin claridad, sé cauteloso. Si pueden articular, por ejemplo, “agrupamos partes similares y utilizamos un modelo bayesiano que combina las horas operativas de la flota con las eliminaciones 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 variabilidad de demanda salvaje y faltantes de stock, prioriza a los proveedores con pronósticos probabilísticos probados (Lokad, ToolsGroup, Smart, Syncron en cierta medida). Si tu problema es inventario excesivo y falta de visibilidad, una herramienta de análisis prescriptivo (IBM/Oniqua o Baxter) podría ser suficiente para reducir la grasa.
• 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 simple podría ser operado por un equipo reducido pero es posible que no exprima cada centavo de optimización.
• Planifica el trabajo de datos e integración: Sea cual sea el software, invierte en limpiar los maestros de partes, los datos de uso y establecer interfaces. Es menos atractivo que la IA, pero es fundamental.
• Pilota y verifica: Ejecuta un piloto en un subconjunto de partes o una ubicación. Observa si los algoritmos sofisticados del proveedor realmente producen recomendaciones sensatas (por ejemplo, ¿sin stock de una parte crítica? o ¿gran stock de algo barato?). Verifica su optimización simulando escenarios. Un buen proveedor trabajará contigo en esto; uno inestable evitará demasiada escrutinio.

El problema de inventario de MRO de aviación a menudo se describe como “desafiante de manera desquiciante” ⁶⁷ – de hecho lo es. Pero las herramientas de hoy están surgiendo para enfrentar ese desafío. Al cortar a través de la exageración 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 de costos. Solo recuerda el lema del escéptico: en Dios confiamos, todos los demás – traigan datos. Cada proveedor debería poder 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 el éxito real en el mundo real en tu cadena de suministro.

Notas al pie