L'optimisation MRO en Aviation, Février 2025

Dernière modification: February 2nd, 2025

Introduction

Les supply chains de Maintenance, Réparation et Révision (MRO) en aviation gèrent une complexité extrême. Les compagnies aériennes et les fournisseurs MRO gèrent d’importants stocks de pièces à longue traîne avec une demande intermittente et sporadique et des délais de livraison ainsi que des prix très variables. Les défaillances imprévisibles et les BOMs aléatoires pour les réparations font que l’utilisation peut soudainement augmenter sans avertissement. Les pièces ont souvent des cycles de vie stricts (par exemple, un nombre maximal de cycles ou d’heures de vol) et des classifications de criticité (« no-go » pour les pièces immobilisant l’avion versus « go-if » ou éléments reportables). Ces facteurs rendent les décisions de prévision et d’optimisation des stocks notoirement difficiles – un équilibre délicat entre éviter les incidents AOG (avions immobilisés) et minimiser les excès de stocks.

De multiples éditeurs de logiciels prétendent résoudre ces défis grâce à des outils d’optimisation spécialisés. Cette étude propose une analyse approfondie et sceptique des principales solutions « d’optimisation MRO en aviation ». Nous évaluerons de manière critique la technologie de chaque éditeur : fournissent-ils vraiment des capacités de pointe telles que la prévision probabiliste (pour la demande et les délais de livraison), l’optimisation économique (maximisation du rapport qualité-prix dans les décisions de stocks) et une automatisation élevée pour gérer des dizaines ou des centaines de milliers de références ? Les affirmations marketing vantant des améliorations « pilotées par AI/ML » – telles que des réductions spectaculaires des stocks ou des hausses de taux de service – seront examinées pour leur substance. Nous recherchons spécifiquement des preuves d’une ingénierie avancée (ou de son absence) derrière ces revendications, et si les outils s’appuient sur une analyse automatisée ou sur des paramètres définis par l’utilisateur fastidieux. Enfin, nous considérons les réalités d’intégration dans le paysage informatique complexe du MRO en aviation, remettant en question toute affirmation de solution « plug-and-play ».

L’objectif est de donner aux responsables MRO, dotés d’une sensibilité technologique, une vue d’ensemble sans fioritures et détaillée des offres du marché – séparant l’innovation authentique des simples mots à la mode.

Classement des éditeurs (Résumé)

1. Lokad – Prévision probabiliste et automatisation de premier plan pour l’aviation. Lokad se distingue grâce à une technologie de pointe telle que la prévision probabiliste de la demande et des délais de livraison ainsi que la programmation différentiable, développées spécifiquement au travers d’années de R&D dans l’aviation ¹. Il met l’accent sur l’optimisation économique (coût vs. service) et une configuration manuelle minimale, faisant de lui un précurseur pour une planification des stocks MRO véritablement à la pointe.

2. PTC Servigistics – Suite héritée complète avec des améliorations modernes. Servigistics offre l’ensemble de fonctionnalités le plus étendu (optimisation multi-échelons, prévision avancée, intégration IoT) et est largement utilisé dans l’aérospatiale & la défense ². Il applique l’« AI/ML » en interne et gère des scénarios complexes, bien que certains algorithmes remontent à des décennies de développement. Très puissant, mais sa complexité peut nécessiter une configuration plus lourde et une dépendance à une mise en place experte. 3. Syncron – Spécialiste des pièces de service avec des capacités d’AI croissantes. La plateforme cloud de Syncron est dédiée à la planification des pièces de service pour les fabricants et désormais pour l’aérospatiale. Elle mise sur l’AI, le machine learning et des simulations avancées pour gérer des schémas de demande intermittente et complexes ³. Des fonctionnalités probabilistes émergent, et elle se concentre sur l’optimisation de stocks économique, bien que la profondeur des spécificités de l’aviation soit encore en évolution (forte historiquement dans l’après-vente OEM). 4. ToolsGroup (SO99+) – Modélisation stochastique éprouvée, mais discours « AI » vieillissant. ToolsGroup a été le pionnier de la prévision de la demande intermittente et de l’optimisation multi-échelons des stocks ⁴. Ses modèles probabilistes gèrent efficacement la « longue traîne » des pièces de rechange. Toutefois, les affirmations d’être « propulsé par AI » semblent exagérées – des analyses suggèrent que sa technologie repose en grande partie sur des statistiques traditionnelles (modèles d’avant 2000) avec quelques mises à jour ⁵. Néanmoins, elle offre une automatisation solide pour la planification des pièces à grande échelle. 5. Armac Systems (RIOsys) – Optimiseur spécialisé en aviation pour appareils rotatifs et pièces de rechange. Armac (appartenant à SR Technics) est un leader de niche spécifiquement pour les stocks des compagnies aériennes/MRO. Son outil RIOsys calcule des niveaux de stock optimaux pour les appareils rotatifs et les consommables même en cas de demande non planifiée (aléatoire) et au sein de réseaux multi-sites ⁶. Il intègre une expertise opérationnelle (par exemple, des données de fiabilité) dans le modèle et affine continuellement ses recommandations. Sa force spécifique au domaine est élevée, bien que l’entreprise soit plus modeste et que les détails techniques (AI/ML) soient moins mis en avant publiquement. 6. Baxter Planning (Prophet by Baxter) – Fondamentaux de la planification des pièces de service avec une focalisation sur le coût. La solution de Baxter couvre la prévision, la planification des stocks et le réapprovisionnement automatisé. Elle utilise une approche d’« Optimisation du Coût Total » qui prend en compte la criticité des pièces, la localisation et l’urgence client pour équilibrer service et coût ⁷. C’est un outil solide et pragmatique (plus de 20 ans d’expérience dans les pièces de service), bien qu’il repose davantage sur des méthodes de prévision traditionnelles et des paramètres définis par l’utilisateur que sur une véritable automatisation pilotée par AI. 7. Smart Software (Smart IP&O) – Moteur avancé de prévision de la demande intermittente. Smart Software est reconnu pour sa prévision probabiliste des pièces de rechange, utilisant une méthode de bootstrapping brevetée ⁸. Il génère des milliers de scénarios de demande pour capturer la variabilité, fournissant ainsi une distribution complète et précise de la demande sur les délais de livraison. Cela aboutit à des niveaux de stock optimisés pour les pièces intermittentes. Cependant, l’accent de Smart est mis sur la prévision et le calcul des stocks de sécurité ; c’est une solution plus restreinte (souvent en complément d’un ERP) plutôt qu’une plateforme MRO complète de bout en bout. L’intégration et l’effort utilisateur pour agir sur ses prévisions restent nécessaires. 8. IBM (MRO Inventory Optimization, formerly Oniqua) – Focalisation sur l’analytique avec intensité d’actifs dans l’industrie. Le MRO IO d’IBM (acquis auprès d’Oniqua) est une plateforme cloud qui combine analyse statistique, analytique prescriptive et optimisation pour les pièces de maintenance ⁹. Il traite la demande intermittente grâce à une prévision intégrée et des recommandations basées sur la criticité, dans le but de minimiser les temps d’arrêt ¹⁰. L’outil excelle à identifier les excès par rapport aux pénuries et à guider les planificateurs via des « scores » et des files de travail. Bien qu’il utilise une certaine automatisation, son approche s’oriente davantage vers des tableaux de bord de soutien à la décision – nécessitant que les utilisateurs examinent les insights (par exemple en fonction de la criticité ou du délai) et interviennent ¹¹. Sa technologie est solide mais discrète – davantage axée sur l’analytique poussée que sur une « magie AI », et requiert souvent un nettoyage significatif des données (une spécialité d’IBM) ainsi qu’un important travail d’intégration. 9. SAP Service Parts Planning (SPP) – Module performant nécessitant une configuration lourde. La solution de planification des pièces de rechange de SAP (faisant partie de SAP SCM/APO, maintenant en transition vers IBP) offre une optimisation multi-échelons des stocks et supporte des méthodes comme celle de Croston pour la demande intermittente ¹². En théorie, elle peut gérer la complexité à l’échelle de l’aviation, et certains grands OEM ont participé à façonner ses fonctionnalités. En pratique, SAP SPP requiert des paramètres définis par l’utilisateur étendus (sélection des modèles de prévision, cibles de classes de service, etc.) et une personnalisation significative pour s’adapter aux besoins de l’aviation. Elle est généralement moins automatisée – les planificateurs doivent configurer les paramètres (par exemple, les codes de cycle de vie, les chaînes de substitution, min/max) plutôt que le système ne s’auto-apprenne. En tant qu’option intégrée à un ERP, elle est fiable mais se trouve à la traîne en matière d’innovation algorithmique. 10. Oracle Spares Management – Planification basique des pièces de rechange au sein d’Oracle ERP. Oracle propose un module de pièces de service (dans E-Business Suite et Cloud SCM) couvrant la prévision de la demande, la planification des niveaux de stocks, etc. ¹³. Il inclut des techniques standard pour la demande intermittente et l’optimisation des commandes à travers un réseau. Comme SAP, il tend à reposer sur des configurations fondées sur des règles et des entrées utilisateur – par exemple, les planificateurs définissent des stratégies de prévision (Croston, lissage exponentiel) et des politiques de stocks. La solution d’Oracle accomplit sa tâche pour certains, mais nous n’avons trouvé aucune preuve d’AI de pointe ou d’optimisation probabiliste ; elle se trouve généralement un échelon en dessous des éditeurs spécialisés.

Next, we delve into detailed analysis of each vendor’s technology, capabilities, and claims, highlighting where they shine and where skepticism is warranted.

Ensuite, nous approfondissons l’analyse de la technologie, des capacités et des revendications de chaque éditeur, en mettant en lumière leurs atouts et les aspects qui méritent d’être abordés avec scepticisme.

Lokad – Prévision probabiliste de la Supply Chain Quantitative pour Aviation

Lokad est un nouvel entrant (fondé dans les années 2010) qui s’est concentré de manière agressive sur l’optimisation aerospace & MRO comme spécialité principale. Son approche est résolument pilotée par la data science. La plateforme de Lokad repose sur la prévision probabiliste et ce qu’ils appellent « optimisation prédictive ». Plutôt que de prévoir une demande ponctuelle, Lokad modélise l’intégralité de la distribution de probabilité de la demande, des délais de livraison et même des taux de rebut des pièces ¹. Cela est crucial face à l’incertitude élevée en aviation : par exemple, une pièce peut en général durer 5 000 heures mais parfois échouer bien plus tôt – un modèle probabiliste capture ce risque. Lokad calcule ensuite des politiques de stocks qui minimisent le coût total (coûts de détention, coûts de rupture, pénalités AOG) compte tenu de ces incertitudes.

Un aspect remarquable de la technologie de Lokad est la programmation différentiable ¹. Cela signifie essentiellement qu’ils utilisent des techniques issues du machine learning pour « apprendre » à partir de schémas complexes de données de supply chain. Par exemple, les plannings de maintenance, les courbes de fiabilité (MTBUR – Mean Time Between Unscheduled Removal), les temps de cycle de réparation, etc., peuvent être intégrés dans un modèle similaire à un réseau de neurones plutôt que dans des règles fixes. Lokad affirme que cela permet d’extraire automatiquement des motifs des données que les formules codées en dur traditionnelles pourraient manquer ¹. C’est un concept novateur dans le domaine de la supply chain, et bien qu’il soit difficile à vérifier de l’extérieur, il témoigne d’une ingénierie sérieuse au-delà des mots à la mode.

Il est important de noter que Lokad fournit des détails d’ingénierie sur son approche – un changement rafraîchissant par rapport aux affirmations vagues concernant l’AI. Dans un communiqué de presse avec Revima (un MRO APU/Train d’Atterrissage), ils mentionnent explicitement la prévision probabiliste de la demande, des délais de livraison et des taux de rebut, combinée à la programmation différentiable pour modéliser des processus de réparation complexes ^{1 1}. Ce sont des techniques concrètes, et non de simples arguments marketing. Le fait que le CEO de Lokad soit un blogueur actif sur les mathématiques de la supply chain ajoute à sa crédibilité (ils critiquent fréquemment les méthodes traditionnelles et publient même des comparaisons).

Du point de vue de l’automatisation, la solution de Lokad est hautement automatisée une fois les données en place. Elle est fournie sous la forme d’un logiciel accompagné de services (« Supply Chain as Code ») : leur équipe aide à configurer un modèle d’optimisation personnalisé en utilisant leur langage de script (Envision). Par la suite, le système ingère continuellement des données (par exemple, les transactions quotidiennes de pièces, les retraits, etc.) et régénère les recommandations de niveaux de stocks, les bons de commande, la priorisation des ordres de réparation, etc., avec une intervention manuelle minimale. Elle est conçue pour gérer des dizaines ou des centaines de milliers de numéros de pièces en laissant les algorithmes calculer des politiques optimales pour chacun, plutôt que de forcer les planificateurs à paramétrer des milliers de réglages min/max. Un responsable MRO dans l’aviation confirme « Lokad a fourni les bons outils et le soutien nécessaire pour… réduire l’incertitude en intégrant une approche probabiliste, » atteignant des objectifs exigeants de taux de remplissage avec un risque réduit ¹⁴.

Lokad est également franc quant à l’intégration : il ne propose pas une solution purement « plug-and-play », reconnaissant que les données en aviation sont souvent désordonnées. Au contraire, il exploite toutes les sources de données disponibles, même si elles sont imparfaites. Par exemple, il peut utiliser les métriques de fiabilité fournies par l’OEM (MTBUR) et les données historiques de retraits de l’opérateur, en leur attribuant un poids en fonction de leur capacité prédictive pour chaque pièce ^{15 16}. Ce niveau de nuance – utiliser plusieurs sources de données pour trianguler – témoigne d’une compréhension avancée des spécificités de l’aviation (par exemple, utiliser les données OEM lorsque les données en service font défaut, et inversement).

Point de vue sceptique : Les affirmations de Lokad sont généralement étayées par des preuves (études de cas avec Air France KLM, Revima, etc., et blogs techniques détaillés). Il convient toutefois de poser des questions pointues : par exemple, dans quelle mesure un MRO typique peut-il adopter la solution de Lokad sans une équipe de data scientists ? Lokad travaille généralement en étroite collaboration avec ses clients via ses propres experts, ce qui est excellent pour obtenir des résultats, mais pourrait être perçu initialement comme un modèle fortement dépendant du conseil plutôt que comme un pur logiciel. De plus, bien que les modèles probabilistes soient idéaux pour la demande intermittente, leur précision dépend de la qualité des données – entrées médiocres, sorties sophistiquées médiocres restent un risque. Les résultats de Lokad, tels que « stocks réduits de 60% » dans un cas ¹⁷, devraient être accueillis avec un scepticisme sain – ces résultats pourraient être exceptionnels ou mesurés par rapport à une base très faible. Néanmoins, parmi les éditeurs, Lokad semble repousser les limites en matière de science moderne de la prévision et de l’optimisation. Il ne repose pas sur les utilisateurs pour définir des cibles arbitraires de taux de service ou des classes ABC ; au contraire, il automatise les décisions en calculant les compromis économiques pour chaque pièce. Ce niveau d’automatisation et de rigueur probabiliste en fait un choix de premier plan pour ceux qui sont prêts à adopter une solution plus récente.

PTC Servigistics – Champion Poids Lourd avec une Technologie Actualisée

Servigistics est le vétéran dans ce domaine – son héritage remonte à des pionniers de l’industrie (Xelus, MCA Solutions) qui ont été regroupés sous Servigistics, puis acquis par PTC en 2012 ¹⁸. C’est de loin le logiciel de gestion des pièces de service (SPM) le plus déployé parmi les grandes organisations de l’aérospatiale & de la défense. Qantas, Boeing, Lockheed Martin, l’Armée de l’air américaine – autant de noms qui figurent souvent parmi les utilisateurs de Servigistics ¹⁹. Du point de vue des capacités, Servigistics répertorie pratiquement toutes les fonctions qu’une équipe logistique MRO ou d’après-vente pourrait souhaiter : la prévision de la demande spécialisée pour une demande à faibles volumes et sporadique, l’optimisation multi-échelons des stocks (positionnement des stocks sur, par exemple, un entrepôt central, des bases avancées, un atelier de réparation, etc.), la planification des achats multi-sources, les décisions d’achat ou de réparation, et même un module intégré de tarification des pièces ²⁰. Notamment, PTC a également étendu Servigistics via une intégration IoT – en utilisant leur plateforme ThingWorx pour alimenter en données d’équipements connectés (par exemple, les données d’utilisation ou de capteurs provenant d’avions/moteurs) afin de prédire les défaillances des pièces à durée de vie limitée et de planifier proactivement leur remplacement ^{21 22}. Cela commence à répondre au problème des « BOMs aléatoires » en prévoyant les retraits de pièces sur la base d’une surveillance effective de leur état, et non uniquement sur des statistiques historiques.

Servigistics affirme intégrer une data science moderne : “forecasting, optimization, and analytics modules take advantage of AI, machine learning, and big data” ²³. Cependant, les détails sur la manière exacte dont l’AI/ML est utilisé sont rares dans les documents publics. Étant donné la longue histoire de l’outil, il est probable qu’une grande partie du moteur de prévision repose encore sur des méthodes statistiques classiques (la méthode de Croston, des variantes de lissage exponentiel pour une demande intermittente, peut-être l’estimation bayésienne pour une faible demande) qui ont été améliorées de manière incrémentale. La mention de travailler avec des universitaires comme le Dr John Muckstadt suggère l’utilisation de modèles analytiques éprouvés pour l’optimisation multi-échelons ²⁴. Les algorithmes de Muckstadt (tirés de son livre “Service Parts Management”) sont plus orientés vers la research opérationnelle (optimisation mathématique) que vers le machine learning – ce qui est acceptable, souvent optimal pour ces problèmes. Le “AI/ML” pourrait n’être qu’une surcouche récente – utilisant possiblement le machine learning pour la détection d’anomalies dans la demande ou la classification des pièces (par exemple, le regroupement de schémas de demande similaires), plutôt que pour la prévision fondamentale. Il faut rester quelque peu sceptique quant au fait que Servigistics soit soudainement devenu une plateforme “AI” ; il s’agit plus précisément d’une plateforme OR (Operations Research) très sophistiquée avec quelques nouvelles fonctionnalités activées par l’AI en périphérie.

Prévision probabiliste : Servigistics le fait-il ? Historiquement, il pouvait produire une distribution de la demande pour chaque pièce (par exemple, via bootstrapping ou un ajustement prédéfini de distribution statistique) afin de calculer des stocks de sécurité optimaux. L’optimisation multi-échelons requiert intrinsèquement des entrées probabilistes (pour calculer les probabilités de rupture de stock à différents emplacements). La documentation de PTC fait référence aux “types of probability distributions utilized” dans les décisions de stock ²⁵, ce qui implique que le système prend en compte plus qu’une simple prévision moyenne. On peut raisonnablement supposer qu’il effectue une certaine forme de prévision probabiliste ou du moins une simulation de scénarios pour une demande sporadique (MCA Solutions, l’un de ses prédécesseurs, était connu pour la simulation Monte Carlo dans la planification). La différence avec une approche moderne réside dans le fait que ces distributions soient apprises automatiquement ou sélectionnées via des règles. Dans Servigistics, un planificateur définit généralement pour chaque pièce une méthode de prévision (ou le système sélectionne automatiquement parmi un ensemble de méthodes) puis choisit des cibles de taux de service. Il existe de nombreuses possibilités de politiques définies par l’utilisateur – par exemple, les planificateurs peuvent segmenter les pièces par criticité ou valeur et attribuer différents objectifs de taux de remplissage (le système dispose d’une riche capacité de segmentation) ²⁶. Si ce n’est pas entièrement automatisé, cela pourrait constituer une faiblesse : l’outil peut optimiser une fois que vous fournissez ces paramètres, mais déterminer quel taux de service chacune des dizaines de milliers de pièces devrait avoir est souvent laissé au jugement de l’utilisateur ou à des règles simples (comme “95 % pour les pièces à ne pas considérer, 80 % pour celles à considérer”). Des solutions véritablement optimales calculeraient ces compromis de manière dynamique. On ne sait pas si Servigistics dispose d’une “optimisation du taux de service” automatisée qui, par exemple, maximise la disponibilité globale pour un budget donné – il est probable qu’il le puisse, mais de nombreux utilisateurs pourraient ne pas utiliser ce mode en raison de sa complexité.

Servigistics aborde également les aspects du cycle de vie des pièces et de la boucle de réparation. Pour les rotables (pièces réparables), il peut planifier le pipeline de réparation et prendre en compte les temps de rotation ainsi que les rendements. La nouvelle extension “Connected Forecasting” prévoit explicitement le retrait de pièces telles que les Life Limited Parts (LLPs) en fonction de leur durée de vie restante et des données d’utilisation ²⁷ – une capacité très importante dans l’aviation où l’on sait qu’une pièce devra être remplacée après X cycles. Cela aide à atténuer la demande erratique en injectant dans la prévision quelques signaux déterministes (par exemple, des retraits planifiés).

Concernant l’intégration : PTC s’est associé à de grands fournisseurs ERP MRO tels qu’IFS et Trax pour intégrer Servigistics ²⁸. Néanmoins, intégrer un outil aussi complet au système de maintenance d’une compagnie aérienne représente un projet majeur (souvent de 6 à 12 mois ou plus). Toutes les affirmations de “plug-and-play” émises par le service commercial doivent être prises avec des pincettes. En réalité, il faut mapper des dizaines de champs de données (données d’installation, catalogues de pièces, nomenclatures pour les tâches de maintenance, données de cycle de réparation, etc.) et souvent nettoyer la qualité des données. Servigistics dispose probablement d’adaptateurs standards pour des systèmes tels que SAP ou Oracle, mais le travail sur mesure demeure la norme – comme c’est le cas pour toute solution d’entreprise.

Points clés de scepticisme : Servigistics est extrêmement puissant, mais est-il facile d’en tirer de la valeur ? De nombreuses installations héritées se retrouvent sous-exploitées, utilisant seulement des fonctionnalités basiques (comme une planification à échelon unique avec des stocks de sécurité définis) car l’optimisation complète peut être accablante sans utilisateurs experts. Il convient d’interroger un fournisseur sur le degré d’automatisation réel du système en pratique – par exemple, détecte-t-il automatiquement une variation de la variabilité des délais et ajuste-t-il les points de commande, ou faut-il qu’un planificateur intervienne ? La présence de nombreux “paramètres de planification” suggère qu’un grand nombre d’ajustements est possible ²⁹, ce qui peut être positif ou négatif. Par exemple, Servigistics permet de passer outre le EOQ calculé ou d’imposer certaines périodes de prévision ²⁹, ce qui laisse supposer que les calculs standards ne sont pas toujours entièrement fiables aux yeux des utilisateurs.

En résumé, Servigistics est l’option la plus riche en fonctionnalités et a évolué pour inclure des éléments modernes (données IoT, un peu d’AI). Il offre des capacités de pointe, mais le fait qu’il fournisse des solutions de pointe dépend de l’exécution – un domaine qui mérite la plus grande prudence. Pour un MRO disposant des ressources nécessaires pour l’implémenter pleinement, il peut offrir d’excellentes performances (une disponibilité des pièces de 94 % chez Qantas a été rapportée ³⁰). Mais les opérations de moindre envergure pourraient le trouver trop lourd. Ses affirmations marketing (leader dans chaque rapport d’analyste, etc.) sont typiques et en partie vraies compte tenu de sa part de marché, mais les acheteurs potentiels devraient regarder au-delà des louanges et s’assurer qu’ils disposent de la maturité des processus nécessaire pour exploiter cet outil puissant mais complexe.

Syncron – Planification des pièces de service cloud-native avec des promesses d’AI

Syncron est un autre acteur majeur, venu d’un angle différent – il a débuté avec les pièces de rechange après-vente pour fabricants (notamment dans l’automobile et les machines industrielles) et s’est étendu ces dernières années dans l’aérospatiale/défense. La proposition de valeur de Syncron repose sur le fait d’être une plateforme cloud conçue spécialement pour les pièces de service, combinant plusieurs modules (optimisation de stocks, optimisation de prix, et même un module de prévision d’uptime basé sur l’IoT) ^{31 32}. Dans le contexte du MRO en aviation, Syncron gagne en popularité – par exemple, ATR (le constructeur régional d’avions) a récemment choisi Syncron pour la gestion des stocks à travers le support global de sa flotte ^{33 3}.

Techniquement, Syncron fait la promotion de l’utilisation de AI, machine learning, et d’analyses avancées dans sa solution de planification des pièces ³. Concrètement, ils mentionnent que le logiciel “tracks demand trends and configures advanced simulations to plan and predict parts service needs” ³. Cela suggère que Syncron utilise également une forme de simulation Monte Carlo ou de planification probabiliste – générant probablement des scénarios de demande et d’offre pour optimiser les stocks. Dans un IDC MarketScape, Syncron a été reconnu pour son “dynamic replenishment, probabilistic planning/forecasting” parmi ses points forts ³⁴, indiquant qu’il ne se contente pas d’utiliser des méthodes déterministes ou basées sur des règles. Contrairement à certains outils plus anciens, le fait que Syncron soit cloud-native signifie qu’il peut traiter de grands ensembles de données et exécuter des simulations étendues en arrière-plan sans que le client ait besoin de gérer l’infrastructure IT.

Un aspect notable de la philosophie de Syncron est la servitisation – aider les entreprises à considérer l’uptime comme un service. Concrètement, la plateforme Syncron relie la prévision des pièces de service aux entrées de gestion de service sur le terrain et aux signaux de maintenance prédictive IoT (via leur module Uptime™). Pour l’aviation, cela pourrait signifier l’utilisation des données de surveillance de la santé des avions pour anticiper la demande en pièces. C’est similaire, en concept, à ce que fait PTC avec ThingWorx, mais Syncron l’a intégré dans sa suite spécifiquement pour le service après-vente. Cette approche s’aligne sur des tendances telles que le power-by-the-hour en aviation, où la disponibilité est primordiale.

En termes d’optimisation, Syncron optimise les stocks en équilibrant la disponibilité et le coût. Ils affirment explicitement des améliorations telles qu’une augmentation de 12–17,5 % de la disponibilité des pièces et une réduction de 15 % du coût des stocks pour les clients ³⁵. Ces chiffres, comme toutes ces affirmations, doivent être pris avec précaution – ils pourraient provenir d’études de cas sélectionnées. Il y a peu de détails techniques publiquement disponibles sur les algorithmes derrière l’optimisation de Syncron. Cependant, on peut en déduire qu’ils utilisent une combinaison de modèles de prévision statistique, de machine learning pour la reconnaissance de motifs, et d’un certain heuristique ou solveur pour le stockage multi-échelons. Historiquement, Syncron Inventory était fort en optimisation des réseaux de distribution (pour les OEM disposant de réseaux de concessionnaires, etc.), si bien que l’optimisation multi-sites fait partie de son ADN.

Automatisation et effort utilisateur : Syncron automatise probablement de nombreuses tâches routinières – en tant que logiciel moderne, il a été conçu pour le cloud et pour être facile d’utilisation. Il sélectionne vraisemblablement automatiquement les modèles de prévision appropriés et les met à jour au fur et à mesure des évolutions des données, plutôt que d’attendre des utilisateurs qu’ils ajustent manuellement la méthode de prévision pour chaque SKU (un fléau des systèmes anciens). Cela dit, la base d’utilisateurs typique de Syncron (les fabricants) définit souvent encore des règles d’affaires – par exemple, classifier les pièces par cycle de vie ou par criticité afin d’appliquer des politiques différentes. Nous devrions vérifier si Syncron permet une optimisation totalement autonome. Il est mentionné que les modules de prix et de stocks de Syncron utilisent actuellement des bases de données distinctes nécessitant une intégration ³², ce qui laisse entrevoir quelques fondations héritées. Il se peut que l’interconnexion entre modules ne soit pas aussi fluide que vantée.

Une des forces sur lesquelles Syncron insiste est la gestion du cycle de vie des pièces : gérer l’introduction de nouvelles pièces, l’obsolescence, les remplacements. Dans l’aviation, où les pièces sont remplacées par des versions plus récentes ou par des alternatives PMA, cela est crucial. Syncron a déjà traité de problèmes similaires dans l’automobile (où les changements de modèle affectent la demande de pièces) – vraisemblablement, le système peut prévoir une décroissance de la demande pour les pièces anciennes et une montée en puissance pour les nouvelles, en s’appuyant sur des analogies ou des prévisions liées.

Vérification des affirmations : Syncron dispose relativement de moins de livres blancs techniques publics, de sorte qu’en partie, notre scepticisme repose sur le fait que nous devons nous fier à leurs affirmations et à quelques références. Le communiqué de presse d’ATR indique que la solution aidera à gérer l’instabilité de la supply chain et à faire évoluer les opérations ³⁶ – mais cela reste générique. L’affirmation technologique clé est la combinaison de AI/ML + simulation ³. Nous interrogerions Syncron : Fournissent-ils des preuves concrètes de modèles de ML en action ? Par exemple, utilisent-ils des réseaux neuronaux pour détecter les causes de la demande (comme les taux d’utilisation ou les pannes) ou se contentent-ils de méthodes de séries temporelles ? De plus, s’ils évoquent “AI”, s’agit-il simplement d’une étiquette pour leurs modèles statistiques ou de techniques véritablement nouvelles ? Sans plus de détails, nous restons prudents.

Cependant, contrairement à certains concurrents, Syncron ne s’appuie pas sur des architectures anciennes – il s’agit d’une plateforme du XXIe siècle, conçue de A à Z. Cela signifie probablement une meilleure interface utilisateur et possiblement un déploiement plus rapide (leur intégration à l’ERP utilise des API modernes, et ils se chargent souvent des tâches les plus lourdes pour les clients). Toutefois, le “plug-and-play” est irréaliste : l’implémentation chez ATR, par exemple, a probablement nécessité de mapper Syncron aux systèmes SAP et de maintenance personnalisés d’ATR. L’équipe de Syncron a travaillé activement avec ATR pour adapter des améliorations aux “unique demands” de l’aviation ³⁷ – ce qui implique qu’en l’état standard, certaines exigences spécifiques à l’aviation n’étaient pas satisfaites tant que la collaboration n’avait pas eu lieu. Cela est à la fois positif (le fournisseur est prêt à s’adapter) et source de prudence (le produit n’était pas initialement entièrement prêt pour toutes les complexités de l’aviation).

En résumé, Syncron se dirige vers le state-of-the-art en intégrant des éléments probabilistes et d’AI, et il affiche une forte orientation vers l’automatisation. Il n’a peut-être pas encore l’expérience approfondie en aviation de Servigistics, mais il devient rapidement un concurrent de premier plan, comme en témoignent ses nouveaux clients dans l’aviation. Les dirigeants MRO devraient vérifier les affirmations de ML de Syncron (demander des précisions ou des démonstrations sur la manière dont il prévoit un numéro de pièce irrégulier) et s’assurer que toute amélioration promise en termes de stocks/service est étayée par des données – pas seulement par des moyennes sectorielles. Comme pour les autres, les pourcentages mirobolants (par exemple, “15% inventory cost reduction”) doivent être considérés comme des indications approximatives ; les résultats réels varieront en fonction du degré de désorganisation du processus initial. Dans l’ensemble, Syncron se positionne très favorablement grâce à son architecture moderne et son accent sur l’automatisation intelligente, tout en devant prouver sa technologie au-delà des mots à la mode.

ToolsGroup – Algorithmes puissants pour la demande intermittente, mais à quel point sont-ils “intelligents” ?

ToolsGroup est un fournisseur bien établi (fondé en 1993) connu pour son logiciel phare SO99+ (Service Optimizer 99+). Il possède une présence significative dans la planification des pièces de rechange sur le marché de l’après-vente dans divers secteurs – des pièces automobiles aux équipements industriels, et il a également été utilisé dans des contextes aérospatiaux/défense. La force principale de ToolsGroup a toujours été de traiter la “longue traîne” de la demande à l’aide de ce qu’ils appellent un modèle probabiliste. Ils soulignent que les outils traditionnels échouent face à la demande intermittente, tandis que ToolsGroup “solves the service parts planning problem with an exceptional ability to forecast intermittent demand and globally optimize multi-echelon inventory” ⁴.

La technologie derrière la prévision de ToolsGroup est en effet probabiliste. Historiquement, ils utilisaient une approche propriétaire où, au lieu de prévoir un seul chiffre, ils modélisaient la demande sous forme de distribution de probabilité pour chaque SKU. Cela pouvait être réalisé via une simulation Monte Carlo ou par un ajustement analytique d’une distribution (certaines sources indiquent que ToolsGroup pourrait utiliser une forme de bootstrapping ou une variation de la méthode de Croston combinée à une analyse de variabilité). Pour chaque pièce, compte tenu de la distribution de la demande et du délai d’approvisionnement, le logiciel calcule le stock requis pour atteindre un taux de service cible ou, inversement, le taux de service atteignable pour un budget de stock donné. Cette approche était quelque peu pionnière dans les années 1990/2000 lorsque la plupart des systèmes de planification utilisaient des méthodes simplistes. Elle permet de gérer les taux de service de manière très stricte, même pour des articles extrêmement à faible rotation. ToolsGroup a également introduit le concept de “planification guidée par le taux de service” où vous spécifiez le taux de service souhaité par SKU et l’outil détermine le stock nécessaire, plutôt que de laisser les planificateurs deviner le stock de sécurité.

Cependant, la critique moderne porte sur la question de savoir si ToolsGroup a véritablement innové au-delà de ses modèles antérieurs. La société se présente désormais comme “AI-powered” et évoque des termes tels que “demand sensing” et machine learning. Mais une étude de marché par Lokad souligne que les documents publics de ToolsGroup laissent encore transparaître d’anciennes techniques et notent même une incohérence : ToolsGroup a commencé à promouvoir des prévisions probabilistes tout en référant à des améliorations de MAPE (Mean Absolute Percentage Error), qui “ne s’applique pas aux prévisions probabilistes” ⁵. Cela suggère une petite couche de marketing – vous ne mesureriez pas l’erreur de prévision avec le MAPE si vous vous concentriez véritablement sur des prévisions de distribution. En d’autres termes, ToolsGroup pourrait encore produire principalement une seule prévision par article (pour les rapports commerciaux), en utilisant des idées probabilistes en coulisse pour les calculs de stocks.

Cela dit, les capacités de ToolsGroup sont solides. Il prend en charge l’optimisation multi-échelons, ce qui signifie qu’il peut recommander où stocker les pièces dans un réseau afin d’atteindre les objectifs de taux de service avec un stock minimal. Il peut également gérer le repositionnement des stocks et la réaffectation, ce qui est utile en MRO lorsque les pièces peuvent être déplacées entre bases ou régions. La solution de ToolsGroup est souvent intégrée aux ERPs comme SAP – certaines entreprises utilisent SO99+ en parallèle avec SAP pour contourner les limitations de la planification de SAP (ToolsGroup affirme même pouvoir étendre SAP APO avec des prévisions probabilistes ³⁸). Elle est généralement très automatisée : une fois configurée, les planificateurs se contentent de surveiller les exceptions. L’outil analysera des milliers de combinaisons SKU-localisation et ne signalera que les articles pour lesquels le taux de service pourrait chuter ou lorsqu’un pic de demande justifiant une intervention s’est produit.

Sur les spécificités du contexte MRO : ToolsGroup peut certainement modéliser une demande intermittente, mais prend-il en compte des éléments tels que la criticité des pièces ou leur cycle de vie ? ToolsGroup tend à être générique ; toutefois, les utilisateurs peuvent saisir différents objectifs de taux de service ou coûts pour différentes catégories de pièces. Il ne connaît peut-être pas nativement la criticité “go/no-go”, mais un client pourrait intégrer cela simplement en fixant un objectif de taux de service proche de 100 % pour les articles “no-go” et un objectif inférieur pour les autres. L’optimisation suit alors cette directive. De même, en ce qui concerne les cycles de vie, ToolsGroup ne dispose peut-être pas d’un module prêt à l’emploi pour prévoir en fonction de la durée de vie restante (comme le font Servigistics ou Syncron avec les données IoT), mais il est possible d’ajuster manuellement les prévisions pour les remplacements planifiés connus. C’est plus une boîte à outils qui peut être adaptée à divers besoins, plutôt qu’une solution spécifique à l’aviation.

Un point à surveiller concerne les résultats typiques revendiqués par ToolsGroup : par exemple, ils affirment que les clients réalisent une réduction de 20-50% des ventes perdues, une réduction de 10-30% des stocks et un taux de service de 95-99% ³⁹. Bien que ces fourchettes soient plausibles, elles sont larges et clairement motivées par le marketing. De telles améliorations proviennent probablement d’entreprises qui n’avaient pas de véritable optimisation auparavant – la mise en œuvre de n’importe quel outil décent permettrait d’obtenir de grands gains. Cela ne signifie pas nécessairement que ToolsGroup parvienne de manière unique à ces résultats par rapport à ses concurrents. Il n’existe souvent aucune étude indépendante permettant de vérifier ces pourcentages, si bien que nous restons sceptiques quant à les prendre pour argent comptant (l’absence de contexte, comme “par rapport à quel référentiel ?” ou “sur quelle durée ?”, est parlante).

Défini par l’utilisateur vs. automatisation : ToolsGroup est relativement automatisé en matière de prévisions, mais il permet beaucoup de configurations. Par exemple, les planificateurs peuvent choisir les objectifs de taux de service par article ou par groupe. Si une entreprise ne sait pas comment les définir, elle pourrait revenir aux anciennes habitudes (classification ABC, etc.), ce qui limiterait l’impact de la technologie. Idéalement, on utiliserait l’optimisation de ToolsGroup pour déterminer ces objectifs de manière optimale – je crois que ToolsGroup dispose de fonctionnalités telles que l’équilibre entre l’investissement en stocks et le service à travers le portefeuille, ce qui constitue une forme d’optimisation économique. Mais cela peut nécessiter l’utilisation de leurs services de conseil ou de fonctionnalités avancées pour être configuré correctement.

L’effort d’intégration pour ToolsGroup est modéré – ils nécessitent des flux d’historique d’utilisation, des nomenclatures, etc. Ce n’est pas vraiment du plug-and-play avec quelque chose comme AMOS ou Rusada (systèmes MRO courants), donc prévoyez un projet, bien que de nombreux connecteurs d’intégration existent compte tenu de la longue histoire de ToolsGroup.

En conclusion : ToolsGroup est une solution compétente et fiable pour l’optimisation des pièces de rechange. Elle se qualifie certainement comme state-of-the-art circa 2010, et tient encore bien la route. Mais en 2025, il convient de se demander dans quelle mesure elle a intégré les techniques plus récentes d’AI/ML. Les preuves disponibles suggèrent beaucoup de mots à la mode mais peu de méthodologies nouvelles concrètes publiées. Cela ne veut pas dire que cela ne fonctionne pas – ça fonctionne, mais l’étiquette “AI” pourrait simplement signifier qu’elle utilise des statistiques sophistiquées (ce qui est acceptable). Pour un cadre MRO, ToolsGroup pourrait constituer un choix à moindre risque (produit éprouvé, nombreux clients de référence). Sachez simplement que vous n’obtiendrez peut-être pas un système véritablement de nouvelle génération ; vous obtiendrez un très bon système traditionnel. Si la société vante l’“AI”, demandez-lui de préciser ce qui est exactement piloté par l’AI dans le produit et comment cela améliore leurs déjà bons modèles probabilistes. Assurez-vous également que votre équipe tirera pleinement parti de ses points forts (comme l’optimisation multi-échelons) et ne le réduira pas à un simple outil de planification.

Armac Systems (RIOsys) – Spécifique à l’aviation, optimisation des rotables et réparations

Armac Systems est unique dans cette liste puisqu’elle est née dans le monde de la MRO aéronautique spécifiquement. C’est un fournisseur plus petit (basé en Irlande, désormais détenu par SR Technics depuis la fin des années 2010 ⁴⁰) qui se concentre à 100% sur l’optimisation des stocks dans l’aviation. Le produit phare d’Armac, RIOsys (Rotable Inventory Optimization system), est conçu pour les compagnies aériennes et les MRO traitant à la fois des pièces de rechange consommables et des composants rotables de grande valeur.

Ce qui distingue Armac, c’est sa spécificité de domaine. Le logiciel est décrit comme “planification et optimisation des stocks spécifiques à l’aviation” visant à maximiser la disponibilité des pièces de rechange au coût économique le plus bas ⁶. Il reconnaît explicitement le scénario typique de l’aviation : “la demande non planifiée de pièces, la multitude de composants et les opérations multisites sont la norme” ⁴¹. L’outil aide à calculer les niveaux de stocks optimaux pour les pièces rotables et consommables, ce qui signifie qu’il peut déterminer non seulement combien acheter, mais aussi combien conserver en tant que pièces de rechange par rapport au pipeline de réparation, etc., afin de satisfaire aux objectifs de fiabilité de dispatch. Il mentionne également que les connaissances opérationnelles sont intégrées dans votre modèle de provisionnement et continuellement affinées ⁴². Cela suggère que le système apprend ou met à jour ses paramètres à mesure que davantage de données arrivent (par exemple, lorsque vous observez les taux réels de retrait des composants, il affine la prévision ou le stock recommandé pour ce composant).

Un aspect probable de l’approche d’Armac est l’utilisation de données d’ingénierie de la fiabilité. La maintenance aéronautique dispose de concepts tels que MTBF/MTBUR, les courbes de fiabilité et les taux de retrait par 1000 heures de vol. Armac utilise probablement ces données pour prédire la demande plutôt que de se limiter à une extrapolation des séries temporelles. Par exemple, si une compagnie aérienne exploite 100 A320 et qu’une certaine pompe a un MTBUR de 5000 heures de vol, vous pouvez prévoir approximativement combien de pannes par an sont à anticiper (avec une variabilité). Ceci est très spécifique à la MRO et diffère des prévisions, par exemple, de la vente de pièces de rechange aux clients. Le partenariat d’Armac avec le milieu académique et les “big data business intelligence techniques” ⁴⁰ implique qu’ils ont recherché et mis en œuvre des modèles adaptés à ce type de prévisions basées sur la fiabilité.

Armac répond également indirectement à la criticité “go/no-go” en se concentrant sur la fiabilité technique du dispatch. Dans une compagnie aérienne, la fiabilité de dispatch (le pourcentage de vols qui partent sans retard ni annulation pour cause de maintenance) est une métrique clé. La disponibilité des pièces de rechange, en particulier pour les articles no-go, est un facteur déterminant. Les études de cas d’Armac (comme Iberia) indiquent que l’objectif était d’améliorer la disponibilité des matériaux tout en réduisant les coûts ⁴³. Le CEO d’Armac a souligné l’amélioration de la disponibilité des pièces de rechange au coût économique le plus bas ⁴⁴. Ils réalisent donc clairement une optimisation économique : s’assurer que les pièces critiques sont toujours disponibles (pour éviter l’AOG) sans surstocker partout.

Une remarque intéressante : RIOsys d’Armac s’intègre aux ERPs existants (comme SAP) pour fournir une “couche supplémentaire d’intelligence” ⁴⁵. Cela montre qu’ils ne remplacent pas le système transactionnel, mais qu’ils le complètent – un thème commun dans les logiciels d’optimisation. L’intégration avec SAP était un argument commercial (ils ont obtenu la certification SAP, etc.), mais encore une fois, l’intégration demande du travail.

Armac fournit probablement une grande automatisation pour les planificateurs dans le sens où il génère des recommandations (par exemple, stocker cette pièce à la base X, déplacer ces unités excédentaires de la base Y vers Z, réparer ce nombre d’unités maintenant, etc.). Il dispose également probablement de tableaux de bord conviviaux mettant en évidence les surplus et les pénuries et aidant à prioriser les actions ⁴⁶. Ceci est crucial pour les petites équipes de planification – l’outil doit leur indiquer quoi faire dès aujourd’hui. L’utilisation d’Armac par Iberia aurait, selon les dires, aidé à “identifier les surplus et les pénuries, et à prioriser les activités quotidiennes” pour les planificateurs de stocks ⁴⁶. Cela indique un haut niveau de prise de décision guidée par le système – un signe d’une forte automatisation.

D’un point de vue sceptique, puisque Armac est plus petit et moins visible en marketing, il y a moins d’évaluations indépendantes disponibles. Cela semble très compétent pour l’aviation, mais utilise-t-il véritablement des algorithmes de pointe ? Ou son succès est-il principalement dû au fait d’être adapté (avec de nombreuses règles d’experts et modèles spécialement pour les compagnies aériennes) ? Par exemple, Armac pourrait utiliser des modèles statistiques assez standards mais préconfigurés avec les bons paramètres pour les scénarios aéronautiques directement prêts à l’emploi. Cela reste précieux, mais ce n’est pas “magique”. La mention de modèles continuously refined ⁴² laisse entendre qu’une forme de machine learning, ou au moins une calibration itérative, est en cours, ce qui est positif.

Une faiblesse potentielle pourrait être l’échelle et les ressources : en tant que fournisseur plus petit, Armac peut-il investir dans les dernières recherches en AI au même rythme que, par exemple, PTC ou Lokad ? Possiblement non, mais étant spécialisé, ils n’ont peut-être pas besoin d’un AI sophistiqué si leur solution ingénierie correspond déjà bien au domaine. De plus, le fait d’être détenu par SR Technics (un acteur majeur de la MRO) pourrait signifier qu’ils bénéficient de retours d’expérience approfondis sur le domaine, mais aussi que leur horizon pourrait être limité aux besoins de ce propriétaire.

Armac ne met pas en avant l’“AI” dans ses communiqués – ils utilisent des termes comme “planification des stocks intelligente de nouvelle génération” et “big data techniques” ⁴⁰, qui sont des mots à la mode mais pas très spécifiques. Il vaut la peine de demander des précisions à Armac : simulent-ils la variabilité des cycles de réparation ? Optimisent-ils à la fois le fill rate et l’utilisation des actifs ? Comment gèrent-ils l’obsolescence des pièces (le système alerte-t-il lorsqu’une pièce approche de sa fin de vie afin de ne pas surstocker) ? Étant donné leur niche, ils ont probablement des fonctionnalités pour la planification de fin de vie et l’optimisation du regroupement des rotables que d’autres pourraient ne pas mettre en avant.

L’intégration reste un défi : même avec une intégration SAP, toutes les compagnies aériennes n’utilisent pas de systèmes standards. Beaucoup utilisent des systèmes MRO spécialisés comme AMOS, Ultramain, etc. Armac devrait s’y adapter ou se fier à des exportations de données. Ce n’est pas du plug-and-play, mais leur équipe l’a probablement déjà fait pour des clients similaires.

En conclusion, RIOsys d’Armac Systems est un choix solide pour la MRO aéronautique spécifiquement, apportant probablement une grande valeur avec relativement peu de configuration si vous correspondez à leur profil type (compagnie aérienne avec plusieurs bases de maintenance, mélange de pièces rotables et de pièces de rechange consommables). Il peut être considéré comme state-of-the-art en termes d’alignement avec le domaine – il connaît intimement votre problème. Sur le plan technologique pur, il utilise probablement des analyses avancées (sinon de l’AI de pointe, du moins des algorithmes très spécialisés). Les cadres de la MRO qui évaluent Armac devraient vérifier que l’outil couvre bien tous les besoins modernes (demandez-lui peut-être s’ils utilisent la prévision probabiliste ou des solveurs d’optimisation, etc.). La solide expérience démontrée (des économies dans les “millions for aviation organizations” sont revendiquées ⁴⁰) confère de la crédibilité à Armac. Approchez leurs affirmations sur le ROI comme vous le feriez pour n’importe quel fournisseur – avec un esprit de “trust but verify” – et assurez-vous d’avoir le support informatique nécessaire pour l’intégrer dans votre environnement.

Baxter Planning (Prophet by Baxter) – Planification axée sur les coûts avec l’humain dans la boucle

Baxter Planning est un fournisseur établi dans la gestion des pièces de service, présent depuis les années 1990. Leur solution, souvent appelée Prophet, cible un large éventail d’industries (technologie, dispositifs médicaux, etc.) et inclut dans une certaine mesure le secteur MRO/aviation (bien que leur plus forte empreinte se trouve dans le secteur des pièces de service pour la technologie et le matériel de télécommunications). L’approche de Baxter est ancrée dans une expérience pratique de la planification – le fondateur était lui-même planificateur de pièces de service – si bien que le logiciel reflète des processus du monde réel. Cela signifie qu’il couvre la planification de bout en bout : prévision, optimisation de stocks, réapprovisionnement, planification des réparations, gestion du cycle de vie, gestion des excédents, etc., dans un seul système ⁷.

Un principe clé de la méthode de Baxter est “Total Cost Optimization” ⁴⁷. Ils considèrent explicitement le coût des pièces, leur emplacement et la criticité client/actif lors de la planification des stocks. En d’autres termes, leur moteur tente de minimiser le coût total des stocks tout en atteignant les objectifs de service. Par exemple, si une pièce est très chère et seulement légèrement critique, le système pourrait accepter un délai de livraison plus long (peut-être en comptant sur des commandes d’urgence) plutôt que de stocker beaucoup sur l’étagère. Inversement, pour une pièce no-go dans un site éloigné, Prophet pourrait recommander de stocker des pièces de rechange malgré une demande faible, car le coût d’une rupture de stock (AOG, temps d’arrêt) est trop élevé. Il s’agit d’une philosophie d’optimisation économique qui correspond à l’idée de “bang for buck” dans les décisions de stockage. Baxter mérite d’être crédité d’avoir intégré cette réflexion.

Cependant, la manière dont Baxter y parvient semble reposer sur de nombreux paramètres définis par l’utilisateur complétés par l’automatisation. Leur système permet aux planificateurs de saisir des attributs tels que la criticité des pièces, les engagements de support (SLA), et le logiciel optimisera dans le respect de ces contraintes. Mais réalise-t-il des prévisions probabilistes ? Ce n’est pas très clair d’après les informations publiques. Étant une solution plus ancienne, elle a probablement débuté avec des prévisions traditionnelles (moyennes mobiles, lissage exponentiel) et a peut-être ensuite ajouté la méthode de Croston ou le bootstrap pour la demande intermittente. Elle n’est peut-être pas aussi explicitement probabiliste que Lokad ou Smart. Au lieu de cela, Baxter pourrait optimiser les stocks par une analyse de scénarios ou des formules de taux de service.

Pour une demande intermittente, Baxter reconnaît définitivement le problème – leur documentation parlerait de pièces à faible rotation nécessitant un traitement spécial. La question est de savoir s’ils se fient au planificateur pour classifier ces pièces et choisir une méthode ou si le système s’adapte. Étant donné l’époque où il a été conçu, je soupçonne davantage le premier cas : le planificateur définit, par exemple, une méthode de prévision (peut-être que Prophet dispose d’un module de prévision de la demande intermittente utilisant une certaine technique), et ensuite le système s’en sert pour calculer les niveaux de stocks.

L’outil de Baxter met l’accent sur l’automatisation de l’exécution : des éléments tels que l’automatisation des commandes d’achat (génération automatique des POs, ordres de réparation) et le redéploiement (transférer l’excédent de stock là où il est nécessaire) figurent dans sa liste de fonctionnalités ⁴⁸. Ceci est crucial lorsqu’on gère des milliers de pièces – vous souhaitez que le système lance automatiquement les actions recommandées et n’implique les planificateurs qu’en cas d’exception. D’après la plupart des témoignages, Prophet peut gérer une grande échelle (des dizaines de milliers de pièces réparties sur de nombreux sites) car certains de leurs clients sont de grandes entreprises technologiques disposant de pièces de rechange déployées mondialement.

Un point à surveiller est que Baxter Planning a historiquement réalisé beaucoup de personnalisation par client. En tant que petite entreprise privée, ils ajustaient ou ajoutaient souvent des fonctionnalités pour répondre à des besoins spécifiques. Cela signifie que vos résultats peuvent varier – une entreprise pourrait utiliser l’optimisation min-max avancée de Baxter, une autre pourrait l’utiliser en mode min-max plus simple. C’est flexible, mais cette flexibilité indique également que, dès la sortie de la boîte, cela ne vous impose pas une « meilleure pratique » – cela vous offre simplement des outils.

Baxter ne fait pas de communication tapageuse autour de l’IA/ML. Ils sont plus discrets, ce qui peut être positif (moins de battage médiatique). Mais cela signifie aussi que si vous recherchez des prévisions à la pointe de la technologie, il faut se demander : suivent-ils les nouvelles méthodes ? Il est possible qu’ils aient intégré de nouveaux algorithmes dans des versions récentes, mais ceux-ci ne sont pas très bien publiés.

Étant donné la clientèle de Baxter, il se peut qu’ils n’aient pas autant de fonctionnalités spécifiques à l’aviation intégrées. Par exemple, gèrent-ils des limites d’utilisation strictes (lorsqu’une pièce est éliminée après X utilisations) ? Peut-être sous forme de champ personnalisé, mais on ne sait pas si l’optimisation en tient naturellement compte (au-delà de la prévision de la demande lors du remplacement). Ils gèrent toutefois les statuts de cycle de vie (pièces neuves, pièces en fin de vie) et peuvent réaliser une planification de dernier achat pour l’obsolescence, ce qui est pertinent en aviation lorsque les pièces ne sont plus en production.

En ce qui concerne les affirmations sur les résultats, Baxter a tendance à ne pas publier de pourcentages sensationnels. Ils se concentrent sur la manière dont ils aident les planificateurs à atteindre leurs objectifs, plutôt que sur « nous réduisons les stocks de X% ». Cela pourrait en réalité indiquer une approche réaliste : les améliorations existent, mais elles dépendent de l’utilisation que l’on fait de l’outil.

Intégration : Prophet de Baxter se place généralement aux côtés d’un système ERP/MRO. L’intégration est comparable à celle des autres – intégrant l’utilisation, les stocks, les nomenclatures, etc. Baxter dispose vraisemblablement de connecteurs préconçus pour les systèmes courants (ils mentionnent supporter des réseaux d’approvisionnement superficiels et l’intégration avec d’autres systèmes d’entreprise). Toutefois, nul ne doit s’attendre à une solution plug-and-play ; un certain travail informatique sera nécessaire.

En restant sceptique, il convient d’examiner si la solution de Baxter optimise vraiment ou s’il s’agit davantage d’un support à la décision qui laisse encore des choix critiques aux humains. Le fait que de nombreux clients de Baxter se concentrent sur l’optimisation des coûts des sites de stockage anticipé plutôt que sur le multi-échelon suggère que l’outil est souvent utilisé en mode plus simple (optimisant chaque site individuellement pour atteindre un objectif de coût). On note que les réseaux de certains clients sont superficiels, de sorte que le multi-échelon n’était pas une préoccupation. Mais pour une compagnie aérienne disposant d’un entrepôt central et de sites périphériques, le multi-échelon importe ; espérons que Baxter pourra y faire face si nécessaire.

Pour conclure, Baxter Planning propose un système de planification des pièces de service complet, quoique traditionnel. Il est fiable, axé sur l’équilibre entre les coûts et le service, et automatise de nombreuses tâches. Il n’a peut-être pas les fonctionnalités d’IA les plus tape-à-l’œil, mais il offre une profondeur fonctionnelle pratique. Les dirigeants MRO devraient considérer Baxter comme une solution « sûre » – susceptible d’améliorer les choses en appliquant des méthodes éprouvées. Sachez simplement que vous n’atteindrez peut-être pas le sommet de l’analytique ; vous obtiendrez une approche solide, peut-être quelque peu conservatrice. Si votre organisation préfère davantage de contrôle et de transparence (plutôt qu’une IA en boîte noire), le style de Baxter pourrait en réalité être préférable. Son point de scepticisme : assurez-vous que le système ne dépend pas trop d’entrées utilisateur statiques (par exemple, il ne devrait pas vous obliger à maintenir une multitude de paramètres de pièces manuellement). Demandez-lui comment il s’adapte au changement (se réajuste-t-il automatiquement aux prévisions à chaque cycle, apprend-il la saisonnalité ou les taux d’utilisation, etc. ?). Si tout est en ordre, Baxter peut offrir des avantages constants sans promettre des miracles excessifs.

Smart Software (Smart IP&O) – Expert de niche en prévision de la demande intermittente

Smart Software est un fournisseur plus petit qui s’est forgé une réputation en s’attaquant à l’un des aspects les plus difficiles du problème : la prévision de la demande intermittente. Leur solution, désormais proposée sous forme d’une plateforme intégrée appelée Smart IP&O (Inventory Planning & Optimization), est issue de travaux académiques visant à améliorer la méthode de Croston. En fait, Smart Software a introduit une méthode de bootstrapping brevetée pour la prévision de la demande intermittente qui a remporté un prix de l’APICS ⁸. Cette méthode est bien documentée dans des livres blancs et génère essentiellement de nombreux scénarios de demande synthétiques basés sur l’historique pour créer une distribution complète de la demande sur un délai de réapprovisionnement ^{8 49}. Le résultat est une courbe de probabilité indiquant combien d’unités pourraient être nécessaires, au lieu d’une simple estimation. Ainsi, vous pouvez planifier des niveaux de stocks presque optimaux pour un taux de service désiré.

Pour l’MRO aviation, où plus de 80 % des pièces peuvent être à faible rotation avec de nombreux zéros dans la demande ^{50 51}, la précision prévisionnelle de Smart peut changer la donne. La prévision traditionnelle (moyennes mobiles, etc.) échoue lamentablement sur de telles données. L’approche probabiliste de Smart gère la nature « irrégulière » en ne cherchant pas à la lisser, mais en l’acceptant. Elle peut modéliser avec efficacité des schémas inhabituels tels que « nous voyons généralement 0, mais occasionnellement 5 unités lors d’un pic ».

Les détails technologiques de Smart sont étonnamment concrets : ils indiquent ne pas supposer de distribution particulière (ils n’imposent donc pas aveuglément une distribution normale ou de Poisson) et utilisent plutôt des données empiriques pour simuler les résultats ⁵². Ils soulignent spécifiquement que la demande « ne se conforme pas à une simple distribution normale », d’où leur approche de bootstrapping ⁸. Ils produisent ensuite « l’intégralité de la distribution de la demande cumulée sur l’ensemble du délai de réapprovisionnement d’un article » ⁵³. Avec cela, calculer le stock de sécurité pour, disons, un taux de service de 95 % est simple et précis – il suffit de prendre le 95e percentile de cette distribution.

La solution de Smart Software va au-delà de la simple prévision ; leur plateforme IP&O comprend également des modules d’optimisation de stocks et de planification de la demande. Cependant, le facteur différenciateur principal reste la prévision. La partie optimisation utilise vraisemblablement ces distributions prévisionnelles pour calculer les points de commande, les quantités à commander, etc., afin de minimiser les stocks tout en atteignant les objectifs de service. Elle est peut-être moins sophistiquée au niveau de l’optimisation multi-échelons ou pour des boucles de pièces réparables. On pourrait intégrer la production de Smart dans un autre système à cet effet, ou gérer chaque site séparément dans Smart (le focus historique était sur une seule échelon, mais ils ont peut-être ajouté des fonctionnalités multi-sites dans IP&O).

Un avantage de la taille et de la spécialisation de Smart est qu’ils s’intègrent souvent aux systèmes EAM/ERP populaires dans la maintenance. Par exemple, ils répertorient des intégrations avec IBM Maximo, SAP, Oracle, etc. ⁵⁴. Cela suggère que vous pouvez ajouter facilement leur moteur de prévision à votre système existant. Essentiellement, vous utiliseriez Smart pour calculer des paramètres de stock (comme min/max ou stock de sécurité pour chaque pièce), puis les renvoyer dans l’ERP pour exécution. Il s’agit d’un paradigme différent de celui de remplacer entièrement votre système de planification.

À présent, en examinant leurs affirmations : Smart cite souvent que les entreprises utilisant leur solution « réduisent les stocks d’environ 20 % la première année et augmentent la disponibilité des pièces de 10-20 % » ⁵⁵. Ces affirmations sont raisonnables et moins sensationnalistes que d’autres (et elles correspondent aux améliorations typiques apportées par une meilleure prévision). Cela implique qu’auparavant, les entreprises constituaient soit des stocks excessifs « au cas où », soit stockaient les mauvais articles ; en optimisant, elles libéraient 20 % des stocks tout en améliorant réellement le service. Néanmoins, aucune source indépendante ne confirme ces chiffres exacts pour chaque cas – considérez-les comme une moyenne d’histoires de réussite. Ce n’est pas garanti, mais c’est plausible si une entreprise n’avait pas de planification probabiliste auparavant.

Parce que Smart est hautement spécialisé, le scepticisme à adopter est le suivant : peut-il gérer l’ensemble du périmètre des besoins MRO de l’aviation ? Prévoir et définir les niveaux de stock est une chose ; mais qu’en est-il de la gestion des délais de réparation, de la mutualisation des pièces réparables, ou du rééquilibrage dynamique des stocks entre les sites ? Smart IP&O n’intègre peut-être pas tous ces aspects sophistiqués. Il pourrait supposer un processus assez standard où le stock de chaque site est planifié pour atteindre un taux de service cible, et c’est tout. Il se peut également qu’il n’optimise pas quels sites devraient détenir des stocks si vous disposez d’un réseau – du moins pas au niveau d’un outil multi-échelons. En outre, il n’intègre probablement pas explicitement des métriques d’ingénierie de fiabilité (à moins que vous ne les intégriez dans l’historique de la demande d’une manière ou d’une autre).

Une autre mise en garde concerne l’automatisation contre l’entrée utilisateur : les outils de Smart vont calculer des chiffres, mais c’est souvent à l’utilisateur de décider des cibles de taux de service (bien qu’ils revendiquent une « précision proche de 100 % », indiquant peut-être qu’ils visent un service élevé tout en optimisant les coûts). Smart ne vous oblige pas à choisir un modèle de prévision pour chaque SKU ; l’algorithme fonctionne automatiquement sur les données. C’est bien. Mais vous devez tout de même gérer les exceptions – par exemple, si une pièce devient obsolète, vous devez informer le système ou ajuster la prévision manuellement. La technologie « Gen2 » qu’ils mentionnent ⁵⁶ pourrait inclure une identification plus automatique des facteurs causaux de la demande, mais les détails ne sont pas publics.

L’intégration (encore une fois) requiert des efforts. Smart fournit la science, mais vous devez lui fournir des données (une demande historique propre, etc.) et ensuite prendre ses résultats pour les mettre en œuvre. Si une organisation n’est pas prête à faire confiance aux prévisions générées ou aux stocks de sécurité, elle pourrait les remplacer, réduisant ainsi le bénéfice. Les succès de Smart impliquent généralement une équipe engagée qui utilise pleinement les recommandations de l’outil.

Dans l’ensemble, Smart Software est en quelque sorte un outil spécialisé qui peut renforcer la capacité de planification d’un MRO. Il est sans doute à la pointe de la prévision de la demande intermittente – même certains fournisseurs plus importants pourraient utiliser des méthodes moins avancées dans ce domaine spécifique. Si un MRO estime que son principal problème est la précision des prévisions pour des milliers de pièces sporadiques, Smart est une solution attrayante. Mais si le défi majeur est d’optimiser une supply chain de réparation complexe, Smart seul pourrait ne pas suffire ; il pourrait constituer une pièce d’un puzzle plus vaste (peut-être utilisé en conjonction avec un ERP ou un autre système de planification).

Pour les dirigeants MRO ayant une orientation technologique, il vaut la peine de considérer Smart IP&O non pas comme un remplacement complet des systèmes de planification, mais comme un « moteur de prévision tout-en-un ». Le scepticisme à entretenir est le suivant : assurez-vous que l’organisation peut agir sur ces prévisions (dispose-t-elle de processus pour exécuter les recommandations de stock ?), et interrogez Smart sur la manière dont il gère des aspects tels que la variabilité des délais (ils excellent en variabilité de la demande ; espérons qu’ils simulent aussi les délais, ou du moins permettent des marges de variabilité). Par ailleurs, clarifiez comment il se met à jour – si de nouvelles données montrent un pic, à quelle vitesse réagit-il, et évite-t-il de sur-réagir ? Étant donné leur rigueur académique, il y a de fortes chances qu’ils aient pris ces éléments en compte, mais il est bon de vérifier.

IBM MRO Optimisation de stocks (Oniqua) – Support à la décision piloté par les données

La solution IBM MRO Optimisation de stocks, qui est essentiellement le produit acquis par IBM auprès d’Oniqua en 2018, est présentée comme une plateforme d’analyse pour les industries à forte intensité d’actifs telles que l’exploitation minière, l’énergie, la fabrication et, oui, l’aérospatial. Oniqua était réputée pour son approche fortement axée sur le conseil afin d’optimiser les stocks MRO pour les entreprises minières, en se concentrant sur la minimisation des temps d’arrêt et la réduction des stocks. En tant que partie d’IBM, l’outil a été intégré dans Maximo et la suite Supply Chain d’IBM, mais peut être utilisé de manière autonome.

IBM MRO IO est décrit comme « combinant analyses statistiques, analytique prescriptive, automatisation et algorithmes d’optimisation » pour améliorer les taux de service et réduire les coûts ⁹. Ce que cela signifie en pratique : il analyse vos données d’utilisation et de stocks, identifie où vous avez trop de stock (excès) et où vous risquez des ruptures de stock, puis prescrit des actions telles que « réduire ceci, augmenter cela ». C’est un peu comme avoir un analyste intelligent qui examine en continu les indicateurs clés de vos stocks MRO. Le logiciel inclut des fonctionnalités telles que l’évaluation des articles (probablement un score de criticité ou de risque) et des files d’attente de travail pour les planificateurs ¹⁰. Cela indique qu’il générera une liste d’actions recommandées pour que l’utilisateur puisse les examiner – une approche très pratique pour gérer des milliers de pièces.

Sur le volet des prévisions, IBM mentionne explicitement la « prévision de la demande intermittente » comme une capacité de MRO IO ¹⁰. Étant donné l’expérience d’Oniqua, ils ont probablement utilisé la méthode de Croston ou une variante pour prévoir l’utilisation sporadique des pièces. Ce n’est peut-être pas aussi avancé que la méthode de bootstrapping de Smart, mais cela traite au moins de la nature intermittente. De plus, la solution d’IBM prend en compte la criticité, le délai, et plus encore lors de l’analyse des données historiques pour générer des insights ⁵⁷. Cela suggère une couche analytique basée sur des règles : par exemple, elle pourrait souligner que « la pièce critique X a un délai de 90 jours, et vous n’avez pas de stock de sécurité – risque élevé ». Le système pourrait alors recommander d’augmenter le stock de X, et inversement signaler les pièces non critiques présentant un excès de stock.

IBM vante également des résultats tels que « réduction de 50 % des temps d’arrêt imprévus liés aux pièces » et « réduction de 40 % des coûts de stock » ⁵⁸. Ces affirmations sont très audacieuses et représentent probablement des scénarios optimaux. Nous devons rester sceptiques : une réduction de 50 % des temps d’arrêt par un outil est énorme – cela suppose vraisemblablement que les temps d’arrêt étaient causés par l’indisponibilité de pièces et que tous ces cas étaient résolus grâce à une meilleure gestion des stocks. Dans une compagnie aérienne bien gérée, les temps d’arrêt dus aux pièces sont déjà faibles (elles se démènent pour éviter les situations AOG à tout prix). On ne verrait donc probablement rien d’approchant 50 %. De même, une réduction de 40 % des coûts de stock est considérable – possible uniquement si l’entreprise disposait initialement de trop de stock (ce qui est courant dans certaines industries lourdes accumulant des pièces de rechange, mais moins dans l’aviation commerciale qui essaie déjà d’optimiser en raison du coût élevé des pièces). Ces chiffres doivent donc être considérés comme des cas particuliers ou des données soigneusement sélectionnées à des fins marketing ⁵⁸.

Techniquement, l’outil d’IBM n’utilise probablement pas non plus d’IA/ML tape-à-l’œil, à part peut-être une certaine reconnaissance de motifs dans les données d’utilisation. IBM, en tant qu’entreprise, fait beaucoup avec l’IA (Watson, etc.), mais il n’y a aucune indication que ce niveau d’IA soit intégré ici. Le terme “predictive and prescriptive analytics” est utilisé ⁵⁹, ce qui dans le jargon analytique signifie souvent : predictive = prévoir ce qui pourrait se produire (par exemple, prévoir les défaillances futures d’une pièce ou la consommation), prescriptive = suggérer des actions (par exemple, commander cette pièce dès maintenant, réduire cette commande). Ceux-ci sont précieux, mais ils peuvent être réalisés avec des modèles statistiques relativement simples couplés à des règles d’affaires. En fait, l’approche historique d’Oniqua était assez consultative – ils mettaient en place des règles et des seuils ajustés à chaque client (par exemple, si une pièce n’a pas bougé depuis 5 ans, elle est en excès ; si une pièce a causé une rupture de stock l’année dernière, il serait peut-être judicieux d’augmenter le stock). IBM a probablement produit une version de cette logique.

Un inconvénient possible pour certains : IBM MRO IO pourrait supposer que vous maîtrisez bien vos données de maintenance et d’actifs (puisqu’il est souvent vendu avec Maximo). Si un MRO aéronautique n’utilise pas Maximo, il peut néanmoins utiliser MRO IO, mais l’intégration avec leurs systèmes et l’assurance de l’exactitude des données (hiérarchies des équipements, définitions d’actifs critiques, etc.) seront essentielles. L’affirmation selon laquelle il “élimine les prérequis de données en ingérant les données telles quelles” que nous avons vue chez un concurrent (Verusen) n’est pas quelque chose que IBM revendique explicitement – IBM sait que le nettoyage des données est nécessaire. Donc, prévoyez une phase de préparation des données.

L’outil d’IBM repose probablement quelque peu sur l’input des utilisateurs pour certaines choses : par exemple, il faut classifier les pièces selon leur criticité (go/no-go) dans le système, définir les délais, les coûts, etc. L’optimisation se fait ensuite dans ces paramètres. Il ne peut pas automatiquement connaître la criticité d’une pièce à moins que vous ne l’alimentiez. Ainsi, il est aussi bon que votre gouvernance des données.

En termes d’automatisation, IBM IO automatise l’analyse, mais pas forcément l’exécution. Il vous fournit une liste de tâches ; la commande proprement dite peut encore être effectuée dans votre ERP par vos planificateurs. Ceci constitue une automatisation un peu moins intégrée que, par exemple, un outil qui crée directement des demandes d’achat. Mais certaines entreprises préfèrent cette approche « human-in-the-loop » pour éviter que le système ne prenne des décisions étranges de lui-même.

Étant donné la puissance d’entreprise d’IBM, on peut être assuré que l’aspect intégration est bien supporté (en particulier pour le Maximo d’IBM ou SAP avec lequel IBM travaille souvent). Mais encore une fois, le « plug-and-play » est peu probable – IBM ou un partenaire effectuera probablement un projet assez étendu pour le configurer selon vos processus de maintenance et de supply chain.

Pour résumer, IBM MRO Inventory Optimization (Oniqua) est une solution analytique robuste qui peut engendrer de bonnes améliorations, surtout si vous manquez actuellement de visibilité sur la performance de vos stocks. Elle est performante pour identifier les inefficacités évidentes (excès, ruptures de stock potentielles) et optimiser les gains faciles. Elle gère la demande intermittente et la criticité grâce à des méthodes statistiques et basées sur des règles, bien qu’elle n’utilise pas nécessairement les techniques d’IA les plus récentes. Pour un cadre d’un MRO aéronautique, cela pourrait constituer un outil d’amélioration plus progressif plutôt qu’un nouveau système radical d’IA – ce qui peut être parfaitement acceptable si vous devez maîtriser les bases. Il convient d’appliquer un scepticisme aux grandes revendications d’amélioration : interrogez IBM sur la signification réelle de ces chiffres et demandez des références similaires à votre opération. Assurez-vous également que la manière de fonctionner de l’outil (tableaux de bord analytiques, etc.) convient à votre équipe – il se peut que vos planificateurs doivent adopter un flux de travail plus analytique. Si votre culture est prête à cela, la solution d’IBM peut conduire systématiquement à des améliorations. Si vous attendiez une IA boîte noire qui optimise tout magiquement sans supervision, ce n’est pas le cas (et franchement, cela n’existe pas encore sous une forme plug-and-play).

ERP Integrated Solutions (SAP SPP and Oracle) – Outils intégrés avec limitations

Il vaut la peine de discuter des options des principaux fournisseurs ERP car ils sont “pertinents” surtout pour les organisations qui essaient d’exploiter les capacités de leurs systèmes existants avant d’acheter des logiciels spécialisés. SAP Service Parts Planning (SPP) et les modules de pièces de rechange d’Oracle sont les principaux.

SAP SPP: Fait partie de la suite APO (Advanced Planning & Optimization) de SAP et est désormais partiellement disponible dans SAP IBP (Integrated Business Planning), SPP a été co-développé avec de grandes entreprises industrielles au milieu des années 2000. Il inclut des fonctionnalités telles que l’optimisation de stocks multi-échelons, la prévision (y compris des modèles spécifiques de demande intermittente) et la planification des besoins de distribution pour les pièces de rechange. SAP SPP peut théoriquement faire beaucoup : il dispose d’une méthode de prévision de Croston pour la demande intermittente (SAP la documente même comme “Forecast Strategy 80” en utilisant le lissage exponentiel de Croston pour la taille et l’intervalle) ¹². Il possède également une variante mise à jour de Croston (Croston-TSB) ⁶⁰. Ainsi, SAP a intégré des méthodes académiques reconnues pour la demande irrégulière. Il peut également modéliser les transbordements latéraux, dispose d’une fonctionnalité intégrée de substitution de pièces (interchangeabilité des produits), et peut optimiser les stocks à travers un réseau compte tenu des taux de service ou des fill rates. Caterpillar et Ford ont été des influenceurs précoces, et à un moment donné, il était affirmé que SAP SPP avait des fonctionnalités très avancées (certains analystes pensaient qu’il rivalisait avec les outils spécialisés de premier plan) ⁶¹.

Cependant, la réalité dans l’aviation est que peu de compagnies aériennes ou de MRO ont pleinement exploité le potentiel de SAP SPP. Une raison est la complexité et l’expertise requise. Configurer SPP signifie paramétrer de nombreux paramètres : il faut attribuer des modèles de prévision à chaque pièce (Croston pour de la demande véritablement intermittente, peut-être une moyenne mobile pour d’autres, etc.), maintenir des données de référence comme les indicateurs phase-in/phase-out, et, de manière cruciale, décider des taux de service cibles pour chaque pièce ou groupe. SAP SPP ne décide pas intrinsèquement du taux de service dont vous avez besoin – c’est vous qui le déterminez. Souvent, les entreprises utilisaient la classification ABC/XYZ pour regrouper les pièces puis assigner un taux de service cible par groupe. Cette approche est définie par l’utilisateur et n’optimise pas véritablement le compromis. C’est essentiellement une donnée d’entrée pour l’optimisation. SAP calculera ensuite les besoins en stocks pour atteindre ces données d’entrée avec un stock minimal (c’est la partie optimisation, utilisant peut-être un solveur MILP pour le stock multi-échelons). Mais si ces cibles sont erronées, les résultats ne sont pas économiquement optimaux à l’échelle globale.

Un autre défi est que l’interface utilisateur et les alertes de SAP pour SPP n’étaient pas particulièrement conviviales par rapport aux outils spécialisés. Elle est intégrée dans l’environnement SAP, ce qui est bon pour l’informatique mais peut-être pas idéal pour la productivité des planificateurs. Beaucoup ont fini par n’en utiliser que certaines parties (comme uniquement la prévision ou uniquement la planification de distribution, tout en gérant d’autres choses dans Excel).

En termes de dernier cri aujourd’hui, SAP SPP est quelque peu figé dans le temps. L’accent stratégique de SAP s’est déplacé vers IBP, et IBP pour les pièces de rechange est encore en train de rattraper son retard en termes de fonctionnalités. Par exemple, certaines capacités avancées de SPP n’ont pas initialement migré vers IBP. Ainsi, si un MRO aéronautique utilise SAP et envisage d’utiliser leur planification intégrée, il pourrait constater qu’il nécessite beaucoup de personnalisations (et éventuellement des modules complémentaires tiers) pour répondre à tous les besoins. Par exemple, la gestion des nomenclatures de réparation aléatoires ou la prévision des taux de retrait ne peuvent pas être utilisées telles quelles ; il pourrait être nécessaire de créer une prévision personnalisée basée sur les heures de vol ou l’utilisation (certains utilisateurs de SAP ont demandé à obtenir des prévisions à partir des indicateurs de la base installée plutôt que de l’historique de consommation ⁶² – indiquant des lacunes dans les fonctionnalités standard pour la prévision spécifique aux MRO).

Oracle: La planification des pièces de rechange d’Oracle (souvent via la Value Chain Planning de l’Oracle E-Business Suite ou dans le cadre d’Oracle Cloud SCM) fournit de manière similaire des fonctionnalités de base. Elle couvre la prévision (vraisemblablement en offrant Croston ou des modèles intermittents similaires également), l’optimisation de stocks multi-échelons, et l’intégration d’exécution. La force d’Oracle pourrait résider dans l’intégration avec Oracle eAM (Enterprise Asset Management) et son ERP, mais il n’a pas été mis en avant en tant que leader dans ce domaine. Oracle n’a même pas participé à certaines études de référence sur les pièces de rechange ⁶³, ce qui suggère qu’il n’est pas activement promu. Il fonctionne probablement de manière satisfaisante s’il est bien configuré, mais comme SAP, il repose sur des méthodes classiques et une préparation lourde des données. L’approche d’Oracle est généralement déterministe à moins de souscrire à un pack d’optimisation – il peut faire des calculs comme déterminer un stock de sécurité basé sur un niveau de confiance en supposant une certaine répartition (souvent normale ou de Poisson). Mais s’attendre à ce que le système d’Oracle s’auto-ajuste ou utilise le machine learning serait irréaliste.

Problèmes courants (SAP/Oracle) : Les deux solutions ERP souffrent du fait que le MRO aéronautique n’est pas universel. Ces systèmes sont génériques, donc pour capturer quelque chose comme « aller si la pièce peut différer son remplacement de 30 jours » ce n’est pas un paramètre standard à activer – il faudrait intégrer cette logique manuellement (par exemple en indiquant que le taux de service pour cette pièce peut être un peu plus bas, etc.). La personnalisation nécessaire pour modéliser véritablement le programme de maintenance d’une compagnie aérienne peut être étendue. Par exemple, modéliser des nomenclatures de maintenance aléatoires dans SAP pourrait impliquer d’alimenter des calendriers de maintenance planifiée en tant que demandes dépendantes et les imprévues comme des demandes statistiques, etc. C’est faisable, mais complexe.

De plus, surcharge des paramètres définis par l’utilisateur : dans SAP ou Oracle, les planificateurs pourraient devoir maintenir de nombreux paramètres – comme les périodes de révision, les règles de taille de lots, les stocks de sécurité minimum, etc., car sinon le système pourrait ne pas se comporter comme souhaité. Chacun de ces paramètres représente une occasion d’erreur ou de choix sous-optimaux. Cette dépendance à la configuration manuelle par l’utilisateur est exactement ce que les solutions plus avancées tentent d’éliminer via l’automatisation.

Avantage d’intégration : Si vous utilisez déjà SAP ou Oracle, utiliser leur module signifie qu’aucune intégration lourde des données de référence n’est nécessaire – tout est dans un seul système. C’est un avantage (pas de latence des données, pas de problèmes de réconciliation). Cependant, ironiquement, les entreprises constatent souvent qu’elles doivent encore construire des interfaces – par exemple, extraire des données vers un outil de prévision (comme Smart) ou un entrepôt de données personnalisé pour accomplir ce que le module de leur ERP ne pouvait pas faire. Ainsi, l’avantage d’intégration peut être annulé si l’outil intégré n’est pas entièrement à la hauteur de la tâche et qu’ils le complètent avec d’autres outils.

D’un point de vue sceptique, les revendications de SAP et Oracle (lorsqu’ils en font) sont généralement modestes ; ils n’annoncent pas souvent de grandes améliorations en pourcentage publiquement, car ils savent que cela dépend de la mise en œuvre. La technologie dans ces systèmes est solide mais pas de pointe – ce sont en grande partie des méthodes académiques de la fin du 20e siècle mises en œuvre dans le logiciel. Ils manquent également de l’effervescence autour de l’IA/ML (à part le fait que SAP commence à parler de “demand-driven MRP with machine learning” dans d’autres contextes, mais pas spécifiquement pour la planification des pièces de rechange).

Pour un cadre d’un MRO, la conclusion est la suivante : si vous possédez déjà ces systèmes, vous pourriez essayer de les exploiter, mais préparez-vous à un long parcours de réglages et peut-être à ne pas atteindre le niveau de performance que pourraient offrir des outils spécialisés. D’un autre côté, ils présentent un risque fournisseur moindre (c’est SAP/Oracle, ils seront là, et tout est dans un seul système). Une étude sceptique conclurait que bien que les solutions SAP et Oracle soient pertinentes, elles sont généralement à la traîne par rapport aux fournisseurs spécialisés tant en automatisation qu’en sophistication. Elles servent de référence de base, et de nombreuses compagnies aériennes les utilisant finissent par les compléter ou les remplacer par l’un des outils spécialisés mentionnés précédemment pour véritablement optimiser leur supply chain.

Emerging AI Entrants (e.g. Verusen) – Des buzzwords à la vérification de la réalité

Aucune étude de marché en 2025 ne serait complète sans mentionner la nouvelle vague de startups et de solutions propulsées par l’IA qui émergent pour l’optimisation de supply chain. Dans le domaine du MRO, un exemple est Verusen, qui se présente comme “The only AI platform purpose-built to optimize stocks, spend, and risk for asset-intensive manufacturers’ MRO supply chain” ⁶⁴. Cette affirmation audacieuse suscite immédiatement le scepticisme – “only AI platform” est évidemment une hyperbole marketing (comme nous l’avons vu, de nombreux acteurs établis revendiquent également l’IA sous différentes formes).

L’approche de Verusen, basée sur leurs documents, se concentre beaucoup sur l’ingestion et le nettoyage des données. Ils mettent en avant des éléments tels que “ingesting data as is from ERP/EAM systems” et l’application de l’IA pour identifier les matériaux dupliqués et consolider les données ⁶⁵. Cela répond à un problème réel : les données MRO sont souvent confuses (la même pièce étant enregistrée sous des noms légèrement différents, etc.). Verusen utilise le machine learning (probablement du NLP et de la correspondance de motifs) pour rationaliser les données de base des matériaux. C’est précieux en tant que précurseur de l’optimisation – si vos données sont un gâchis, même le meilleur algorithme ne peut pas aider. Ainsi, Verusen semble se concentrer sur la construction d’une source unique de vérité précise pour les pièces, puis sur la recherche d’opportunités d’optimisation (comme identifier un surstock dans différentes usines qui pourrait être partagé, ou réduire le stock de sécurité là où il y a un excès d’approvisionnement).

Ce qui manque à Verusen et aux entrants similaires, c’est une profondeur éprouvée dans la prévision réelle et les algorithmes d’optimisation des stocks. Ils mentionnent l’IA de manière générale mais sans détails. On pourrait supposer qu’ils utilisent des modèles ML génériques pour prévoir l’utilisation (peut-être un réseau de neurones qui examine la consommation et d’autres facteurs). Sans détails, nous devons être prudents. Dans la supply chain, de nombreuses startups ont essayé la prévision pure par ML et ont constaté que cela ne bat pas facilement les modèles statistiques bien ajustés pour la demande intermittente (ce qui est très difficile à prévoir pour un ML standard en raison du grand nombre de zéros).

Verusen met également l’accent sur le fait d’être basé sur le cloud et rapide à intégrer – impliquant une promesse de plus de « plug-and-play » que les fournisseurs plus anciens. Cependant, ici, nous émettons une mise en garde ferme : Peu importe la plateforme, connecter le système ERP d’une entreprise et obtenir toutes les données MRO pertinentes n’est jamais véritablement plug-and-play. Chaque ERP ou système MRO possède des champs personnalisés, des extensions, et les données nécessitent souvent un nettoyage (pièces dupliquées, délais non renseignés, etc.). La proposition de Verusen d’ingérer les données “as is” ⁶⁶ est intéressante – elle suggère que leur IA peut faire face au bruit. Peut-être peut-elle regrouper des éléments similaires pour révéler des duplicatas ou estimer les délais manquants à partir du contexte. Ce sont des fonctionnalités intéressantes, mais un cadre devrait demander une preuve que l’IA fonctionne correctement. Vous ne voulez pas qu’un algorithme décide que deux numéros de pièce sont des duplicatas alors qu’il s’agit en réalité de pièces critiques différentes.

The vue sceptique sur les nouveaux entrants en IA : ils apportent des idées nouvelles et souvent des interfaces conviviales (UX moderne, tableaux de bord). Ils peuvent résoudre certains problèmes accessoires tels que la qualité des données et l’analyse facile des scénarios “what-if”. Mais ils manquent parfois de la connaissance du domaine durement acquise intégrée dans les solutions plus anciennes. Une startup en IA pourrait ne pas savoir que « la pièce ABC n’est pas utilisable pour le vol mais peut être reportée de 3 jours si nécessaire » à moins que vous ne l’indiquiez explicitement ; alors qu’un outil spécifique au domaine pourrait intégrer cette logique. Ainsi, tout nouvel entrant en IA doit être interrogé sur la façon dont il prend en compte les exigences spécifiques à l’aviation : levage, contraintes de certification, conformité réglementaire (vous ne pouvez pas simplement utiliser une pièce alternative sans la documentation adéquate, etc.), entre autres.

Cela dit, certains nouveaux acteurs pourraient s’associer avec des experts du domaine ou embaucher d’anciens planificateurs MRO pour intégrer des règles. Il n’est pas impossible pour eux de rattraper leur retard, mais c’est quelque chose à vérifier, et non à supposer.

D’autres approches nouvelles notables incluent l’exploitation directe des données IoT et de maintenance prédictive pour la planification des stocks (certaines solutions utilisent des données de capteurs pour prédire les défaillances de pièces, puis relient cela aux besoins en stocks). Ce domaine est en évolution et intervient souvent via des systèmes de prédiction de maintenance plutôt que via des systèmes de stocks. Mais une convergence est en cours – par exemple, le logiciel de maintenance prédictive d’un fabricant de moteurs pourrait recommander de stocker certains modules à des emplacements précis parce qu’il « observe » un risque accru de défaillance. Les dirigeants MRO devraient être conscients que le paysage pourrait voir davantage d’intégration verticale (les OEM offrant un service de bout en bout incluant l’optimisation de stocks, en utilisant leurs données sur l’équipement).

En résumé, gardez un œil sur les startups prétendant utiliser l’IA/ML pour le MRO – elles pourraient offrir une pièce du puzzle ou même s’intégrer à l’un des outils les plus importants (par exemple, une IA de nettoyage des données alimentant un Lokad ou Servigistics). Restez sceptique quant à leurs déclarations audacieuses tant qu’elles ne peuvent pas démontrer leurs résultats. Souvent, les petits nouveaux fournisseurs présentent des études de cas limitées qui peuvent être de simples projets pilotes et non des déploiements complets.

Il faut également considérer comment ces nouveaux systèmes cohabiteront avec les processus étendus et les systèmes hérités dans l’aviation. Un outil d’IA tape-à-l’œil qui ne peut pas facilement exporter ses résultats vers votre ERP existant pour exécution, ou qui ne consigne pas les décisions pour audit (important pour la conformité en aviation), rencontrera des obstacles. Les dirigeants voudront s’assurer que tout tel outil peut s’intégrer dans le flux de travail (ce qui pourrait ironiquement nécessiter autant d’efforts d’intégration que n’importe quel autre logiciel).

Conclusion et Recommandations

Cette étude de marché sceptique révèle un écosystème de solutions, chacune tentant de résoudre les difficiles défis d’optimisation des pièces de rechange MRO en aviation. Aucune solution n’est une baguette magique, et les promesses ambitieuses doivent toujours être interrogées par des questions techniques et des essais pilotes.

Cependant, il existe des techniques de pointe disponibles : la prévision probabiliste, l’optimisation multi-échelons et l’IA/ML pour la reconnaissance de motifs peuvent améliorer significativement la performance si elles sont correctement mises en œuvre. Des fournisseurs tels que Lokad repoussent les limites de ces méthodes spécifiquement pour l’aviation, tandis que des géants comme PTC Servigistics et Syncron intègrent de nombreuses fonctionnalités avancées, quoique présentées dans un langage marketing plus opaque. ToolsGroup, Baxter, Smart et d’autres apportent de fortes compétences qui, si elles sont alignées avec les besoins de votre organisation, peuvent offrir d’importants avantages – à condition que vous ne les activiez pas simplement en espérant de la magie. La maturité des processus internes et la qualité des données restent cruciales.

Un thème récurrent est le compromis entre l’automatisation et le contrôle utilisateur. Des systèmes hautement automatisés pilotés par l’IA peuvent gérer l’échelle et la complexité (des dizaines de milliers de références) mais peuvent donner l’impression d’être une « boîte noire ». Les systèmes plus anciens ou manuels offrent davantage de leviers aux utilisateurs, mais au prix d’une complexité écrasante pour de grands catalogues. L’idéal semble être un système qui automatise les tâches ingrates (prévision, calcul du stock optimal) tout en offrant transparence et possibilité de surclassement pour les planificateurs lors des exceptions. Lors de l’évaluation des fournisseurs, les dirigeants MRO devraient demander : Le système s’adapte-t-il automatiquement aux changements de demande/délais d’approvisionnement, ou dois-je ajuster les paramètres ? Si un fournisseur compte sur vous pour maintenir de nombreuses règles de min/max ou de classification, c’est un signe d’une technologie moins performante (ou du moins, qui n’exploite pas pleinement la technologie).

Soyez très sceptique envers tout fournisseur qui vante une « intégration plug-and-play » dans vos systèmes MRO. Les environnements IT MRO en aviation sont hétérogènes – que vous utilisiez AMOS, TRAX, Ultramain, Maximo, SAP ou une solution développée en interne, l’intégration d’un outil d’optimisation nécessitera de mapper les champs de données et probablement de nettoyer les données. Un fournisseur affirmant pouvoir déployer en quelques semaines avec un effort IT minimal sous-estime probablement le travail ou suppose un périmètre très étroit. Il est prudent de réserver du temps pour l’intégration et les tests, et d’impliquer vos équipes IT dès le début pour vérifier ces affirmations.

Un autre signal d’alarme à surveiller est la dépendance aux études de cas ou rapports d’analystes qui semblent trop beaux pour être vrais. De nombreuses études de cas ne mentionnent ni les défis ni la situation de départ. Par exemple, « les stocks ont été réduits de 30% » peut sembler excellent, mais si l’entreprise n’avait initialement aucun système de planification, alors 30% pouvaient être atteints par toute amélioration de processus décente. De même, « le taux de service est passé à 99% » pourrait signifier un surstock massif. Creusez toujours davantage : demandez les indicateurs avant vs après dans leur contexte, et mieux encore, parlez directement aux clients de référence si possible plutôt que de vous fier à des citations lisses.

Inversement, lorsque les fournisseurs fournissent des détails techniques spécifiques ou des méthodologies, c’est bon signe. Cela signifie qu’ils disposent de méthodes concrètes plutôt que de simples effets de mode. Par exemple, Smart Software expliquant ouvertement leur méthode de bootstrapping ⁸, ou Lokad discutant de la programmation différentiable, montrent une véritable substance. Les fournisseurs qui balancent simplement « IA/ML » sans expliquer comment cela s’applique au problème s’attendent probablement à ce que les acheteurs ne posent pas de questions – mais vous devriez absolument le faire. Demandez-leur, par exemple, comment leur machine learning gère une pièce qui est inutilisée la plupart des mois puis connaît un besoin soudain – quelles données leur IA utilise-t-elle ? S’ils répondent avec du jargon sans clarté, soyez prudents. S’ils peuvent expliquer, par exemple, « nous regroupons des pièces similaires et utilisons un modèle bayésien combinant les heures opérationnelles de la flotte avec les retraits historiques », alors ils ont au moins une approche.

En résumé, pour les dirigeants MRO évaluant ces solutions :

• Associez l’outil à votre problème : Si vous souffrez d’une variabilité de demande extrême et de ruptures de stock, privilégiez les fournisseurs avec une prévision probabiliste éprouvée (Lokad, ToolsGroup, Smart, Syncron dans une certaine mesure). Si votre problème est l’excès de stocks et le manque de visibilité, un outil d’analyse prescriptive (IBM/Oniqua ou Baxter) pourrait suffire pour réduire les coûts superflus.
• Évaluez les capacités de votre équipe : Un système très avancé requiert des planificateurs/analystes compétents pour interagir avec lui (ou les experts du fournisseur pour vous accompagner). Un système plus simple pourrait être exploité par une équipe réduite mais pourrait ne pas optimiser jusqu’au moindre centime.
• Prévoyez le travail sur les données et l’intégration : Quel que soit le logiciel, investissez dans le nettoyage des référentiels de pièces, les données d’utilisation et la mise en place d’interfaces. Ce n’est pas aussi sexy que le cloud computing ou le deep learning, mais c’est fondamental.
• Testez et vérifiez : Menez un projet pilote sur un sous-ensemble de pièces ou sur un site. Vérifiez si les algorithmes sophistiqués du fournisseur produisent réellement des recommandations sensées (par exemple, aucun stock d’une pièce critique ? ou un surstock énorme d’un article bon marché ?). Vérifiez leur optimisation en simulant des scénarios. Un bon fournisseur travaillera avec vous à ce sujet ; un fournisseur incertain évitera de trop être scruté.

Le problème des stocks MRO en aviation est souvent décrit comme « incroyablement difficile » ⁶⁷ – et en effet, il l’est. Mais les outils d’aujourd’hui se lèvent pour relever ce défi. En perçant le battage médiatique et en se concentrant sur des capacités vérifiables, un MRO peut choisir une solution qui optimise véritablement la gestion de ses pièces de rechange, offrant des améliorations tangibles en termes de fiabilité et des économies de coûts. N’oubliez pas la devise du sceptique : en Dieu nous avons confiance, tous les autres – apportez des données. Chaque fournisseur devrait être capable de présenter des données pour étayer ses affirmations dans le contexte de votre opération. Avec cette diligence, vous pouvez trouver un partenaire logiciel qui va au-delà des promesses marketing pour un succès réel dans votre supply chain.

Notes de bas de page