Software di Ottimizzazione MRO per l’Aviazione, febbraio 2025

Ultima modifica: February 2nd, 2025

Introduzione

Le catene di fornitura per la manutenzione, riparazione e revisione (MRO) nel settore dell’aviazione affrontano una complessità estrema. Le compagnie aeree e i fornitori MRO gestiscono inventari di componenti a lunga coda con una domanda intermittente e scarsa e tempi di consegna e prezzi altamente variabili. Guasti imprevedibili e BOM casuali per le riparazioni fanno sì che l’utilizzo possa aumentare improvvisamente senza preavviso. I componenti spesso hanno cicli di vita rigorosi (ad esempio, cicli massimi o ore di volo) e classificazioni di criticità (“componenti non utilizzabili” che mettono a terra gli aerei vs. elementi “utilizzabili se possibile” o differibili). Questi fattori rendono le decisioni di previsione e di stoccaggio notoriamente difficili – un delicato equilibrio tra evitare incidenti AOG (aereo a terra) e minimizzare l’eccesso d’inventario.

Molti fornitori di software affermano di risolvere queste sfide con strumenti di ottimizzazione specializzati. Questo studio effettua un’analisi scettica approfondita delle principali soluzioni di “ottimizzazione MRO per l’aviazione”. Valuteremo criticamente la tecnologia di ciascun fornitore: offrono veramente capacità all’avanguardia come la previsione probabilistica (sia per la domanda che per i tempi di consegna), ottimizzazione economica (massimizzando il rapporto qualità-prezzo nelle decisioni di inventario) e una alta automazione per gestire decine o centinaia di migliaia di codici di componenti? Le affermazioni di marketing su miglioramenti “guidati da AI/ML” – come percentuali di riduzione d’inventario drammatiche o aumenti dei livelli di servizio – saranno sottoposte a scrutinio per verificarne il contenuto. Cerchiamo in particolare prove di un’ingegneria avanzata (o la sua assenza) dietro queste affermazioni, e se gli strumenti si basino su analisi automatizzate anziché su ingombranti parametri definiti dall’utente. Infine, consideriamo le realtà di integrazione nell’aspro panorama IT del settore MRO dell’aviazione, sfidando ogni affermazione di “plug-and-play”.

L’obiettivo è fornire ai dirigenti MRO, con un orientamento tecnologico, una panoramica pragmatica e dettagliata delle offerte del mercato – separando l’innovazione genuina dalle semplici mode.

Classifica dei fornitori (Riepilogo)

1. Lokad – Previsione probabilistica e automazione di prima qualità per l’aviazione. Lokad guida con tecnologie all’avanguardia come la previsione probabilistica di domanda/tempi di consegna e programmazione differenziabile, sviluppate appositamente attraverso anni di R&S nel settore dell’aviazione ¹. Sottolinea l’ottimizzazione economica (costo vs. servizio) e una minima regolazione manuale, rendendolo un favorito per una pianificazione dell’inventario MRO veramente all’avanguardia.

2. PTC Servigistics – Suite legacy completa con miglioramenti moderni. Servigistics offre il set di funzionalità più ampio (ottimizzazione multi-livello, previsione avanzata, integrazione IoT) ed è ampiamente utilizzato nei settori aerospaziale e della difesa ². Applica tecnologie “AI/ML” internamente e gestisce scenari complessi, sebbene alcuni algoritmi risalgano a decenni di sviluppo. Molto potente, ma la sua complessità può richiedere una configurazione più approfondita e l’affidamento a esperti.

3. Syncron – Specialista dei ricambi con capacità AI in crescita. La piattaforma cloud di Syncron è dedicata alla pianificazione dei ricambi per i produttori e ora per il settore aerospaziale. Si vanta di utilizzare AI, machine learning e simulazioni avanzate per gestire modelli di domanda complessi e intermittenti ³. Le funzionalità probabilistiche stanno emergendo, e si concentra sull’ottimizzazione economica dello stock, sebbene la profondità nelle specificità dell’aviazione sia ancora in evoluzione (storicamente forte nel mercato post-vendita OEM).

4. ToolsGroup (SO99+) – Modellazione stocastica comprovata, ma con una narrativa “AI” invecchiata. ToolsGroup ha pionierizzato la previsione della domanda intermittente e l’ottimizzazione multi-livello degli inventari ⁴. I suoi modelli probabilistici gestiscono bene la “larga coda” dei ricambi. Tuttavia, le affermazioni di essere “alimentato da AI” appaiono esagerate – le analisi suggeriscono che la sua tecnologia si basi in gran parte su statistiche tradizionali (modelli pre-2000) con alcuni aggiornamenti ⁵. Eppure, offre un’automazione solida per la pianificazione dei componenti su larga scala.

5. Armac Systems (RIOsys) – Ottimizzatore focalizzato sull’aviazione per rotabili e ricambi. Armac (di proprietà di SR Technics) è un leader di nicchia specifico per l’inventario di compagnie aeree/MRO. Il suo strumento RIOsys calcola livelli di stock ottimali sia per i rotabili che per i consumabili anche in presenza di una domanda non programmata (casuale) e reti multi-sito ⁶. Integra conoscenze operative (ad es. dati di affidabilità) nel modello e perfeziona continuamente le raccomandazioni. La forza specifica del settore è elevata, sebbene l’azienda sia più piccola e i dettagli tecnici (AI/ML) meno enfatizzati pubblicamente.

6. Baxter Planning (Prophet by Baxter) – Fondamenti della pianificazione dei ricambi con un focus sui costi. La soluzione di Baxter copre la previsione, la pianificazione dell’inventario e il rifornimento automatizzato. Utilizza un approccio di “Ottimizzazione del Costo Totale” che considera la criticità dei componenti, la loro ubicazione e l’urgenza del cliente per bilanciare servizio e costi ⁷. È uno strumento solido e pragmatico (con oltre 20 anni nel settore dei ricambi), sebbene si basi più su metodi tradizionali di previsione e su parametri definiti dall’utente che su una vera automazione guidata dall’AI.

7. Smart Software (Smart IP&O) – Motore avanzato di previsione per la domanda intermittente. Smart Software è conosciuto per la sua previsione probabilistica dei ricambi utilizzando un metodo di bootstrapping brevettato ⁸. Genera migliaia di scenari di domanda per cogliere la variabilità, dando come risultato una distribuzione completa e accurata della domanda sui tempi di consegna. Ciò si traduce in livelli di stock ottimizzati per i componenti con domanda intermittente. Tuttavia, l’attenzione di Smart è rivolta alla previsione e ai calcoli di stock di sicurezza; si tratta di una soluzione più limitata (spesso a supporto di un ERP) piuttosto che di una piattaforma MRO end-to-end completa. Rimangono necessarie l’integrazione e lo sforzo dell’utente per agire basandosi sulle sue previsioni.

8. IBM (Ottimizzazione dell’Inventario MRO, precedentemente Oniqua) – Concentrato sull’industria asset-intensive e guidato dall’analisi. L’MRO IO di IBM (acquisito da Oniqua) è una piattaforma cloud che combina analisi statistica, analisi prescrittiva e ottimizzazione per i ricambi di manutenzione ⁹. Affronta la domanda intermittente con previsioni integrate e raccomandazioni basate sulla criticità, con l’obiettivo di minimizzare i tempi di inattività ¹⁰. Lo strumento eccelle nell’identificare eccessi rispetto a carenze e nel guidare i pianificatori tramite “punteggi” e code di lavoro. Pur utilizzando un po’ di automazione, l’approccio tende più verso dashboard di supporto decisionale – richiedendo agli utenti di esaminare gli insight (ad esempio, per criticità, tempo di consegna) e agire ¹¹. La sua tecnologia è solida ma non appariscente – più focalizzata su analisi pesanti che su “magia AI”, e spesso richiede una significativa pulizia dei dati (un punto di forza di IBM) e lavoro di integrazione.

9. SAP Service Parts Planning (SPP) – Modulo performante con una configurazione complessa. La soluzione di pianificazione dei ricambi di SAP (parte di SAP SCM/APO, ora in transizione verso IBP) offre un’ottimizzazione multi-livello dell’inventario e supporta metodi come quello di Croston per la domanda intermittente ¹². In teoria, può gestire la complessità a livello di aviazione, e alcuni grandi OEM hanno contribuito a definire le sue funzionalità. In pratica, SAP SPP richiede ampie impostazioni definite dall’utente (selezione dei modelli di previsione, obiettivi di classe di servizio, ecc.) e una notevole personalizzazione per soddisfare le esigenze del settore aviazione. È tipicamente meno automatizzato – i pianificatori devono configurare i parametri (ad es. codici di ciclo di vita, catene di sostituzione, min/max) piuttosto che il sistema apprenda autonomamente. In quanto opzione integrata con ERP, è affidabile ma non all’avanguardia nell’innovazione algoritmica.

10. Oracle Spares Management – Pianificazione di base dei ricambi all’interno dell’ERP Oracle. Oracle offre un modulo per i ricambi (nella E-Business Suite e nel Cloud SCM) che copre la previsione della domanda, la pianificazione dei livelli di stock, ecc. ¹³. Include tecniche standard per la domanda intermittente e l’ottimizzazione degli ordini su una rete. Come SAP, tende a fare affidamento su configurazioni basate su regole e input dell’utente – ad esempio, i pianificatori definiscono le strategie di previsione (Croston, smussamento esponenziale) e le politiche di inventario. La soluzione di Oracle svolge il lavoro per alcuni, ma non abbiamo trovato prove di un’ottimizzazione AI avanzata o probabilistica; in generale è un gradino indietro rispetto ai fornitori specializzati in termini di tecnologia.

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

Lokad – “Quantitative Supply Chain” probabilistica per l’Aviazione

Lokad è un nuovo arrivato (fondato negli anni 2010) che si è concentrato in modo aggressivo sull’ottimizzazione aerospaziale & MRO come specialità principale. Il suo approccio è inequivocabilmente basato sulla data science. La piattaforma di Lokad si concentra sulla previsione probabilistica e su quella che essi definiscono “ottimizzazione predittiva.” Invece di prevedere una domanda a punto singolo, Lokad modella l’intera distribuzione di probabilità della domanda, dei tempi di consegna e persino dei tassi di rottamazione dei componenti ¹. Questo è cruciale per l’elevata incertezza dell’aviazione: ad esempio, un componente può solitamente durare 5.000 ore ma talvolta guastarsi molto prima – un modello probabilistico cattura tale rischio. Successivamente, Lokad calcola politiche di stoccaggio che minimizzano il costo totale (costi di mantenimento, costi per stock-out, penali AOG) date tali incertezze.

Un aspetto distintivo della tecnologia di Lokad è la programmazione differenziabile ¹. Questo significa essenzialmente che utilizzano tecniche del machine learning per “apprendere” dai complessi schemi dei dati della supply chain. Ad esempio, i programmi di manutenzione, le curve di affidabilità (MTBUR – Tempo Medio tra Rimozioni Non Programmate), i tempi dei cicli di riparazione, ecc., possono essere tutti inclusi in un modello simile a una rete neurale piuttosto che in regole fisse. Lokad sostiene che ciò consenta di estrarre automaticamente schemi dai dati che le formule tradizionali codificate a mano potrebbero non cogliere ¹. È un concetto innovativo nella supply chain, e sebbene sia difficile da verificare esternamente, indica un ingegneria seria oltre la retorica di moda.

È importante notare che Lokad fornisce dettagli ingegneristici sul suo approccio – un cambiamento rinvigorente rispetto alle vaghe affermazioni sull’AI. In un comunicato stampa con Revima (un MRO per APU/Treni di atterraggio), menzionano esplicitamente la previsione probabilistica per la domanda, i tempi di consegna e il rottamazione, combinata con la programmazione differenziabile per modellare processi di riparazione complessi ^{1 1}. Queste sono tecniche concrete, non solo un discorso di marketing. Il fatto che il CEO di Lokad sia un blogger attivo in materia di matematica applicata alla supply chain aggiunge credibilità (criticano frequentemente i metodi tradizionali e pubblicano anche confronti).

Dal punto di vista dell’automazione, la soluzione di Lokad è altamente automatizzata una volta che i dati sono disponibili. Viene fornita come software più servizi (concetto “Supply Chain as Code”): il loro team aiuta a configurare un modello di ottimizzazione personalizzato utilizzando il loro linguaggio di scripting (Envision). Successivamente, il sistema acquisisce continuamente i dati (ad es. transazioni giornaliere di componenti, rimozioni, ecc.) e rigenera raccomandazioni sui livelli di stock, ordini di acquisto, priorità degli ordini di riparazione, ecc., con una minima intervento manuale. È progettato per gestire decine o centinaia di migliaia di codici P/N lasciando che gli algoritmi calcolino politiche ottimali per ciascuno, anziché che i pianificatori mantengano migliaia di impostazioni min/max. Un dirigente MRO nel settore dell’aviazione conferma “Lokad ha fornito gli strumenti e il supporto giusti per… ridurre l’incertezza incorporando un approccio probabilistico,” raggiungendo obiettivi di fill rate esigenti con rischio ridotto ¹⁴.

Lokad è anche trasparente riguardo all’integrazione: non propone una fantasia di “plug-and-play” pura, riconoscendo che i dati dell’aviazione sono disordinati. Invece, sfrutta spesso tutte le fonti di dati disponibili, anche se imperfette. Ad esempio, potrebbe utilizzare metriche di affidabilità fornite dagli OEM (MTBUR) e i dati storici di rimozione dell’operatore, pesandoli in base alla loro capacità predittiva per ciascun componente ^{15 16}. Questo livello di dettaglio – l’utilizzo di più fonti di dati per triangolare – dimostra una comprensione avanzata delle specificità dell’aviazione (ad es. utilizzare i dati OEM quando i dati in servizio sono scarsi, e viceversa).

Punto di vista scettico: Le affermazioni di Lokad sono generalmente supportate da evidenze (case study con Air France KLM, Revima, etc., e blog tecnici dettagliati). Tuttavia, bisogna porre domande difficili: ad esempio, quanto facilmente può un tipico MRO adottare la soluzione di Lokad senza un team di data scientist? Lokad tende a collaborare strettamente con i clienti tramite i propri esperti, il che è ottimo per i risultati ma potrebbe essere considerato inizialmente come un modello fortemente orientato alla consulenza piuttosto che un puro software. Inoltre, sebbene i modelli probabilistici siano ideali per domande intermittenti, la loro accuratezza dipende dalla qualità dei dati – input scadenti produrranno output sofisticati ma altrettanto scadenti, rimanendo un rischio. Risultati come “inventario ridotto del 60%” in un caso ¹⁷ dovrebbero essere accolti con uno scetticismo sano – tali risultati potrebbero essere eccezionali o misurati rispetto a una base di partenza molto povera. Tuttavia, tra i fornitori, Lokad sembra spingere i limiti di previsione e scienza dell’ottimizzazione moderne. Non si affida affatto agli utenti per impostare obiettivi di livello di servizio o classi ABC arbitrari; piuttosto, automatizza le decisioni calcolando i compromessi economici per ciascun componente. Questo livello di automazione e rigore probabilistico lo rende una scelta di prim’ordine per chi è disposto ad adottare una soluzione più moderna.

PTC Servigistics – Campione di peso con tecnologia aggiornata

Servigistics è il veterano in questo settore – la sua origine risale ai pionieri del settore (Xelus, MCA Solutions) che sono stati fusi in Servigistics, e poi acquisiti da PTC nel 2012 ¹⁸. È di gran lunga il software di Service Parts Management (SPM) più diffuso tra le grandi organizzazioni aerospaziali e della difesa. Qantas, Boeing, Lockheed Martin, l’Aeronautica Militare degli Stati Uniti – tali nomi appaiono spesso tra gli utilizzatori di Servigistics ¹⁹. Con tale pedigree, Servigistics pone standard elevati in termini di ampiezza e profondità delle funzionalità.

Dal punto di vista delle capacità, Servigistics elenca praticamente ogni funzione che un team logistico MRO o dell’aftermarket potrebbe desiderare: la previsione della domanda specializzata per domanda a basso volume e sporadica, l’ottimizzazione multi-livello dell’inventario (posizionando lo stock, ad esempio, in un magazzino centrale, basi avanzate, officina di riparazione, ecc.), la pianificazione degli approvvigionamenti da più fonti, le decisioni di riparazione contro l’acquisto, e persino un modulo integrato per la determinazione dei prezzi dei ricambi ²⁰. È degno di nota che PTC ha anche esteso Servigistics attraverso l’integrazione IoT – utilizzando la loro piattaforma ThingWorx per fornire dati degli equipaggiamenti connessi (ad es. dati di utilizzo o sensoriali provenienti dagli aerei/motori) per prevedere i guasti dei componenti limitati nella vita utile e pianificare in modo proattivo le sostituzioni ^{21 22}. Questo inizia ad affrontare il problema del “BOM casuale” prevedendo le rimozioni dei componenti basandosi sul monitoraggio effettivo delle condizioni, non solo su statistiche storiche.

Servigistics sostiene di incorporare la moderna scienza dei dati: “moduli di previsione, ottimizzazione e analisi sfruttano AI, machine learning e big data” ²³. Tuttavia, i dettagli su come esattamente AI/ML sia utilizzato sono scarsi nei materiali pubblici. Data la lunga storia dello strumento, è probabile che gran parte del motore di previsione si basi ancora su metodi statistici classici (metodo di Croston, varianti di smoothing esponenziale per la domanda intermittente, forse stima bayesiana per la domanda bassa) che sono stati migliorati in maniera incrementale. La menzione della collaborazione con accademici come il Dr. John Muckstadt suggerisce l’utilizzo di modelli analitici comprovati per l’ottimizzazione multi-echelone ²⁴. Gli algoritmi di Muckstadt (dal suo libro “Service Parts Management”) sono più ricerca operativa (ottimizzazione matematica) che machine learning – il che va bene, spesso è ottimale per questi problemi. L’“AI/ML” potrebbe essere più una recente interfaccia – possibilmente utilizzando il machine learning per cose come il rilevamento di anomalie nella domanda o la classificazione dei componenti (ad es. raggruppamento di modelli di domanda simili), piuttosto che per la previsione di base. Si dovrebbe essere un po’ scettici sul fatto che Servigistics sia improvvisamente diventato una piattaforma “AI”; è più correttamente una piattaforma di ricerca operativa (Operations Research) molto sofisticata con alcune nuove funzionalità abilitate da AI ai margini.

Previsione probabilistica: Servigistics la fa? Storicamente, poteva produrre una distribuzione della domanda per ogni componente (ad esempio, tramite bootstrapping o adattamento a una distribuzione statistica predefinita) per calcolare scorte di sicurezza ottimali. L’ottimizzazione multi-echelone richiede intrinsecamente input probabilistici (per calcolare le probabilità di esaurimento scorte in diverse sedi). La documentazione di PTC fa riferimento a “tipi di distribuzioni di probabilità utilizzate” nelle decisioni di stock ²⁵, implicando che il sistema consideri più di una semplice previsione media. Possiamo ragionevolmente supporre che esso effettui alcuna forma di previsione probabilistica o quantomeno la simulazione di scenari per una domanda sporadica (MCA Solutions, uno dei suoi predecessori, era noto per la simulazione Monte Carlo in fase di pianificazione). La differenza con un approccio moderno sta nel fatto che queste distribuzioni siano apprese automaticamente o selezionate tramite regole. In Servigistics, un pianificatore tipicamente assegna ad ogni componente un metodo di previsione (o il sistema seleziona automaticamente da un insieme di metodi) e poi sceglie gli obiettivi di livello di servizio. Esiste molta politica definita dall’utente possibile – ad es., i pianificatori possono segmentare i componenti in base alla criticità o al valore e assegnare differenti obiettivi di tasso di riempimento (il sistema ha una ricca capacità di segmentazione) ²⁶. Se non completamente automatizzato, ciò potrebbe essere una debolezza: lo strumento può ottimizzare una volta che sono inseriti quei parametri, ma determinare quale livello di servizio debba avere ciascuno dei decine di migliaia di componenti è spesso lasciato al giudizio dell’utente o a semplici regole (come “95% per i componenti no-go, 80% per i componenti go-if”). Soluzioni veramente ottimali calcolerebbero tali compromessi dinamicamente. Non è chiaro se Servigistics possieda un’“ottimizzazione del livello di servizio” automatizzata che, ad esempio, massimizzi la disponibilità complessiva per un dato budget – probabilmente lo fa, ma molti utenti potrebbero non utilizzare quella modalità a causa della complessità.

Servigistics si occupa anche degli aspetti relativi al ciclo di vita dei componenti e al ciclo di riparazione. Per i componenti rotabili (riparabili), può pianificare la pipeline di riparazione e considerare i tempi di turnaround e i rendimenti. La nuova estensione “Connected Forecasting” prevede esplicitamente la rimozione di componenti come i Life Limited Parts (LLP) basandosi sulla loro vita residua e sui dati di utilizzo ²⁷ – una capacità molto importante in aviazione, dove si sa che un componente dovrà essere sostituito dopo X cicli. Questo aiuta a mitigare la domanda irregolare iniettando alcuni segnali deterministici (ad es., rimozioni programmate) nella previsione.

Per quanto riguarda l’integrazione: PTC ha collaborato con importanti fornitori ERP MRO come IFS e Trax per integrare Servigistics ²⁸. Tuttavia, integrare uno strumento così completo con il sistema di manutenzione di una compagnia aerea è un progetto importante (spesso da 6 a oltre 12 mesi). Qualsiasi affermazione “plug-and-play” da parte delle vendite va presa con le pinze. In realtà, è necessario mappare dozzine di campi dati (dati dell’install base, cataloghi dei componenti, distinte base per le attività di manutenzione, dati del ciclo di riparazione, ecc.) e spesso ripulire la qualità dei dati. Servigistics probabilmente dispone di adattatori standard per sistemi come SAP o Oracle, ma il lavoro personalizzato è la norma – in linea con qualsiasi soluzione aziendale.

Punti chiave di scetticismo: Servigistics è estremamente potente, ma è facile ottenere valore da esso? Molte installazioni legacy finiscono per essere sotto-utilizzate, utilizzando solo funzionalità di base (come la pianificazione a singolo echelon con scorte di sicurezza impostate) perché l’ottimizzazione completa può risultare opprimente senza utenti esperti. Vale la pena interpellare un fornitore per capire quanto il sistema sia veramente automatizzato in pratica – ad es., rileva automaticamente un cambiamento nella variabilità dei tempi di consegna e adatta i punti di riordino, oppure è necessario l’intervento di un pianificatore? La presenza di molti “parametri di pianificazione” suggerisce che sia possibile effettuare molti aggiustamenti ²⁹, il che può essere positivo o negativo. Ad esempio, Servigistics consente di sovrascrivere l’EOQ calcolato o di forzare certi periodi di previsione ²⁹, il che fa pensare che i calcoli standard possano non essere sempre considerati affidabili dagli utenti.

In sintesi, Servigistics è l’opzione più ricca di funzionalità e si è evoluta includendo elementi moderni (dati IoT, un po’ di AI). Fornisce capacità all’avanguardia, ma se offre soluzioni all’avanguardia dipende dall’esecuzione – un aspetto a cui prestare attenzione. Per un MRO con le risorse per implementarlo completamente, può garantire prestazioni eccellenti (è stata riportata una disponibilità dei componenti del 94% presso Qantas ³⁰). Tuttavia, operazioni più piccole potrebbero trovarlo eccessivamente pesante. Le affermazioni di marketing (leader in ogni rapporto degli analisti, ecc.) sono tipiche e in parte veritiere, dato il market share, ma i potenziali acquirenti dovrebbero andare oltre gli encomi e assicurarsi di avere la maturità del processo per sfruttare questo strumento potente ma complesso.

Syncron – Pianificazione dei componenti di servizio Cloud-Native con promesse AI

Syncron è un altro attore importante, proveniente da un’angolazione diversa – è nato con i pezzi di ricambio per il mercato aftermarket dei produttori (soprattutto per il settore automobilistico e delle macchine industriali) e si è espanso negli ultimi anni in ambito aerospaziale/difesa. La proposta di valore di Syncron si concentra sull’essere una piattaforma appositamente realizzata, basata sul cloud per i componenti di servizio, combinando diversi moduli (ottimizzazione dell’inventario, ottimizzazione dei prezzi e persino un modulo di previsione dell’uptime basato su IoT) ^{31 32}. Nel contesto degli MRO in ambito aviazione, Syncron sta guadagnando terreno – ad esempio, ATR (il produttore di aerei regionali) ha recentemente scelto Syncron per la gestione dell’inventario nel supporto alla sua flotta globale ^{33 3}.

Dal punto di vista tecnologico, Syncron fa leva sull’uso di AI, machine learning e analisi avanzate nella sua soluzione di Pianificazione dei Componenti ³. Concretamente, menzionano che il software “traccia le tendenze della domanda e configura simulazioni avanzate per pianificare e prevedere le esigenze di servizio dei componenti” ³. Ciò suggerisce che Syncron utilizzi anch’esso qualche forma di simulazione Monte Carlo o pianificazione probabilistica – probabilmente generando scenari di domanda e offerta per ottimizzare le scorte. In un IDC MarketScape, Syncron è stato notato per “rifornimento dinamico, pianificazione/previsione probabilistica” tra i suoi punti di forza ³⁴, il che indica che non fa uso esclusivamente di metodi deterministici o basati su regole. A differenza di alcuni strumenti più vecchi, essendo cloud-native, Syncron può elaborare grandi set di dati ed eseguire simulazioni estese in background senza che il cliente debba gestire l’infrastruttura IT.

Un aspetto notevole della filosofia di Syncron è la servitization – aiutare le aziende a trattare l’uptime come un servizio. In termini pratici, la piattaforma Syncron integra la previsione dei componenti di servizio con input di gestione del servizio sul campo e segnali di manutenzione predittiva IoT (tramite il loro modulo Uptime™). Per l’aviazione, questo potrebbe significare utilizzare i dati di monitoraggio della salute degli aerei per anticipare la domanda di componenti. È concettualmente simile a ciò che fa PTC con ThingWorx, ma Syncron lo ha confezionato come parte integrante della sua suite specificamente per il servizio post-vendita. Questo approccio si allinea con tendenze come il power-by-the-hour in aviazione, dove la disponibilità è tutto.

In termini di ottimizzazione, Syncron ottimizza l’inventario bilanciando disponibilità e costi. Affermano esplicitamente miglioramenti come un aumento dal 12 al 17,5% nella disponibilità dei componenti e una riduzione del 15% dei costi di inventario per i clienti ³⁵. Queste cifre, come tutte tali affermazioni, devono essere prese con cautela – potrebbero provenire da studi di caso selezionati. Ci sono pochi dettagli tecnici pubblici sugli algoritmi alla base dell’ottimizzazione di Syncron. Tuttavia, si può dedurre che utilizzino una combinazione di modelli di previsione statistica, machine learning per il riconoscimento dei pattern e alcuni euristici o solver per la gestione multi-echelone delle scorte. Syncron Inventory è stato storicamente forte nell’ottimizzazione della rete distributiva (per OEM con reti di concessionari, ecc.), quindi l’ottimizzazione multi-sede è nel suo DNA.

Automazione e impegno dell’utente: Syncron probabilmente automatizza molte attività di routine – essendo un software moderno, è stato progettato per il cloud e per l’usabilità. Probabilmente seleziona automaticamente i modelli di previsione appropriati e li aggiorna man mano che i dati cambiano, piuttosto che aspettarsi che gli utenti regolino manualmente il metodo di previsione per ogni SKU (un tormento dei sistemi più vecchi). Detto ciò, la base utenti tipica di Syncron (i produttori) spesso imposta ancora regole aziendali – ad es., classificare i componenti in base al ciclo di vita o alla criticità per applicare politiche differenti. Dovremmo verificare se Syncron consente un’ottimizzazione completamente autonoma. Si menziona che i moduli di prezzo e inventario di Syncron attualmente utilizzano database separati che richiedono integrazione ³², il che suggerisce la presenza di alcune fondamenta legacy. Potrebbe non essere così senza soluzione di continuità tra i moduli come pubblicizzato.

Uno dei punti di forza su cui Syncron punta è la gestione del ciclo di vita dei componenti: gestire l’introduzione di nuovi componenti, l’obsolescenza, le sostituzioni. In aviazione, dove i componenti vengono sostituiti da versioni più recenti o da alternative PMA, questo è cruciale. Syncron ha affrontato problemi simili nel settore automobilistico (dove i cambiamenti di modello influenzano la domanda dei componenti) – presumibilmente il sistema può prevedere il decadimento della domanda per i componenti più vecchi e un aumento per quelli nuovi utilizzando analogie o previsioni collegate.

Verifica delle affermazioni: Syncron dispone di relativamente pochi whitepaper tecnici pubblici, quindi parte del nostro scetticismo risiede nel dover fare affidamento su quanto affermato e su alcune referenze. Il comunicato stampa di ATR indica che la soluzione aiuterà con l’instabilità della supply chain e con la scalabilità delle operazioni ³⁶ – ma questo è generico. L’affermazione tecnologica chiave è la combinazione di AI/ML + simulazione ³. Ci si potrebbe chiedere: forniscono evidenza concreta dell’azione dei modelli ML? Ad esempio, utilizzano reti neurali per rilevare le cause della domanda (come i tassi di utilizzo o i guasti) oppure si limitano a metodi per serie temporali? Inoltre, se dicono “AI”, è solo un’etichetta per i loro modelli statistici o tecniche veramente innovative? Senza maggiori dettagli, rimaniamo cauti.

Tuttavia, diversamente da alcuni concorrenti, Syncron non si affida ad architetture antiquate – è una piattaforma del XXI secolo fin dalle origini. Ciò probabilmente comporta un’interfaccia utente migliore e, possibilmente, un dispiegamento più rapido (la loro integrazione con l’ERP utilizza API moderne, e spesso si occupano loro stessi delle operazioni complesse per i clienti). Tuttavia, il “plug-and-play” è irrealistico: l’implementazione di ATR, ad esempio, ha probabilmente richiesto di mappare Syncron ai sistemi SAP e di manutenzione personalizzati di ATR. Il team di Syncron ha lavorato attivamente con ATR per adattare gli aggiornamenti alle “esigenze uniche” dell’aviazione ³⁷ – il che implica che, out-of-the-box, alcune esigenze specifiche per l’aviazione non erano soddisfatte fino a quando non hanno collaborato. Questo è sia positivo (il fornitore è disposto ad adattarsi) sia da considerarsi con cautela (il prodotto non era inizialmente completamente pronto per tutte le complessità dell’aviazione).

In sintesi, Syncron si sta muovendo verso l’avanguardia con elementi probabilistici e AI, e ha una forte orientazione all’automazione. Potrebbe non avere ancora il consolidato track record in ambito aviazione di Servigistics, ma sta rapidamente diventando un contendente di primo livello, come dimostrano i nuovi clienti del settore. I dirigenti MRO dovrebbero verificare le affermazioni ML di Syncron (chiedere specifiche o demo su come prevede un numero di parte discontinuo) e assicurarsi che eventuali miglioramenti promessi in termini di inventario/servizio siano supportati da dati – non solo da medie di settore. Come per gli altri, le percentuali entusiasmanti (ad es. “15% di riduzione dei costi di inventario”) vanno considerate come linee guida approssimative; i risultati reali varieranno in base a quanto disorganizzato fosse il processo iniziale. Complessivamente, Syncron si posiziona in alto grazie alla sua architettura moderna e al focus sull’automazione intelligente, temperato dalla necessità di dimostrare la sua tecnologia oltre le parole d’ordine.

ToolsGroup – Algoritmi forti per la domanda intermittente, ma quanto sono “intelligenti”?

ToolsGroup è un fornitore ben consolidato (fondato nel 1993) noto per il suo software di punta SO99+ (Service Optimizer 99+). Ha una presenza significativa nella pianificazione dei componenti aftermarket in vari settori – dai pezzi di ricambio automobilistici alle attrezzature industriali, ed è stato utilizzato anche in contesti aerospaziali/difesa. Il punto di forza principale di ToolsGroup è sempre stato gestire la “coda lunga” della domanda con quello che definiscono un modello probabilistico. Sottolineano che gli strumenti tradizionali falliscono nella gestione della domanda intermittente, mentre ToolsGroup “risolve il problema della pianificazione dei componenti di servizio grazie a un’eccezionale capacità di prevedere la domanda intermittente e di ottimizzare in modo globale l’inventario multi-echelone” ⁴.

La tecnologia alla base della previsione di ToolsGroup è infatti probabilistica. Storicamente, hanno utilizzato un approccio proprietario in cui, anziché prevedere un singolo numero, modellano la domanda come una distribuzione di probabilità per ogni SKU. Ciò poteva essere realizzato tramite simulazione Monte Carlo o adattando analiticamente una distribuzione (alcune fonti indicano che ToolsGroup potrebbe utilizzare una forma di bootstrapping o una variazione del metodo di Croston combinata con un’analisi della variabilità). Per ogni componente, data la distribuzione della domanda e il tempo di consegna, il software calcola l’inventario necessario per raggiungere un livello di servizio target oppure, al contrario, il livello di servizio ottenibile per un dato budget di scorte. Questo approccio è stato in qualche modo pionieristico negli anni ‘90/2000, quando la maggior parte dei sistemi di pianificazione utilizzava metodi semplicistici. Permette di gestire i livelli di servizio in maniera molto rigorosa anche per articoli a movimento estremamente lento.

Tuttavia, la critica moderna è se ToolsGroup abbia realmente innovato in modo significativo oltre i suoi modelli precedenti. L’azienda ora si commercializza come “con tecnologia AI” e parla di concetti come “rilevamento della domanda” e machine learning. Ma uno studio di mercato di Lokad sottolinea che i materiali pubblici di ToolsGroup fanno ancora riferimento a tecniche datate e addirittura notano un’incongruenza: ToolsGroup ha iniziato a pubblicizzare previsioni probabilistiche eppure continuava a fare riferimento ai miglioramenti del MAPE (Errore Percentuale Assoluto Medio), che “non si applica alle previsioni probabilistiche” ⁵. Ciò suggerisce una sorta di facciata di marketing – non misureresti l’errore di previsione con il MAPE se ti concentrassi veramente sulle previsioni di distribuzione. In altre parole, ToolsGroup potrebbe produrre principalmente una singola previsione per ogni articolo (per i report aziendali), utilizzando concetti probabilistici internamente per i calcoli dell’inventario. Il riferimento al “rilevamento della domanda” (di solito inteso come l’uso di segnali a brevissimo termine come ordini esistenti o dati IoT per adeguare le previsioni) viene inoltre messo in discussione per il scarso supporto nella letteratura scientifica ³⁸ – implicando che ToolsGroup possa usare il termine d’ordine senza adottare necessariamente un metodo avanzato comprovato.

Detto ciò, le capacità di ToolsGroup sono solide. Supporta l’ottimizzazione multi-echelon, il che significa che può raccomandare dove stoccare le parti in una rete per raggiungere obiettivi di servizio con un inventario minimo. Inoltre, è in grado di gestire il riposizionamento dell’inventario e la sua riallocazione, operazione utile in MRO quando le parti potrebbero essere spostate tra basi o regioni. La soluzione di ToolsGroup viene spesso integrata con ERP come SAP – alcune aziende usano SO99+ insieme a SAP per superare le limitazioni della pianificazione di SAP (ToolsGroup sostiene addirittura di poter estendere SAP APO con previsioni probabilistiche ³⁹). In generale, è altamente automatizzato: una volta configurato, i pianificatori monitorano per lo più le eccezioni. Lo strumento esamina migliaia di combinazioni SKU-località e segnala solo gli articoli per i quali il livello di servizio è previsto in calo o si sia verificato un picco di domanda che richiede intervento.

Per quanto riguarda il contesto MRO, ToolsGroup può certamente modellare la domanda intermittente, ma tiene conto di aspetti come la criticità della parte o il ciclo di vita? ToolsGroup tende a essere generico; tuttavia, gli utenti possono inserire differenti obiettivi di livello di servizio o costi per le diverse categorie di parti. Potrebbe non riconoscere nativamente la criticità “go/no-go”, ma un cliente potrebbe includerla semplicemente impostando un obiettivo di livello di servizio quasi del 100% per gli articoli “no-go” e inferiore per gli altri. L’ottimizzazione segue quindi questa direttiva. Allo stesso modo, per i cicli di vita, ToolsGroup potrebbe non disporre di un modulo preconfigurato per prevedere basandosi sulla vita residua (come fanno Servigistics o Syncron con i dati IoT), ma è possibile regolare manualmente le previsioni in vista di sostituzioni programmate note. È più un strumentario che può essere adattato a diverse necessità, piuttosto che una soluzione specifica per l’aviazione.

Un aspetto da osservare sono le affermazioni tipiche di ToolsGroup: ad esempio, sostengono che i clienti ottengano una riduzione del 20-50% delle vendite perse, una riduzione del 10-30% dell’inventario e livelli di servizio pari al 95-99% ⁴⁰. Sebbene queste percentuali siano plausibili, sono ampie e chiaramente spinte dal marketing. Tali miglioramenti provengono probabilmente da aziende che prima non avevano una vera ottimizzazione – implementare un qualsiasi strumento decente porterebbe a grandi benefici. Ciò non significa necessariamente che ToolsGroup ottenga quei risultati in modo univoco rispetto ai concorrenti. Spesso non esiste uno studio indipendente a verificare queste percentuali, per cui rimane lo scetticismo nel prenderle per buone (l’assenza di contesto come “rispetto a quale riferimento?” o “in quanto tempo?” è rivelatrice).

Definito dall’utente vs. automazione: ToolsGroup è relativamente automatizzato nelle previsioni, ma permette molte configurazioni. Ad esempio, i pianificatori possono scegliere gli obiettivi di livello di servizio per articolo o per gruppo. Se un’azienda non sa come impostarli, potrebbe ricadere in vecchie abitudini (come la classificazione ABC), il che limita l’impatto della tecnologia. Idealmente, si dovrebbe utilizzare l’ottimizzazione di ToolsGroup per determinare tali obiettivi in modo ottimale – credo che ToolsGroup offra funzionalità come l’equilibrio tra l’investimento in inventario e il livello di servizio su tutto il portafoglio, che rappresenta una forma di ottimizzazione economica. Tuttavia, potrebbe essere necessario utilizzare il loro servizio di consulenza o le funzionalità avanzate per configurarlo correttamente.

Lo sforzo di integrazione per ToolsGroup è moderato – necessitano di flussi di dati relativi allo storico d’uso, distinte liste dei materiali (BOM), ecc. Non è esattamente un sistema plug-and-play come AMOS o Rusada (sistemi MRO comuni), quindi aspettatevi un progetto, sebbene esistano numerosi connettori d’integrazione data la lunga storia di ToolsGroup.

Conclusione: ToolsGroup è una soluzione capace e affidabile per l’ottimizzazione dei pezzi di ricambio. Sicuramente può essere definita all’avanguardia circa il 2010, e regge ancora bene. Ma nel 2025, ci si dovrà chiedere quanto abbia incorporato le nuove tecniche AI/ML. Le evidenze disponibili suggeriscono molte parole d’ordine ma non una metodologia nuova concreta e pubblicata. Ciò non significa che non funzioni – funziona, però l’etichetta “AI” potrebbe semplicemente indicare l’uso di statistiche sofisticate (il che va bene). Per un dirigente MRO, ToolsGroup potrebbe rappresentare una scelta a rischio inferiore (prodotto consolidato, molti clienti di riferimento). Basta tenere presente che potrebbe non trattarsi di un vero sistema di nuova generazione; si ottiene un sistema tradizionale molto valido. Se l’azienda promuove “AI”, chiedete loro di chiarire esattamente quali aspetti del prodotto siano guidati dall’AI e come questi migliorino i loro già validi modelli probabilistici. Inoltre, verificate che il vostro team sfrutti appieno i punti di forza (come l’ottimizzazione multi-echelon) e non si accontenti di uno strumento di pianificazione basilare.

Armac Systems (RIOsys) – Nativo per l’aviazione, ottimizzazione di rotabili e riparazioni

Armac Systems è unica in questa lista perché è nata specificamente dal mondo MRO dell’aviazione. È un fornitore di dimensioni ridotte (con sede in Irlanda, ora di proprietà di SR Technics dalla fine degli anni 2010 ⁴¹) che si concentra al 100% sull’ottimizzazione dell’inventario in ambito aviazione. Il fiore all’occhiello di Armac, RIOsys (sistema di ottimizzazione dell’inventario rotabile), è progettato per compagnie aeree e MRO che si occupano sia di pezzi di ricambio monouso che di componenti rotabili di alto valore.

Ciò che distingue Armac è la sua specificità di dominio. Il software è descritto come “pianificazione e ottimizzazione dell’inventario specifica per l’aviazione” con l’obiettivo di massimizzare la disponibilità dei pezzi di ricambio al minor costo economico ⁶. Riconosce esplicitamente lo scenario tipico dell’aviazione: “domanda non programmata di parti, numerosi componenti e operazioni multi-sito sono la norma” ⁴². Lo strumento aiuta a calcolare i livelli ottimali di inventario sia per le parti rotabili che consumabili, cioè non solo quanti acquistare, ma anche quanti tenere come scorte rispetto al flusso riparazioni, ecc., per raggiungere gli obiettivi di affidabilità della partenza. Viene inoltre specificato che la conoscenza operativa viene incorporata nel modello di approvvigionamento e continuamente affinata ⁴³. Questo suggerisce che il sistema apprende o aggiorna i propri parametri man mano che arrivano nuovi dati (ad esempio, osservando i tassi effettivi di rimozione dei componenti, affina la previsione o lo stock consigliato per quel componente).

Un aspetto probabile dell’approccio di Armac è l’utilizzo dei dati dell’ingegneria dell’affidabilità. La manutenzione in ambito aviazione prevede concetti come MTBF/MTBUR, curve di affidabilità e tassi di rimozione per 1000 ore di volo. Armac probabilmente utilizza questi parametri per prevedere la domanda, anziché affidarsi unicamente all’estrapolazione delle serie storiche. Ad esempio, se una compagnia aerea opera 100 A320 e una certa pompa ha un MTBUR di 5000 ore di volo, si può prevedere approssimativamente quante rotture all’anno attendersi (con una certa variabilità). Questo approccio è molto specifico per l’MRO e si differenzia dalla previsione, ad esempio, per la vendita di pezzi di ricambio ai clienti. La collaborazione di Armac con il mondo accademico e l’uso di “tecniche di business intelligence sui big data” ⁴¹ implica che siano stati studiati e implementati modelli orientati a questo tipo di previsione basata sull’affidabilità.

Armac affronta inoltre la criticità “go/no-go” indirettamente, concentrandosi sull’affidabilità tecnica della partenza. In una compagnia aerea, l’affidabilità della partenza (la percentuale di voli che decollano senza ritardi o cancellazioni dovuti alla manutenzione) è una metrica fondamentale. La disponibilità dei pezzi di ricambio, in particolare per gli articoli no-go, incide direttamente su questo aspetto. Gli studi di caso di Armac (come quello di Iberia) indicano che l’obiettivo era migliorare la disponibilità dei materiali riducendo al contempo i costi ⁴⁴. Il CEO di Armac ha evidenziato come l’obiettivo fosse migliorare la disponibilità dei ricambi al minor costo economico ⁴⁵. Quindi, stanno chiaramente applicando un’ottimizzazione economica: garantire che le parti critiche siano sempre disponibili (per evitare situazioni di AOG) senza però eccedere nello stoccaggio.

Una nota interessante: RIOsys di Armac si integra con ERP esistenti (come SAP) per fornire un “ulteriore livello di intelligenza” ⁴⁶. Questo dimostra che non sostituiscono il sistema transazionale, ma lo potenziano – un tema comune nel software di ottimizzazione. L’integrazione con SAP era un punto di forza (hanno ottenuto la certificazione SAP, ecc.), ma ancora una volta l’integrazione richiede impegno.

Armac probabilmente offre molta automazione per i pianificatori, nel senso che genera raccomandazioni (ad es., stoccare questa parte alla base X, spostare le unità in eccesso dalla base Y alla base Z, riparare immediatamente un certo numero di unità, ecc.). Probabilmente dispone anche di dashboard intuitive che evidenziano eccedenze e carenze, aiutando a dare priorità alle azioni ⁴⁷. Questo è fondamentale per team di pianificazione ridotti – lo strumento deve indicare cosa fare oggi. L’uso di Armac da parte di Iberia, a quanto pare, ha aiutato a “identificare eccedenze e carenze, e a dare priorità alle attività quotidiane” per i pianificatori d’inventario ⁴⁷. Ciò indica un elevato livello di decisioni guidate dal sistema – segno di una forte automazione.

Dal punto di vista dello scetticismo, dato che Armac è un fornitore minore e non particolarmente visibile nel marketing, esiste meno valutazione indipendente. Sembra estremamente competente per l’aviazione, ma utilizza davvero algoritmi all’avanguardia? O il suo successo è dovuto principalmente al fatto che la soluzione è personalizzata (con numerose regole di esperti e template specifici per le compagnie aeree)? Ad esempio, Armac potrebbe impiegare modelli statistici abbastanza standard, preconfigurati con i parametri adeguati per scenari di aviazione pronti all’uso. Questo è comunque prezioso, ma non è “magia”. Il riferimento a modelli “continuamente affinati” ⁴³ suggerisce l’impiego di un certo machine learning o almeno una calibrazione iterativa, il che è positivo.

Una potenziale debolezza potrebbe essere rappresentata dalla scala e dalle risorse: essendo un fornitore più piccolo, Armac può investire nella ricerca AI più innovativa alla stessa velocità di, ad esempio, PTC o Lokad? Probabilmente no, ma essendo molto focalizzati, potrebbero non aver bisogno di un’AI elaborata se la loro soluzione ingegnerizzata si adatta già perfettamente al dominio. Inoltre, essendo di proprietà di SR Technics (un importante MRO), potrebbe significare che dispongono di un approfondito riscontro di settore, ma anche che il loro orizzonte possa essere limitato alle esigenze del proprietario.

Armac non promuove rumorosamente l’“AI” nei suoi comunicati stampa – utilizza termini come “pianificazione dell’inventario intelligente di nuova generazione” e “tecniche di big data” ⁴¹, che sono parole d’ordine ma non particolarmente specifiche. Vale la pena chiedere ad Armac maggiori dettagli: simulano la variabilità del ciclo di riparazione? Ottimizzano sia il fill rate sia l’utilizzo degli asset? Come gestiscono l’obsolescenza delle parti (il sistema avverte quando una parte sta per essere ritirata per evitare un eccesso di stock)? Data la loro nicchia, probabilmente dispongono di funzionalità per la pianificazione del fine vita e l’ottimizzazione del pooling dei rotabili che altri potrebbero non enfatizzare.

L’integrazione rimane una sfida: anche con l’integrazione SAP, non tutte le compagnie aeree utilizzano sistemi standard. Molte adottano sistemi MRO specializzati come AMOS, Ultramain, ecc. Armac dovrebbe integrarsi con questi sistemi o fare affidamento su esportazioni di dati. Non è plug-and-play, ma il loro team probabilmente ha già esperienza con clienti simili.

In conclusione, RIOsys di Armac Systems è una scelta solida per l’MRO in ambito aviazione, offrendo probabilmente un notevole valore con una configurazione relativamente semplice se si rientra nel loro tipico profilo (compagnia aerea con più basi di manutenzione e un mix di pezzi di ricambio rotabili e monouso). Può essere considerato all’avanguardia in termini di allineamento al settore – conosce intimamente il tuo problema. Dal punto di vista tecnologico puro, probabilmente utilizza analisi avanzate (se non un’AI all’avanguardia, almeno algoritmi molto specializzati). I dirigenti MRO che valutano Armac dovrebbero verificare che lo strumento copra effettivamente tutte le esigenze moderne (forse chiedendo se utilizza previsioni probabilistiche o solver di ottimizzazione, ecc.). Il comprovato track record (si affermano risparmi nella “fascia dei milioni per le organizzazioni aeronautiche” ⁴¹) conferisce ad Armac credibilità. Affrontate le loro affermazioni sull’ROI come faresti con qualsiasi fornitore – con un approccio di “fidati ma verifica” – e assicuratevi di disporre del supporto IT necessario per integrarlo nel vostro ambiente.

Baxter Planning (Prophet di Baxter) – Pianificazione orientata ai costi con l’uomo nel ciclo decisionale

Baxter Planning è un fornitore consolidato nella gestione dei pezzi di ricambio, attivo fin dagli anni ‘90. La loro soluzione, spesso denominata Prophet, si rivolge a un ampio ventaglio di settori (tecnologico, dispositivi medici, ecc.) e include in una certa misura anche il settore MRO/aviazione (sebbene la loro presenza più forte sia nel comparto dei pezzi di ricambio per hardware tecnologico e telecom). L’approccio di Baxter si fonda sull’esperienza pratica di pianificazione – il fondatore era lui stesso un pianificatore di pezzi di ricambio – per cui il software riflette processi reali. Ciò significa che copre la pianificazione end-to-end: Previsione, Ottimizzazione dell’Inventario, Rifornimento, Pianificazione delle Riparazioni, Gestione del Ciclo di Vita, Gestione degli Eccessi, ecc., in un unico sistema ⁷.

Un principio chiave del metodo di Baxter è l’“Ottimizzazione del Costo Totale” ⁴⁸. Considerano esplicitamente il costo delle parti, la localizzazione e la criticità del cliente/asset nella pianificazione dell’inventario. In altre parole, il loro motore cerca di minimizzare il costo totale dell’inventario pur raggiungendo gli obiettivi di servizio. Ad esempio, se una parte è molto costosa e solo lievemente critica, il sistema potrebbe accettare un tempo di consegna più lungo (forse affidandosi a ordini d’emergenza) anziché tenerne molte in magazzino. Al contrario, per un articolo no-go in una sede remota, Prophet potrebbe raccomandare di mantenere scorte nonostante la bassa domanda, perché il costo dell’esaurimento (AOG, tempi di inattività) è troppo elevato. Questa è una filosofia di ottimizzazione economica, ovvero ottenere il massimo rendimento dal budget destinato allo stock.

Tuttavia, il modo in cui Baxter ottiene questi risultati sembra avvenire attraverso numerose impostazioni gestite dall’utente, integrate da automazione. Il loro sistema permette ai pianificatori di inserire attributi come la criticità della parte, gli impegni di supporto (SLA), e il software ottimizza all’interno di tali vincoli. Ma esegue previsioni probabilistiche? Non è molto chiaro dalle informazioni pubbliche. Essendo una soluzione più vecchia, probabilmente ha iniziato con metodi di previsione tradizionali (medie mobili, smoothing esponenziale) e magari successivamente ha integrato il metodo di Croston o il bootstrap per la domanda intermittente. Potrebbe non essere esplicitamente probabilistico come Lokad o Smart. Invece, Baxter potrebbe ottimizzare l’inventario attraverso analisi di scenario o formule basate sui livelli di servizio.

Per la domanda intermittente, Baxter riconosce sicuramente il problema – la loro documentazione parla di componenti a bassa rotazione che necessitano di un trattamento speciale. La domanda è se si affidino al pianificatore per classificare tali componenti e scegliere un metodo oppure se il sistema si adatti. Dato l’epoca in cui è stato sviluppato, sospetto piuttosto il primo scenario: il pianificatore imposta, per esempio, un metodo di previsione (forse Prophet ha un modulo per “intermittent demand forecasting” che utilizza una certa tecnica), e poi il sistema lo usa per calcolare i livelli di scorta.

Lo strumento di Baxter enfatizza l’automazione nell’esecuzione: aspetti come Supply Order Automation (la generazione automatica di ordini di acquisto, ordini di riparazione) e Redeployment (lo spostamento delle scorte in eccesso dove è necessario) rientrano nella sua lista di funzionalità ⁴⁹. Questo è fondamentale quando si tratta di migliaia di componenti – si desidera che il sistema avvii automaticamente le azioni raccomandate e coinvolga i pianificatori solo in casi eccezionali. Secondo quasi tutti i resoconti, Prophet è in grado di gestire una grande scala (decine di migliaia di componenti in molte sedi) poiché alcuni dei suoi clienti sono grandi aziende tecnologiche con scorte globali sul campo.

Una cosa da tenere d’occhio è che Baxter Planning storicamente ha effettuato molte personalizzazioni per cliente. In quanto azienda privata più piccola, spesso modificavano o aggiungevano funzionalità per esigenze specifiche. Ciò significa che i risultati possono variare – un’azienda potrebbe utilizzare l’ottimizzazione min-max avanzata di Baxter, un’altra potrebbe usarla in una modalità min-max più semplice. È flessibile, ma questa flessibilità indica anche che, pronto all’uso, potrebbe non costringerti a seguire una “best practice” – ti fornisce gli strumenti.

Baxter non promuove rumorosamente l’IA/ML. Sono più riservati, il che può essere positivo (meno clamore). Ma ciò significa anche che se cerchi previsioni all’avanguardia, devi chiederti: stanno tenendo il passo con i nuovi metodi? È possibile che abbiano incorporato algoritmi più recenti nelle versioni ultime, ma questi non sono ben pubblicizzati.

Considerando la clientela di Baxter, potrebbe non avere tante funzionalità specifiche per l’aviazione integrate. Ad esempio, gestiscono i limiti di vita rigidi (dove un componente viene scartato dopo X utilizzi)? Forse come campo personalizzato, ma non è chiaro se l’ottimizzazione lo consideri naturalmente (oltre alla previsione della domanda quando è il momento del rinnovo). Gestiscono gli stati del ciclo di vita (componenti nuovi, componenti in fase di Fine Vita) e possono pianificare l’ultimo acquisto prima dell’obsolescenza, il che è rilevante in aviazione quando i componenti vengono ritirati dalla produzione.

Per quanto riguarda le affermazioni sui risultati, Baxter tende a non pubblicare percentuali sensazionali. Si concentrano su come aiutano i pianificatori a raggiungere gli obiettivi, piuttosto che su “abbiamo ridotto l’inventario del X%”. Questo potrebbe indicare un approccio realistico: i miglioramenti si verificano, ma dipendono dall’utilizzo dello strumento.

Integrazione: Prophet di Baxter solitamente si integra con un sistema ERP/MRO. L’integrazione è comparabile ad altre – includendo dati di utilizzo, scorte, distinte base, ecc. Baxter probabilmente dispone di connettori predefiniti per sistemi comuni (menzionano il supporto per reti di supply chain superficiali e l’integrazione con altri sistemi aziendali). Tuttavia, non ci si deve aspettare una soluzione plug-and-play; sarà necessario un certo lavoro IT.

Con uno spirito di scetticismo, si dovrebbe esaminare se la soluzione di Baxter stia veramente ottimizzando o se si tratti piuttosto di un supporto decisionale che lasci comunque le scelte critiche agli esseri umani. Il fatto che molti clienti di Baxter si concentrino sull’ottimizzazione dei costi delle sedi di stoccaggio in avanti anziché su una soluzione multi-echelon suggerisce che lo strumento venga spesso usato in una modalità più semplice (ottimizzando ciascuna sede individualmente in base a un obiettivo di costo). Viene osservato che alcune reti dei clienti sono superficiali, quindi la multi-echelon non era una preoccupazione. Ma per una compagnia aerea con un magazzino centrale e sedi satellite, la multi-echelon è importante; si spera che Baxter possa gestirla se necessario.

Per concludere, Baxter Planning offre un sistema di pianificazione dei pezzi di ricambio ben equilibrato, seppur tradizionale. È affidabile, focalizzato sui compromessi tra costo e servizio, e automatizza molte operazioni. Potrebbe non avere le funzionalità di IA più appariscenti, ma possiede una notevole profondità in termini di funzionalità pratiche. Gli executive MRO dovrebbero considerare Baxter come una soluzione “mano sicura” – destinata a migliorare le cose applicando metodi comprovati. Tieni presente che potresti non raggiungere il vertice dell’analitica; otterrai un approccio solido, forse un po’ conservativo. Se la tua organizzazione preferisce maggiore controllo e trasparenza (anziché un’IA in scatola nera), lo stile di Baxter potrebbe essere preferibile. Punto di scetticismo: assicurati che il sistema non dipenda troppo dagli input statici dell’utente (ad esempio, non dovrebbe richiederti di mantenere manualmente una valanga di parametri per i componenti). Chiediti come si adatta al cambiamento (si auto-regola le previsioni ad ogni ciclo, impara la stagionalità o i tassi di utilizzo, ecc.?). Se tutto funziona, Baxter può offrire benefici costanti senza promettere miracoli.

Smart Software (Smart IP&O) – Esperto di nicchia nella previsione della domanda intermittente

Smart Software è un fornitore più piccolo che si è guadagnato una reputazione nell’affrontare una delle parti più difficili del problema: previsione della domanda intermittente. La loro soluzione, ora offerta come piattaforma integrata chiamata Smart IP&O (Inventory Planning & Optimization), ha avuto origine da lavori accademici per migliorare il metodo di Croston. Infatti, Smart Software ha introdotto un metodo di bootstrapping brevettato per la previsione della domanda intermittente che ha vinto un premio da APICS ⁸. Questo metodo è ben documentato in white paper e genera, sostanzialmente, numerosi scenari sintetici di domanda basati sulla cronologia, per creare una distribuzione completa della domanda su un tempo di consegna ^{8 50}. Il risultato è una curva di probabilità che indica quante unità potrebbero essere necessarie, invece di una singola stima. Con ciò, puoi pianificare livelli di scorta quasi ottimali per una probabilità di servizio desiderata.

Per l’MRO in ambito aeronautico, dove oltre l'80% dei componenti potrebbe essere a bassa rotazione con molti zeri nella domanda ^{51 52}, l’accuratezza previsionale di Smart può fare la differenza. Le tecniche tradizionali di previsione (medie mobili, ecc.) falliscono miseramente con questi dati. L’approccio probabilistico di Smart gestisce la natura “irregolare” senza uniformarla, ma abbracciandola. Può modellare molto bene schemi insoliti come “di solito vediamo 0, ma occasionalmente 5 unità in un picco”.

I dettagli tecnologici di Smart sono sorprendentemente concreti: affermano di non presupporre alcuna distribuzione particolare (quindi non forzano ciecamente distribuzioni normali o di Poisson) e utilizzano invece dati empirici per simulare gli esiti ⁵³. Specificano in particolare che la domanda spesso “non si conforma a una semplice distribuzione normale”, da cui il loro approccio di bootstrapping ⁸. Producono quindi “l’intera distribuzione della domanda cumulativa su tutto il tempo di consegna di un articolo” ⁵⁴. Con ciò, calcolare lo stock di sicurezza per, ad esempio, un livello di servizio del 95% è semplice e accurato – basta prendere il 95° percentile di quella distribuzione.

La soluzione di Smart Software va oltre la semplice previsione; la loro piattaforma IP&O include anche moduli di ottimizzazione dell’inventario e di pianificazione della domanda. Tuttavia, il fattore distintivo principale rimane la parte previsionale. La componente di ottimizzazione probabilmente utilizza quelle distribuzioni previsionali per calcolare i punti di riordino, le quantità d’ordine, ecc., per minimizzare le scorte pur raggiungendo gli obiettivi di servizio. È possibilmente meno sofisticata nell’ottimizzazione multi-echelon o in aspetti come i cicli dei componenti riparabili. Si potrebbe integrare l’output di Smart in un altro sistema per questo scopo, oppure gestire ogni sede separatamente in Smart (il focus storico era sulla single-echelon, ma potrebbero aver aggiunto funzionalità multi-sede in IP&O).

Un vantaggio delle dimensioni e del focus di Smart è che spesso si integrano con i sistemi EAM/ERP più utilizzati nella manutenzione. Ad esempio, elencano integrazioni con IBM Maximo, SAP, Oracle, ecc. ⁵⁵. Ciò suggerisce che puoi collegare facilmente il loro motore previsionale al tuo sistema esistente. In sostanza, utilizzeresti Smart per calcolare i parametri di stoccaggio (come min/max o lo stock di sicurezza per ogni componente) e poi reintegrarli nell’ERP per l’esecuzione. Questo rappresenta un paradigma diverso rispetto alla sostituzione completa del tuo sistema di pianificazione.

Osservando le loro affermazioni: Smart cita spesso che le aziende che utilizzano la loro soluzione “riducono l’inventario di circa il 20% nel primo anno e aumentano la disponibilità dei componenti del 10-20%” ⁵⁶. Queste affermazioni sono ragionevoli e meno esagerate rispetto ad altre che vediamo (e si allineano con i miglioramenti tipici ottenuti da una previsione migliore). Implica che precedentemente le aziende o accumulavano scorte “per sicurezza” oppure stoccavano componenti sbagliati; ottimizzando, hanno liberato il 20% dell’inventario migliorando al contempo il servizio. Tuttavia, nessuna fonte indipendente conferma quei numeri esatti per ogni caso – perciò considerali come una media di casi di successo. Non è garantito, ma è plausibile se un’azienda non aveva in precedenza una pianificazione probabilistica.

Poiché Smart è altamente specializzata, lo scetticismo da applicare è: può gestire l’intero ambito delle esigenze MRO in ambito aeronautico? Prevedere e impostare i livelli di scorta è una cosa; ma come gestire i turnaround delle riparazioni, il pooling dei componenti rotabili o il riequilibrio dinamico dell’inventario tra le sedi? Smart IP&O potrebbe non includere tutte quelle funzionalità extra. Potrebbe presupporre un processo abbastanza standard in cui lo stock di ogni sede viene pianificato in base a un livello di servizio target e basta. Potrebbe non ottimizzare quali sedi dovrebbero detenere scorte se disponi di una rete – almeno non al livello che farebbe uno strumento multi-echelon. Inoltre, probabilmente non incorpora esplicitamente metriche di ingegneria dell’affidabilità (a meno che tu non le integri in qualche modo nella cronologia della domanda).

Un’altra precauzione riguarda l’automazione rispetto all’input dell’utente: gli strumenti di Smart calcoleranno i numeri, ma spetta all’utente decidere i target di livello di servizio (anche se affermano “accuratezza quasi del 100%”, quindi forse mirano a un servizio elevato ottimizzando i costi). Smart non ti obbliga a scegliere un modello previsionale per ogni SKU; l’algoritmo lavora automaticamente sui dati. Questo è positivo. Tuttavia, devi comunque gestire le eccezioni – ad esempio, se un componente sta per diventare obsoleto, devi informare il sistema o regolare manualmente la previsione. La tecnologia “Gen2” di cui parlano ⁵⁷ potrebbe includere un’identificazione più automatica dei fattori causali della domanda, ma i dettagli non sono pubblici.

L’integrazione (ancora una volta) richiede impegno. Smart fornisce la base scientifica, ma devi alimentarlo con dati (una cronologia della domanda pulita, ecc.) e poi prendere il suo output per implementarlo. Se un’organizzazione non è pronta a fidarsi delle previsioni o degli stock di sicurezza generati, potrebbe sovrascriverli, riducendo il beneficio. Le storie di successo di Smart solitamente coinvolgono un team dedicato che utilizza appieno le raccomandazioni dello strumento.

In generale, Smart Software è in qualche modo uno strumento specializzato che può potenziare la capacità di pianificazione di un MRO. Si può affermare che sia all’avanguardia nella previsione della domanda intermittente – persino alcuni fornitori più grandi potrebbero usare metodi meno avanzati in questo specifico ambito. Se un MRO ritiene che la sua principale criticità sia l’accuratezza previsionale per migliaia di componenti sporadici, Smart è una soluzione attraente. Ma se la sfida maggiore è ottimizzare una complessa supply chain per la riparazione, Smart da solo potrebbe non bastare; potrebbe rappresentare un tassello di un puzzle più ampio (forse usato in combinazione con un ERP o un altro sistema di pianificazione).

Per gli executive MRO con un focus tecnologico, vale la pena considerare Smart IP&O non come una sostituzione completa dei sistemi di pianificazione, ma come un “motore di previsioni in una scatola”. Il punto scettico da mantenere: assicurati che l’organizzazione possa agire in base a quelle previsioni (hai processi per eseguire le raccomandazioni sullo stock?) e interroga Smart su come gestisce aspetti come la variabilità dei tempi di consegna (sono molto bravi nella variabilità della domanda; si spera che simulino anche i tempi di consegna, o almeno consentano buffer per la variabilità). Inoltre, chiarisci come si aggiornano – se arrivano nuovi dati che mostrano un picco, quanto rapidamente reagiscono e se evitano reazioni eccessive. Dato il loro rigore accademico, probabilmente ci hanno pensato, ma è sempre bene verificare.

IBM MRO Inventory Optimization (Oniqua) – Supporto Decisionale Basato sui Dati

L’IBM MRO Inventory Optimization, che è sostanzialmente il prodotto acquisito da IBM da Oniqua nel 2018, è posizionato come una piattaforma analitica per industrie ad alta intensità di asset come quelle minerarie, l’energia, la manifattura e sì, l’aerospaziale. Oniqua era nota per il suo approccio fortemente orientato alla consulenza per ottimizzare gli inventari MRO nelle aziende minerarie, concentrandosi sulla minimizzazione dei tempi di inattività e sulla riduzione dell’inventario. In qualità di parte di IBM, lo strumento è stato integrato nella suite Maximo e Supply Chain di IBM, ma può essere usato anche come sistema standalone.

IBM MRO IO è descritto come “che combina analisi statistiche, analisi prescrittiva, automazione e algoritmi di ottimizzazione” per migliorare i livelli di servizio e ridurre i costi ⁹. Ciò significa in pratica: analizza i dati di utilizzo e dell’inventario, identifica dove hai troppa scorta (eccesso) e dove sei a rischio di stockout, e poi prescrive azioni come “riduci questo, aumenta quello”. È in qualche modo simile ad avere un analista intelligente che esamina continuamente i KPI del tuo inventario MRO. Il software include funzionalità come la valutazione degli articoli (probabilmente un punteggio di criticità o rischio) e code di lavoro per i pianificatori ¹⁰. Ciò indica che genererà una lista di azioni raccomandate per l’utente da esaminare – un modo molto pratico per gestire migliaia di componenti.

Per quanto riguarda la previsione, IBM menziona esplicitamente la “intermittent demand forecasting” come capacità di MRO IO ¹⁰. Data l’esperienza di Oniqua, probabilmente hanno impiegato il metodo di Croston o una variante per prevedere l’uso sporadico dei componenti. Potrebbe non essere avanzato quanto il bootstrapping di Smart, ma almeno affronta la natura intermittente. Inoltre, la soluzione IBM considera criticità, tempi di consegna e altro quando esamina i dati storici per generare insight ⁵⁸. Ciò suggerisce uno strato analitico basato su regole: ad esempio, potrebbe evidenziare che “il componente critico X ha un tempo di consegna di 90 giorni, e non hai stock di sicurezza – alto rischio.” Il sistema potrebbe quindi raccomandare di aumentare lo stock di X, e al contrario segnalare i componenti non critici con troppe scorte.

IBM inoltre vanta risultati come “riduzione del 50% dei tempi di inattività non pianificati legati ai componenti” e “riduzione del 40% dei costi di inventario” ⁵⁹. Queste affermazioni sono molto audaci e probabilmente rappresentano scenari ottimali. Dovremmo essere scettici: una riduzione del 50% dei tempi di inattività grazie a uno strumento è enorme – probabilmente si parte dal presupposto che i tempi di inattività siano causati dalla mancanza di componenti e che tu abbia risolto tutti quei casi migliorando le scorte. In una compagnia aerea ben gestita, i tempi di inattività causati dai componenti sono già contenuti (si fa di tutto per evitare AOG a tutti i costi). Allo stesso modo, una riduzione del 40% dei costi di inventario è enorme – possibile solo se l’azienda aveva un inventario eccessivo all’inizio (cosa comune in alcune industrie pesanti che accumulano pezzi di ricambio, ma meno nell’aviazione commerciale che già tenta di ottimizzare a causa dell’elevato costo dei componenti). Quindi, questi numeri dovrebbero essere considerati come valori anomali o dati selezionati dal marketing ⁵⁹.

Tecnologicamente, lo strumento di IBM probabilmente non utilizza un’IA/ML appariscente, a parte forse un po’ di riconoscimento dei pattern nei dati di utilizzo. IBM, come azienda, fa molto con l’IA (Watson, ecc.), ma non ci sono indicazioni che quel livello di IA sia incorporato qui. Il termine “analytics predittivo e prescrittivo” viene usato ⁶⁰, il che nel gergo dell’analisi spesso significa: predittivo = prevedere cosa potrebbe accadere (ad esempio, prevedere guasti futuri di componenti o consumi), prescrittivo = suggerire azioni (ad esempio, ordinare questo componente ora, ridurre quell’ordine). Questi strumenti sono preziosi, ma possono essere realizzati con modelli statistici relativamente semplici affiancati da regole aziendali. In effetti, l’approccio legacy di Oniqua era piuttosto consulenziale – impostavano regole e soglie adattate ad ogni cliente (per esempio, se un componente non si muove da 5 anni, è in eccesso; se un componente ha causato un esaurimento scorte l’anno scorso, forse aumentare le scorte). IBM probabilmente ha prodotto qualche versione di quella logica.

Una possibile criticità per alcuni: IBM MRO IO potrebbe presumere che tu abbia una buona padronanza dei dati di manutenzione e degli asset (dato che viene spesso venduto con Maximo). Se un MRO nel settore dell’aviazione non utilizza Maximo, può comunque utilizzare MRO IO, ma l’integrazione con i loro sistemi e la garanzia dell’accuratezza dei dati (gerarchie degli equipaggiamenti, definizioni di asset critici, ecc.) saranno fondamentali. L’affermazione che esso “elimina i prerequisiti di dati ingerendo i dati così come sono” che abbiamo visto in un concorrente (Verusen) non è qualcosa che IBM proclama esplicitamente – IBM sa che la pulizia dei dati è necessaria. Quindi, aspettatevi una fase di preparazione dei dati.

La soluzione di IBM probabilmente si basa in una certa misura sull’input dell’utente per alcune operazioni: ad esempio, è necessario classificare i componenti in base alla loro criticità (go/no-go) nel sistema, impostare i tempi di consegna, i costi, ecc. L’ottimizzazione avviene quindi all’interno di questi parametri. Potrebbe non conoscere automaticamente la criticità di un componente a meno che non vengano forniti i dati. Quindi, è valido solo quanto la tua governance dei dati.

In termini di automazione, IBM IO automatizza l’analisi, non necessariamente l’esecuzione. Ti fornisce una lista di cose da fare; l’ordinazione effettiva potrebbe comunque essere gestita nel tuo ERP dai pianificatori. Si tratta di un’automazione un po’ meno integrata rispetto, ad esempio, a uno strumento che genera direttamente le richieste d’acquisto. Tuttavia, alcune aziende preferiscono questo approccio “human-in-the-loop” per evitare che il sistema prenda decisioni strane autonomamente.

Considerato il peso aziendale di IBM, ci si può fidare del fatto che l’aspetto dell’integrazione sia ben supportato (soprattutto per il Maximo di IBM o per SAP, con cui IBM collabora spesso). Ma ancora, il “plug-and-play” è improbabile – IBM o un partner probabilmente condurranno un progetto abbastanza esteso per configurarlo secondo i processi di manutenzione e supply chain della tua azienda.

In sintesi, IBM MRO Inventory Optimization (Oniqua) è una solida soluzione analitica che può portare notevoli miglioramenti, soprattutto se attualmente hai una scarsa visibilità sulle prestazioni del tuo inventario. È efficiente nell’identificare inefficienze evidenti (scorte in eccesso, potenziali esaurimenti) e nell’ottimizzare il “low-hanging fruit”. Gestisce la domanda intermittente e la criticità tramite metodi statistici e basati su regole, anche se non necessariamente impiega le tecniche di IA più avanzate. Per un dirigente MRO nel settore dell’aviazione, questo potrebbe essere uno strumento di miglioramento piuttosto incrementale anziché un nuovo sistema AI rivoluzionario – il che potrebbe essere perfettamente accettabile se hai bisogno di sistemare le basi. Occorre applicare uno scetticismo alle grandi affermazioni di miglioramento: interroga IBM su cosa significhino realmente quei numeri e chiedi referenze simili alla tua operazione. Inoltre, assicurati che il funzionamento dello strumento (dashboard analitiche, ecc.) sia adatto al tuo team – potrebbe richiedere che i tuoi pianificatori adottino un workflow più analitico. Se la tua cultura è pronta per questo, la soluzione di IBM può sistematicamente guidare i miglioramenti. Se ti aspettavi una IA “scatola nera” che ottimizza magicamente tutto senza controllo, questo non fa per te (e onestamente, tale soluzione plug-and-play non esiste ancora).

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

Vale la pena discutere le opzioni dei principali fornitori ERP in quanto sono “rilevanti”, soprattutto per le organizzazioni che cercano di sfruttare le capacità dei sistemi già in uso prima di acquistare un software specializzato. SAP Service Parts Planning (SPP) e i moduli per ricambi di Oracle sono quelli chiave.

SAP SPP: Fa parte della suite APO (Advanced Planning & Optimization) di SAP ed è ora parzialmente disponibile in SAP IBP (Integrated Business Planning). SPP è stato co-sviluppato con grandi aziende industriali a metà degli anni 2000. Include funzionalità come l’ottimizzazione dell’inventario a più livelli, il forecasting (inclusi modelli specifici per la domanda intermittente) e la pianificazione dei requisiti distributivi per i ricambi. Sulla carta, SAP SPP può fare molto: dispone di un metodo di previsione di Croston per la domanda intermittente (SAP lo documenta addirittura come “Forecast Strategy 80” utilizzando il metodo di smoothing esponenziale di Croston per quantità e intervalli) ¹². Ha anche una variante aggiornata di Croston (Croston-TSB) ⁶¹. Quindi, SAP ha incorporato metodi accademici noti per la domanda irregolare. Può inoltre modellare trasbordi laterali, dispone di una funzionalità integrata di sostituzione dei componenti (intercambiabilità dei prodotti) e può ottimizzare le scorte in una rete, dato un determinato livello di servizio o fill rate. Caterpillar e Ford sono stati tra i primi influenzatori e, a un certo punto, si affermava che SAP SPP avesse funzionalità molto avanzate (alcuni analisti ritenevano che potesse competere con gli strumenti di riferimento) ⁶².

Tuttavia, la realtà nel settore dell’aviazione è che poche compagnie aeree o MRO hanno sfruttato appieno il potenziale di SAP SPP. Una ragione è la complessità e l’esigenza di expertise. Configurare SPP significa impostare numerosi parametri: bisogna assegnare modelli di previsioni a ciascun componente (Croston per quelli veramente intermittenti, magari una media mobile per altri, ecc.), mantenere i dati anagrafici come flag di phase-in/phase-out e, soprattutto, decidere i livelli di servizio target per ciascun componente o gruppo. SAP SPP non decide intrinsecamente quale livello di servizio sia necessario – lo fornisci tu. Spesso le aziende utilizzavano la classificazione ABC/XYZ per raggruppare i componenti e poi assegnare a ciascun gruppo un livello di servizio target. Questo approccio è definito dall’utente e non ottimizza veramente il compromesso. È essenzialmente un input per l’ottimizzazione. SAP calcola quindi i requisiti di scorta per raggiungere quegli input al minimo delle scorte (questa è la parte di ottimizzazione, utilizzando magari un solver MILP per scorte multi-livello). Ma se questi obiettivi sono errati, i risultati non saranno economicamente ottimali a livello globale.

Un’altra sfida è che l’interfaccia utente e gli avvisi di SAP per SPP non erano particolarmente user-friendly rispetto agli strumenti specializzati. È integrato nell’ambiente SAP, il che è positivo per l’IT ma forse non ideale per la produttività dei pianificatori. Molti finirono per utilizzare solo alcune parti del sistema (come solo il forecasting o solo la pianificazione della distribuzione, gestendo le altre funzioni con Excel).

Dal punto di vista dello stato dell’arte oggi, SAP SPP appare in qualche modo congelato nel tempo. Il focus strategico di SAP è passato a IBP, e IBP per i ricambi sta ancora recuperando in termini di funzionalità. Ad esempio, alcune capacità avanzate di SPP non sono state inizialmente migrate su IBP. Quindi, se un MRO dell’aviazione si affida a SAP e considera l’uso della pianificazione integrata, potrebbe scoprire che sono necessarie molte personalizzazioni (e possibilmente soluzioni di terze parti) per soddisfare tutte le esigenze. Per esempio, gestire BOM di riparazioni casuali o prevedere tassi di rimozione potrebbe non essere disponibile out-of-the-box; potrebbe essere necessario creare previsioni personalizzate basate su ore di volo o consumo (alcuni utenti SAP hanno chiesto previsioni basate sui driver dell’installed base piuttosto che sulla cronologia dei consumi ⁶³, evidenziando lacune nelle funzionalità standard per il forecasting specifico MRO).

Oracle: La pianificazione dei ricambi di Oracle (spesso via il Value Chain Planning della Oracle E-Business Suite o come parte di Oracle Cloud SCM) offre in maniera analoga funzionalità di base. Copre il forecasting (probabilmente offrendo anche il metodo di Croston o modelli intermittenti analoghi), l’ottimizzazione multi-livello dell’inventario e l’integrazione esecutiva. La forza di Oracle potrebbe risiedere nell’integrazione con Oracle eAM (Enterprise Asset Management) e il suo ERP, ma non è stata evidenziata come leader in questo settore. Oracle non ha neppure partecipato ad alcuni studi di benchmarking sui ricambi ⁶⁴, il che suggerisce che non venga spinta in maniera aggressiva. Probabilmente funziona sufficientemente se configurata bene, ma, come SAP, si basa su metodi classici e su una preparazione dati intensiva. L’approccio di Oracle è tipicamente deterministico a meno che non si acquisisca un pacchetto di ottimizzazione – è in grado di, per esempio, calcolare una scorta di sicurezza basata su un livello di confidenza assumendo una certa distribuzione (spesso normale o Poisson). Tuttavia, aspettarsi che il sistema di Oracle si auto-regoli o utilizzi il machine learning sarebbe irrealistico.

Problemi comuni (SAP/Oracle): Entrambe le soluzioni ERP soffrono del fatto che il MRO nel settore dell’aviazione non è una soluzione unica per tutti. Questi sistemi sono generici, quindi catturare qualcosa come “procedi se un componente può rinviare la sostituzione per 30 giorni” non è un parametro standard da attivare – dovresti incorporare quella logica manualmente (magari stabilendo che il livello di servizio per quel componente possa essere leggermente inferiore, ecc.). La personalizzazione necessaria per modellare realmente il programma di manutenzione di una compagnia aerea può essere ampia. Ad esempio, modellare BOM di manutenzione casuale in SAP potrebbe comportare l’utilizzo dei programmi di manutenzione pianificata come domande dipendenti e quelli non pianificati come domande statistiche, ecc. È fattibile, ma complesso.

Inoltre, l’eccesso di impostazioni definite dall’utente: in SAP o Oracle, i pianificatori potrebbero dover gestire numerose impostazioni – come periodi di revisione, regole per le quantità dei lotti, scorte minime di sicurezza, ecc. – perché altrimenti il sistema potrebbe non comportarsi come desiderato. Ognuna di queste impostazioni rappresenta un’opportunità per errori o scelte subottimali. Questa dipendenza dalla configurazione manuale da parte dell’utente è esattamente ciò che le soluzioni più avanzate cercano di eliminare attraverso l’automazione.

Vantaggio dell’integrazione: Se già utilizzi SAP o Oracle, l’uso del loro modulo significa che non dovrai affrontare una pesante integrazione dei dati anagrafici – è tutto in un unico sistema. Questo è un vantaggio (nessuna latenza nei dati, nessun problema di riconciliazione). Tuttavia, ironicamente, le aziende spesso scoprono che devono comunque costruire interfacce – per esempio, estrarre dati in uno strumento di forecasting (come Smart) o in un data warehouse personalizzato per effettuare operazioni che il modulo ERP non riesce a gestire. Quindi, il vantaggio dell’integrazione può venire meno se lo strumento integrato non è totalmente all’altezza del compito e viene integrato con altri strumenti.

Da una prospettiva scettica, le affermazioni di SAP e Oracle (quando le fanno) sono solitamente moderate; non vengono pubblicizzati grandi miglioramenti in percentuale, perché sanno che tutto dipende dall’implementazione. La tecnologia in questi sistemi è solida ma non all’avanguardia – in gran parte si basa su metodi accademici del tardo XX secolo implementati in software. Inoltre, manca quel clamore attorno all’IA/ML (a parte SAP che ha iniziato a parlare di “MRP orientato alla domanda con machine learning” in altri contesti, ma non specificamente per la pianificazione dei ricambi).

Per un dirigente MRO, il punto chiave è: se già possiedi questi sistemi, potresti cercare di sfruttarli, ma preparati a un percorso potenzialmente lungo di messa a punto, che potrebbe non raggiungere il livello di prestazioni che strumenti specializzati potrebbero offrire. D’altra parte, comportano un rischio di fornitore inferiore (è SAP/Oracle, saranno ancora presenti, ed è tutto in un unico sistema). Un’analisi scettica concluderebbe che sebbene le soluzioni SAP e Oracle siano rilevanti, in generale restano indietro rispetto ai fornitori specializzati sia in termini di automazione che di sofisticazione. Servono da base di partenza, e molte compagnie aeree che le usano finiscono per integrarle o sostituirle con uno degli strumenti specialistici sopra menzionati per ottimizzare davvero la loro supply chain MRO.

Nuovi Entranti AI (ad es. Verusen) – Dalle parole d’ordine alla verifica della realtà

Nessuno studio di mercato del 2025 sarebbe completo senza menzionare la nuova ondata di startup e soluzioni basate su IA che stanno emergendo per l’ottimizzazione della supply chain. Nel settore MRO, un esempio è Verusen, che si commercializza come “L’unica piattaforma AI progettata appositamente per ottimizzare l’inventario, la spesa e il rischio nella supply chain MRO dei produttori ad asset intensivi” ⁶⁵. Quella dichiarazione audace suscita immediatamente scetticismo – “l’unica piattaforma AI” è ovviamente un’iperbole di marketing (come già osservato, molti operatori consolidati affermano l’utilizzo dell’IA in varie forme).

L’approccio di Verusen, basato sui materiali forniti, si concentra molto sull’ingestione e pulizia dei dati. Vengono enfatizzati aspetti come “ingerire i dati così come sono dai sistemi ERP/EAM” e l’applicazione dell’IA per identificare materiali duplicati e consolidare i dati ⁶⁶. Questo affronta un problema reale: i dati MRO sono spesso disordinati (la stessa parte registrata con nomi leggermente differenti, ecc.). Verusen utilizza il machine learning (probabilmente NLP e riconoscimento di pattern) per razionalizzare i dati anagrafici dei materiali. Ciò è prezioso come precursore all’ottimizzazione – se i tuoi dati sono un caos, anche il miglior algoritmo non può aiutarti. Quindi, Verusen sembra concentrarsi sulla creazione di una fonte unica di verità accurata per le parti per poi individuare opportunità di ottimizzazione (come identificare eccessi di stock tra gli impianti che potrebbero essere condivisi, o ridurre le scorte di sicurezza in presenza di un’offerta eccessiva).

Dove Verusen e altri entranti simili mancano è nella profondità effettiva delle capacità di forecasting e degli algoritmi di inventario. Parlano in termini generali di IA, ma senza specificare i dettagli. Si potrebbe ipotizzare che usino modelli ML generici per prevedere l’utilizzo (forse qualche rete neurale che guarda al consumo e ad altri fattori). Senza dettagli, bisogna essere cauti. Nel campo della supply chain, molte startup hanno tentato il forecasting basato esclusivamente su ML e hanno constatato che non riesce facilmente a superare modelli statistici ben calibrati per la domanda intermittente (molto difficile da prevedere per il ML standard a causa dei numerosi zeri).

Verusen enfatizza anche il fatto di essere basato su cloud e di integrarsi rapidamente – suggerendo una promessa di maggiore “plug-and-play” rispetto ai fornitori più datati. Tuttavia, qui si emette un forte avvertimento: Non importa quale sia la piattaforma, collegarsi all’ERP di un’azienda e ottenere tutti i dati MRO rilevanti non è mai veramente plug-and-play. Ogni ERP o sistema MRO ha campi personalizzati, estensioni, e i dati spesso necessitano di pulizia (componenti duplicati, mancanza di tempi di consegna, ecc.). La promessa di Verusen di ingerire i dati “così come sono” ⁶⁷ è interessante – suggerisce che la loro IA sia in grado di filtrare il rumore. Forse riesce a raggruppare elementi simili per identificare duplicati o stimare tempi di consegna mancanti in base al contesto. Queste funzionalità sono interessanti, ma un dirigente dovrebbe richiedere prove che l’IA funzioni correttamente. Non vorresti un algoritmo che decida che due numeri di parte siano duplicati quando in realtà si tratta di componenti critici differenti.

La visione scettica sui nuovi ingressi dell’IA: portano idee fresche e interfacce spesso facili da usare (UX moderna, dashboard). Possono risolvere alcuni problemi accessori come la qualità dei dati e semplici analisi what-if. Ma a volte mancano della conoscenza settoriale durevolmente acquisita incorporata nelle soluzioni più vecchie. Una startup di IA potrebbe non sapere che “la parte ABC non è consentita per il volo ma può essere posticipata di 3 giorni se necessario” a meno che tu non lo dica esplicitamente; mentre uno strumento specifico per il settore potrebbe includere quella logica. Quindi, ogni nuovo operatore di IA dovrebbe essere messo sotto pressione su come tiene conto dei requisiti specifici dell’aviazione: lifing, restrizioni di certificazione, conformità normativa (non puoi semplicemente usare una parte alternativa senza la documentazione adeguata, ecc.), tra gli altri.

Detto ciò, alcuni nuovi operatori potrebbero collaborare con esperti del settore o assumere ex pianificatori MRO per integrare regole. Non è impossibile per loro recuperare il ritardo, ma è qualcosa da verificare, non da presumere.

Altri approcci nuovi notevoli includono l’utilizzo diretto dei dati IoT e della manutenzione predittiva per la pianificazione dell’inventario (alcune soluzioni utilizzano i dati dei sensori per prevedere il fallimento di una parte, quindi li collegano alle necessità d’inventario). Questo ambito è in evoluzione e spesso si manifesta attraverso sistemi di previsione della manutenzione piuttosto che sistemi d’inventario. Ma la convergenza è in atto – ad esempio, il software di manutenzione predittiva di un produttore di motori potrebbe consigliare di tenere in magazzino certi moduli in determinate località perché “vede” un aumento del rischio di guasto. I dirigenti MRO dovrebbero essere consapevoli che il panorama potrebbe vedere una maggiore integrazione verticale (OEM che offrono un servizio end-to-end, inclusa l’ottimizzazione dell’inventario, utilizzando i loro dati sull’attrezzatura).

In sostanza, tieni d’occhio le startup che sostengono di utilizzare IA/ML per l’MRO – potrebbero offrire un pezzo del puzzle o addirittura integrarsi con uno degli strumenti più grandi (ad esempio, un’IA per la pulizia dei dati che alimenta un Lokad o Servigistics). Mantieni uno scetticismo nei confronti delle loro affermazioni audaci finché non saranno in grado di dimostrare i risultati. Spesso, i piccoli nuovi fornitori hanno studi di caso limitati e questi potrebbero essere progetti pilota, non implementazioni complete.

Si dovrebbe anche considerare come questi nuovi sistemi coesisteranno con i processi estesi e i sistemi legacy nell’aviazione. Uno strumento IA appariscente che non riesce a esportare facilmente i suoi risultati nel tuo ERP esistente per l’esecuzione, o che non registra le decisioni per l’audit (importante per la conformità in ambito aviazione), incontrerà ostacoli. I dirigenti vorranno vedere che qualsiasi strumento del genere possa integrarsi nel flusso di lavoro (il che potrebbe, ironicamente, richiedere tanto sforzo d’integrazione quanto qualsiasi altro software).

Conclusioni e Raccomandazioni

Questo studio di mercato scettico rivela un ecosistema di soluzioni, ciascuna delle quali tenta di risolvere le insidiose sfide di ottimizzazione dei ricambi per l’MRO nell’aviazione. Nessuna soluzione è una panacea, e le promesse altisonanti dovrebbero sempre essere esaminate con domande tecniche e prove pilota.

Tuttavia, sono disponibili tecniche all’avanguardia: la previsione probabilistica, l’ottimizzazione multi-echelon e l’IA/ML per il riconoscimento dei modelli possono migliorare significativamente le prestazioni se implementate correttamente. Fornitori come Lokad stanno spingendo oltre i confini di tali metodi specificamente per l’aviazione, mentre giganti come PTC Servigistics e Syncron incorporano molte funzionalità avanzate sebbene con un linguaggio di marketing più opaco. ToolsGroup, Baxter, Smart e altri offrono competenze solide che, se allineate alle esigenze della tua organizzazione, possono dare benefici notevoli – purché non li accenda semplicemente e ci si aspetti la magia. La maturità dei processi interni e la qualità dei dati rimangono cruciali.

Un tema ricorrente è il compromesso tra automazione e controllo da parte dell’utente. Sistemi altamente automatizzati, guidati dall’IA, possono gestire vaste quantità e complessità (decine di migliaia di P/N) ma possono sembrare una “scatola nera”. Sistemi più vecchi o più manuali offrono agli utenti maggiori leve, ma a costo di una complessità travolgente per cataloghi di grandi dimensioni. L’ideale sembra essere un sistema che automatizzi il lavoro pesante (previsione, calcolo dello stock ottimale) e al contempo offra trasparenza e la possibilità di intervenire per i pianificatori in caso di eccezioni. Nel valutare i fornitori, i dirigenti MRO dovrebbero chiedere: Il sistema si adatta automaticamente ai cambiamenti della domanda/tempi di consegna, o richiede che io regoli le impostazioni? Se un fornitore fa affidamento su di te per mantenere numerose regole di min/max o di classificazione, ciò è indice di una tecnologia meno potente (o almeno, di una tecnologia non sfruttata appieno).

Sii estremamente scettico nei confronti di qualunque fornitore che vanti un’integrazione “plug-and-play” nei tuoi sistemi MRO. Gli ambienti IT MRO in ambito aviazione sono eterogenei – che tu utilizzi AMOS, TRAX, Ultramain, Maximo, SAP o soluzioni sviluppate internamente, integrare uno strumento di ottimizzazione richiederà la mappatura dei campi dati e probabilmente la pulizia degli stessi. Un fornitore che afferma di poter implementare in poche settimane con un minimo sforzo IT probabilmente sta sottovalutando il lavoro o assumendo uno scopo molto ristretto. È saggio allocare tempo per l’integrazione e i test, e coinvolgere fin da subito il tuo team IT per verificare quelle affermazioni.

Un altro segnale d’allarme a cui prestare attenzione è la dipendenza da studi di caso o rapporti di analisti che sembrano troppo belli per essere veri. Molti studi di caso non menzionano le difficoltà o il punto di partenza. Ad esempio, “l’inventario è stato ridotto del 30%” potrebbe sembrare fantastico, ma se l’azienda inizialmente non aveva un sistema di pianificazione, allora il 30% potrebbe essere ottenuto con un qualsiasi buon miglioramento di processo. Allo stesso modo, “il livello di servizio è migliorato al 99%” potrebbe significare che hanno accumulato scorte in eccesso. Indaga sempre più a fondo: chiedi le metriche prima e dopo in contesto, e ancor meglio, parla direttamente con i clienti di riferimento se possibile anziché affidarti a citazioni patinate.

D’altra parte, quando i fornitori forniscono dettagli ingegneristici specifici o metodologie, è un buon segno. Significa che hanno metodi concreti anziché semplici slogan. Ad esempio, Smart Software che spiega apertamente il proprio metodo di bootstrapping ⁸, o Lokad che discute di differentiable programming, mostra sostanza. I fornitori che lanciano in aria “IA/ML” senza spiegare come si applichi al problema probabilmente si aspettano che gli acquirenti non li mettano in discussione – ma tu dovresti assolutamente farlo. Chiedi loro, ad esempio, come il loro machine learning gestisce una parte che ha zero utilizzo per la maggior parte dei mesi e poi un’improvvisa necessità – quali input utilizza l’ML? Se rispondono con gergo e senza chiarezza, stai attento. Se, invece, riescono ad articolare, per esempio, “raggruppiamo parti simili e usiamo un modello Bayesiano che combina le ore operative della flotta con le rimozioni storiche”, allora almeno hanno un approccio.

In sintesi, per i dirigenti MRO che valutano queste soluzioni:

• Adatta lo strumento al tuo problema: Se soffri di una variabilità incontrollata della domanda e di esaurimenti di scorte, dai la priorità ai fornitori con una comprovata previsione probabilistica (Lokad, ToolsGroup, Smart, Syncron in una certa misura). Se il tuo problema è un eccesso di inventario e una mancanza di visibilità, uno strumento di analisi prescrittiva (IBM/Oniqua o Baxter) potrebbe essere sufficiente per eliminare gli sprechi.
• Valuta le capacità del tuo team: Un sistema molto avanzato richiede pianificatori/analisti qualificati per interagire con esso (o gli esperti del fornitore per supportarti). Un sistema più semplice potrebbe essere gestito da un team snello, ma potrebbe non sfruttare ogni opportunità di ottimizzazione.
• Pianifica il lavoro sui dati e sull’integrazione: Qualunque software tu scelga, investi nella pulizia dei dati principali delle parti, dei dati di utilizzo e nell’implementazione delle interfacce. Non è entusiasmante come l’IA, ma è fondamentale.
• Sperimenta e verifica: Conduci un progetto pilota su un sottoinsieme di parti o in una determinata località. Verifica se gli algoritmi sofisticati del fornitore producono effettivamente raccomandazioni sensate (ad esempio, assenza di scorte per una parte critica? o un enorme stock di qualcosa di economico?). Verifica la loro ottimizzazione simulando scenari. Un buon fornitore lavorerà con te su questo; uno inaffidabile eviterà troppe verifiche.

Il problema dell’inventario MRO nell’aviazione è spesso descritto come “estremamente impegnativo” ⁶⁸ – ed effettivamente lo è. Ma gli strumenti di oggi stanno emergendo per affrontare quella sfida. Eliminando l’hype e concentrandosi su capacità verificabili, un MRO può scegliere una soluzione che ottimizza veramente la gestione dei ricambi, offrendo miglioramenti tangibili in termini di affidabilità e risparmi sui costi. Ricorda il motto dello scettico: in God we trust, all others – bring data. Ogni fornitore dovrebbe essere in grado di mostrare dati a supporto delle proprie affermazioni nel contesto della tua operazione. Con la dovuta diligenza, puoi trovare un partner software che vada oltre le promesse di marketing per ottenere un successo reale nella tua supply chain.

Note a piè di pagina