Программное обеспечение оптимизации авиационного MRO, Февраль 2025

Last modified: 2 февраля 2025

Введение

Сети поставок в сфере технического обслуживания, ремонта и капитального ремонта (MRO) авиации сталкиваются с крайними сложностями. Авиакомпании и провайдеры MRO управляют обширными запасами запчастей с длинным хвостом с прерывистым, скудным спросом и крайне вариативными сроками исполнения и ценами. Непредсказуемые отказы и случайные BOM для ремонта означают, что использование может внезапно вырасти без предупреждения. Запчастям часто присущи строгие жизненные циклы (например, максимальное количество циклов или налёт часов) и классификации по критичности («no-go» детали, которые лишают самолёт возможности полёта, против «go-if» или отсроченных элементов). Эти факторы делают процесс прогнозирования и формирования запасов чрезвычайно сложным – это тонкий баланс между предотвращением инцидентов AOG (самолёт на земле) и минимизацией избыточных запасов.

Несколько поставщиков программного обеспечения заявляют, что способны решить эти проблемы с помощью специализированных инструментов оптимизации. Это исследование представляет собой скептическое глубокое погружение в ведущие решения по оптимизации MRO в авиации. Мы будем критически оценивать технологии каждого поставщика: действительно ли они предоставляют современные возможности, такие как вероятностное прогнозирование (как для спроса, так и для сроков исполнения), экономическая оптимизация (максимизация отдачи от инвестиций в запасы) и высокая автоматизация для работы с десятками или сотнями тысяч номеров запчастей? Маркетинговые заявления об улучшениях, основанных на «AI/ML», – такие как резкое сокращение запасов или повышение уровня обслуживания – будут подвергнуты тщательному анализу. Мы специально ищем доказательства наличия продвинутой инженерии (или её отсутствия) за этими заявлениями, а также выясняем, полагаются ли инструменты на автоматизированную аналитику вместо громоздких настраиваемых пользователем параметров. Наконец, мы рассмотрим реалии интеграции в запутанном ИТ-ландшафте авиационного MRO, ставя под сомнение любые заявления о «plug-and-play».

Цель состоит в том, чтобы предоставить руководителям MRO с технологическим уклоном прямолинейный, детальный обзор рыночных предложений – отделяя подлинные инновации от пустых слов.

Рейтинги поставщиков (кратко)

1. Lokad – Высококлассное вероятностное прогнозирование и автоматизация для авиации. Lokad лидирует благодаря передовым технологиям, таким как вероятностное прогнозирование спроса/сроков исполнения и дифференцируемое программирование, разработанному за годы исследований и разработок в авиации ¹. Он делает упор на экономическую оптимизацию (соотношение затрат и обслуживания) и минимальную ручную настройку, что делает его лидером в области действительно современного планирования запасов MRO.

2. PTC Servigistics – Обширный наследуемый пакет с современными улучшениями. Servigistics предлагает самый широкий набор функций (многоуровневая оптимизация, продвинутое прогнозирование, IoT-интеграция) и широко используется в аэрокосмической и оборонной промышленности ². Он применяет «AI/ML» «под капотом» и справляется со сложными сценариями, хотя некоторые алгоритмы датируются десятилетиями разработки. Очень мощный, но его сложность может требовать более обширной настройки и привлечения экспертов.

3. Syncron – Специалист по сервисным запчастям с растущими возможностями AI. Облачная платформа Syncron предназначена для планирования сервисных запчастей для производителей, а теперь и для аэрокосмической отрасли. Она заявляет о наличии AI, машинного обучения и продвинутых симуляций для управления сложными, прерывистыми паттернами спроса ³. Вероятностные функции только начинают развиваться, и платформа делает ставку на экономическую оптимизацию запасов, хотя глубина понимания специфики авиации пока развивается (исторически сильна в послепродажном обслуживании OEM).

4. ToolsGroup (SO99+) – Доказанное стохастическое моделирование, но устаревающий нарратив «AI». ToolsGroup стала пионером в области прогнозирования прерывистого спроса и многоуровневой оптимизации запасов ⁴. Его вероятностные модели хорошо справляются с «длинным хвостом» запасных частей. Однако заявления о том, что система работает на базе AI, кажутся преувеличенными – анализы указывают, что технология во многом основана на традиционной статистике (модели до 2000 года) с некоторыми обновлениями ⁵. Тем не менее, она обеспечивает надёжную автоматизацию для крупномасштабного планирования запасов.

5. Armac Systems (RIOsys) – Оптимизатор, ориентированный на авиацию, для ремонтных и запасных частей. Armac (принадлежащая SR Technics) является нишевым лидером специально для инвентаризации авиакомпаний/MRO. Ее инструмент RIOsys рассчитывает оптимальные уровни запасов как для ремонтных, так и для расходных материалов даже при незапланированном (случайном) спросе и в многоплощадных сетях ⁶. Он интегрирует операционные знания (например, данные о надежности) в модель и постоянно уточняет рекомендации. Специализация в отрасли на высоком уровне, хотя компания меньше, и технические детали (AI/ML) менее публично освещены.

6. Baxter Planning (Prophet by Baxter) – Основы планирования сервисных запчастей с акцентом на затраты. Решение Baxter охватывает прогнозирование, планирование запасов и автоматизированное пополнение. Оно использует подход «Оптимизации полной стоимости», который учитывает критичность детали, местоположение и срочность клиента для балансировки обслуживания и затрат ⁷. Это надёжный, прагматичный инструмент (более 20 лет в сфере сервисных запчастей), хотя он больше полагается на традиционные методы прогнозирования и настраиваемые пользователем параметры, чем на истинную автоматизацию с поддержкой AI.

7. Smart Software (Smart IP&O) – Продвинутый движок прогнозирования прерывистого спроса. Smart Software известна своим вероятностным прогнозированием запасных частей с использованием запатентованного метода бутстрэппинга ⁸. Она генерирует тысячи сценариев спроса для учета изменчивости, предоставляя точное полное распределение спроса по срокам исполнения. Это приводит к оптимальным уровням запасов для прерывистых деталей. Однако Smart концентрируется на прогнозировании и расчетах предохранительного запаса; это более узкое решение (часто дополняющее ERP), а не полноценная платформа MRO от начала до конца. Интеграция и усилия пользователей для реализации прогнозов по-прежнему требуются.

8. IBM (MRO Inventory Optimization, formerly Oniqua) – Ориентированное на аналитику решение для отрасли с интенсивным использованием активов. Решение MRO IO от IBM (приобретённое у Oniqua) — это облачная платформа, объединяющая статистический анализ, предписывающую аналитику и оптимизацию для запасных частей технического обслуживания ⁹. Она решает задачу прерывистого спроса с помощью встроенного прогнозирования и рекомендаций, основанных на критичности, с целью минимизации простоев ¹⁰. Инструмент превосходно справляется с выявлением избытка и недостатка, а также направляет планировщиков посредством «баллов» и очередей задач. Хотя используется некоторая автоматизация, подход больше ориентирован на дашборды поддержки принятия решений, требуя от пользователей анализа информации (например, по критичности, срокам исполнения) и последующих действий ¹¹. Технология надёжна, но не эффектна – больше тяжёлая аналитика, чем «магия AI», и часто требует значительной очистки данных (сильная сторона IBM) и интеграционных работ.

9. SAP Service Parts Planning (SPP) – Функциональный модуль с расширенной настройкой. Собственное решение SAP для планирования запасных частей (часть SAP SCM/APO, ныне переходящего в IBP) предлагает многоуровневую оптимизацию запасов и поддерживает методы, такие как метод Кростона для прерывистого спроса ¹². Теоретически оно способно справляться со сложностями авиационных систем, и некоторые крупные OEM внесли вклад в формирование его функционала. На практике SAP SPP требует обширных настраиваемых пользователем настроек (выбор моделей прогнозирования, целей уровня сервиса и т.д.) и значительной доработки для соответствия авиационным требованиям. Обычно оно менее автоматизировано – планировщикам приходится настраивать параметры (например, коды жизненного цикла, цепочки замещения, min/max), а не система сама обучается. В качестве ERP-интегрированного решения оно надёжно, но не находится на переднем крае алгоритмических инноваций.

10. Oracle Spares Management – Базовое планирование запасных частей в рамках Oracle ERP. Oracle предлагает модуль для запасных частей (в E-Business Suite и Cloud SCM), охватывающий прогнозирование спроса, планирование уровней запасов и т.д. ¹³. Он включает стандартные методы для прерывистого спроса и оптимизацию заказов в рамках сети. Как и SAP, он, как правило, опирается на настройки, основанные на правилах, и ввод пользователя – например, планировщики определяют стратегии прогнозирования (метод Кростона, экспоненциальное сглаживание) и политики управления запасами. Решение Oracle выполняет поставленные задачи для некоторых, но мы не обнаружили доказательств использования передовых методов AI или вероятностной оптимизации; в целом оно отстает от специализированных поставщиков в технологическом плане.

Далее мы приступаем к детальному анализу технологий, возможностей и заявлений каждого поставщика, выделяя их сильные стороны и аспекты, вызывающие скептицизм.

Lokad – Вероятностная «Количественная цепочка поставок» для авиации

Lokad – новый участник рынка (основан в 2010-х), который агрессивно сосредоточился на оптимизации аэрокосмической отрасли и MRO в качестве основной специализации. Его подход бескомпромиссно основан на науке о данных. Платформа Lokad сосредоточена на вероятностном прогнозировании и том, что они называют «прогностической оптимизацией». Вместо того чтобы предсказывать точечный спрос, Lokad моделирует полное распределение вероятностей спроса, сроков исполнения и даже уровней утилизации деталей ¹. Это крайне важно для авиации, где присутствует высокая неопределенность: например, деталь обычно служит 5 000 часов, но иногда выходит из строя значительно раньше – вероятностная модель учитывает этот риск. Затем Lokad вычисляет политики пополнения запасов, минимизирующие общие затраты (затраты на хранение, затраты при отсутствии запасов, штрафы AOG) с учетом этих неопределенностей.

A выдающейся особенностью технологий Lokad является дифференцируемое программирование ¹. Это, по сути, означает, что они используют методы машинного обучения для «обучения» на сложных шаблонах данных цепочки поставок. Например, графики технического обслуживания, кривые надежности (MTBUR – среднее время между незапланированными заменами), циклы ремонта и т.д. могут быть включены в модель, подобную нейронной сети, вместо зафиксированных правил. Lokad утверждает, что это позволяет автоматически извлекать закономерности из данных, которые традиционные жёстко заданные формулы могут упустить ¹. Это новая концепция в цепочке поставок, и, хотя её трудно проверять извне, она свидетельствует о серьёзном инженерном подходе, превосходящем модные слова.

Важно, что Lokad предоставляет инженерные детали своего подхода – приятное отличие от расплывчатых заявлений об AI. В пресс-релизе с Revima (MRO для APU/шасси) они прямо упомянули о вероятностном прогнозировании для спроса, сроков исполнения и утилизации в сочетании с дифференцируемым программированием для моделирования сложных процессов ремонта ^{1 1}. Это конкретные методы, а не просто маркетинговые заявления. Тот факт, что CEO Lokad активно ведёт блог о математике цепочки поставок, добавляет доверия (они часто критикуют традиционные методы и даже публикуют сравнения).

С точки зрения автоматизации решение Lokad обладает высокой степенью автоматизации после внедрения данных. Оно поставляется как программное обеспечение плюс услуги («Концепция цепочки поставок как код»): их команда помогает настроить индивидуальную модель оптимизации с использованием их скриптового языка (Envision). После этого система постоянно обрабатывает данные (например, ежедневные транзакции по запчастям, их списания и т.д.) и обновляет рекомендации по уровням запасов, заказы на покупку, приоритеты заказов на ремонт и т.д. с минимальным участием человека. Система рассчитана на обработку десятков или сотен тысяч артикулов, позволяя алгоритмам вычислять оптимальные политики для каждого, вместо того чтобы планировщики настроивали тысячи значений min/max. Один руководитель в области авиационного MRO подтверждает: «Lokad предоставил правильные инструменты и поддержку для… сокращения неопределенности за счет внедрения вероятностного подхода», достигая высоких показателей заполнения запасов при снижении риска ¹⁴.

Lokad также откровенно говорит об интеграции: они не продвигают концепцию «plug-and-play», признавая, что данные в авиации могут быть неупорядоченными. Вместо этого они часто используют все доступные источники данных, даже если они несовершенны. Например, они могут применять показатели надёжности, предоставленные OEM (MTBUR) и исторические данные об изъятиях оператора, взвешивая их в зависимости от того, какой из них оказывается более предсказуемым для каждой детали ^{15 16}. Такой уровень нюансов – использование нескольких источников данных для треангуляции – демонстрирует продвинутое понимание специфики авиации (например, применение данных OEM, когда эксплуатационные данные скудны, и наоборот).

Скептическая точка зрения: Заявления Lokad, как правило, подкреплены доказательствами (кейсы с Air France KLM, Revima и др., а также подробные технические блоги). Тем не менее, следует задавать сложные вопросы: например, насколько легко типичному MRO принять решение Lokad без команды специалистов по данным? Lokad склонен тесно сотрудничать с клиентами через своих собственных экспертов, что отлично сказывается на результатах, но может восприниматься как консультативная модель на начальном этапе, а не как чистое программное обеспечение. Кроме того, хотя вероятностные модели идеальны для прерывистого спроса, их точность зависит от качества данных – принцип «мусор на входе, мусор на выходе» остаётся риском. Результаты Lokad, такие как «сокращение запасов на 60%» в одном случае ¹⁷, следует воспринимать с должным скептицизмом – такие показатели могут быть исключительными или измеряться относительно очень слабой базовой линии. Тем не менее, среди поставщиков Lokad, похоже, продвигает границы современного прогнозирования и оптимизации. Он не полагается на пользователей в установке произвольных целевых показателей уровня сервиса или классов ABC; вместо этого он автоматизирует решения, рассчитывая экономические компромиссы для каждой детали. Такой уровень автоматизации и вероятностной строгости делает его лучшим выбором для тех, кто готов принять новое решение.

PTC Servigistics – Тяжеловесный чемпион с обновленными технологиями

Servigistics – ветеран в этой сфере, наследие которого уходит корнями к пионерам отрасли (Xelus, MCA Solutions), которые затем были объединены в Servigistics, а в 2012 году приобретены PTC ¹⁸. Это, безусловно, самое широко используемое программное обеспечение для управления сервисными запасными частями (SPM) среди крупных организаций аэрокосмической и оборонной промышленности. Такие имена, как Qantas, Boeing, Lockheed Martin, Военно-воздушные силы США – часто упоминаются среди пользователей Servigistics ¹⁹. Благодаря такому наследию Servigistics устанавливает высокую планку по широте и глубине функций.

С точки зрения возможностей Servigistics практически охватывает каждую функцию, которую может потребовать команда MRO или послепродажной логистики: прогнозирование спроса, специализированное для низкого объема, прерывистого спроса, многоуровневая оптимизация запасов (распределение запасов, например, между центральным складом, передовыми базами, ремонтными цехами и т.д.), планирование закупок из нескольких источников, решения по ремонту против покупки, а также интегрированный модуль ценообразования на запчасти ²⁰. Примечательно, что PTC также расширила Servigistics посредством IoT-интеграции – с использованием их платформы ThingWorx для подачи данных о подключенном оборудовании (например, данные по использованию или сенсоры с самолётов/двигателей) для прогнозирования отказов деталей с ограниченным сроком службы и проактивного планирования их замены ^{21 22}. Это начинает решать проблему «случайного BOM» посредством прогнозирования изъятий деталей на основе фактического мониторинга состояния, а не только исторической статистики.

Servigistics утверждает, что использует современные технологии data science: “модули прогнозирования, оптимизации и аналитики используют возможности ИИ, машинного обучения и больших данных” ²³. Однако подробности того, как именно применяются ИИ/ML, в публичных материалах описаны слабо. Учитывая долгую историю этого инструмента, вероятно, что большая часть его прогнозного движка всё ещё опирается на классические статистические методы (метод Кростона, варианты экспоненциального сглаживания для прерывистого спроса, возможно, байесовская оценка для низкого спроса), которые совершенствуются постепенно. Упоминание сотрудничества с академиками, такими как доктор Джон Маккстадт, намекает на использование проверенных аналитических моделей для многоуровневой оптимизации ²⁴. Алгоритмы Маккстадта (из его книги “Service Parts Management”) больше относятся к операционным исследованиям (математическая оптимизация), чем к машинному обучению – что вполне приемлемо, зачастую оптимально для этих задач. «ИИ/ML» может быть скорее новой оболочкой – возможно, с применением машинного обучения для таких задач, как обнаружение аномалий в спросе или классификация деталей (например, группировка с похожими шаблонами спроса), а не для основного прогнозирования. Стоит с долей скепсиса относиться к заявлению, что Servigistics внезапно стал платформой «ИИ»; точнее, это очень сложная платформа операционных исследований с некоторыми новыми возможностями, поддерживаемыми ИИ, на периферии.

Вероятностное прогнозирование: Применяет ли его Servigistics? Исторически система могла генерировать распределение спроса для каждой детали (например, с помощью бутстреппинга или подгонки предопределённого статистического распределения) для вычисления оптимальных уровней страховых запасов. Многоуровневая оптимизация по своей сути требует вероятностных вводных данных (для расчёта вероятности отсутствия товара на складе в различных локациях). В документации PTC упоминаются «типы используемых вероятностных распределений» при принятии решений по запасам ²⁵, что подразумевает, что система учитывает не только одно среднее значение прогноза. Можно разумно предположить, что она использует некоторую форму вероятностного прогнозирования или, по крайней мере, моделирование сценариев для спорадического спроса (MCA Solutions, один из её предшественников, была известна использованием моделирования Монте-Карло в планировании). Разница с современным подходом заключается в том, что эти распределения обучаются автоматически или выбираются по правилам. В Servigistics планировщик обычно назначает каждой детали метод прогнозирования (либо система автоматически выбирает его из набора методов) и затем устанавливает целевые уровни обслуживания. Возможна значительная пользовательски определяемая политика – например, планировщики могут сегментировать детали по критичности или стоимости и задавать разные цели уровня заполнения (система обладает обширными возможностями сегментации) ²⁶. Если процесс не полностью автоматизирован, это может быть слабым звеном: инструмент способен оптимизировать после ввода этих параметров, но определение того, какой уровень обслуживания должен быть у десятков тысяч деталей, часто оставляется на усмотрение пользователя или простых правил (например, «95% для деталей, незначимых с точки зрения использования, и 80% для деталей, используемых при необходимости»). Действительно оптимальные решения рассчитывали бы эти компромиссы динамически. Неясно, имеется ли в Servigistics автоматическая «оптимизация уровня обслуживания», которая, например, максимизирует общую доступность при заданном бюджете – вероятно, такая возможность есть, но многие пользователи могут не использовать этот режим из-за сложности.

Servigistics также учитывает аспекты жизненного цикла деталей и циклов ремонта. Для ремонтопригодных деталей (rotables) система может планировать ремонтный цикл с учётом времени на ремонт и коэффициентов выхода. Новое расширение «Connected Forecasting» явно прогнозирует вывод из эксплуатации деталей, таких как детали с ограниченным сроком службы (LLPs), на основе их оставшегося срока службы и данных об использовании ²⁷ – что является очень важной возможностью в авиации, где вы знаете, что деталь потребует замены после определённого количества циклов. Это помогает смягчить нестабильность спроса за счёт включения детерминированных сигналов (например, запланированных выводов) в прогноз.

Что касается интеграции: PTC заключила партнерство с крупными поставщиками ERP-систем для MRO, такими как IFS и Trax, для интеграции Servigistics ²⁸. Тем не менее, интеграция столь комплексного инструмента с системой технического обслуживания авиакомпании является масштабным проектом (часто 6–12+ месяцев). Любые заявления о «plug-and-play» от отдела продаж следует принимать с долей скепсиса. На практике требуется сопоставить десятки полей данных (данные по установленной базе, каталоги деталей, спецификации для ремонтных работ, данные цикла ремонта и т.д.) и часто провести очистку качества данных. Вероятно, Servigistics имеет стандартные адаптеры для систем, таких как SAP или Oracle, но индивидуальные доработки являются нормой – как и для любого корпоративного решения.

Ключевые моменты скептицизма: Servigistics чрезвычайно мощная, но легко ли извлечь из неё пользу? Многие устаревшие внедрения оказываются недоиспользованными, используя только базовые функции (например, односегментное планирование с заданными уровнями страховых запасов), поскольку полная оптимизация может быть затруднительной без участия экспертов. Стоит уточнить у поставщика, насколько автоматизирована система на практике – например, обнаруживает ли она автоматически изменение вариабельности времени выполнения заказа и регулирует точки повторного заказа или требуется вмешательство планировщика? Наличие множества «параметров планирования» предполагает, что возможна значительная настройка ²⁹, что может быть как положительным, так и отрицательным фактором. Например, Servigistics позволяет переопределять рассчитанный EOQ или принудительно задавать определённые периоды прогнозирования ²⁹, что намекает на то, что расчёты «из коробки» не всегда вызывают доверие у пользователей.

В итоге, Servigistics является наиболее функциональным решением и эволюционировал, чтобы включить современные элементы (данные IoT, некоторый ИИ). Он предоставляет передовые возможности, но то, предлагает ли он современные решения, зависит от реализации – аспект, к которому следует относиться с осторожностью. Для MRO с достаточными ресурсами для полной реализации он может обеспечить отличные показатели (было сообщено о 94% доступности запчастей в Qantas ³⁰). Однако для малых операций он может оказаться слишком тяжеловесным. Его маркетинговые заявления (лидер во всех аналитических отчётах и т.д.) типичны и отчасти соответствуют действительности с учётом доли рынка, но потенциальные покупатели должны смотреть не поверхностно на похвалы, а убедиться, что у них есть процессовая зрелость для использования этого мощного, но сложного инструмента.

Syncron – Облачное планирование сервисных запчастей с обещаниями ИИ

Syncron – ещё один крупный игрок, подходящий с другой стороны – он начал с послепродажного обслуживания производителей, специализируясь на запчастях (особенно для автомобильной и промышленной техники), и в последние годы расширился в области аэрокосмической и оборонной промышленности. Ценность предложения Syncron заключается в том, что это специализированная, облачная платформа для сервисных запчастей, объединяющая несколько модулей (оптимизация запасов, оптимизация цен и даже модуль прогнозирования времени безотказной работы на основе IoT) ^{31 32}. В контексте авиационного MRO Syncron набирает популярность – например, ATR (производитель региональных самолетов) недавно выбрал Syncron для управления запасами по всей своей глобальной поддержке флота ^{33 3}.

С технологической точки зрения, Syncron рекламирует использование ИИ, машинного обучения и передовой аналитики в своем решении для планирования запчастей ³. Конкретно, они заявляют, что программное обеспечение «отслеживает тенденции спроса и настраивает продвинутые симуляции для планирования и прогнозирования потребностей в сервисном обслуживании запчастей» ³. Это намекает на то, что Syncron также использует некоторую форму моделирования Монте-Карло или вероятностного планирования – вероятно, генерируя сценарии спроса и предложения для оптимизации запасов. В отчете IDC MarketScape Syncron отмечали за «динамическое пополнение запасов, вероятностное планирование/прогнозирование» среди своих сильных сторон ³⁴, что говорит о том, что он не ограничивается использованием детерминированных или правил-основанных методов. В отличие от некоторых устаревших инструментов, облачная природа Syncron означает, что он может обрабатывать большие наборы данных и выполнять обширные симуляции в фоновом режиме, без необходимости управления ИТ-инфраструктурой со стороны заказчика.

Значимым аспектом философии Syncron является сервисизация – помощь компаниям в том, чтобы рассматривать время работы оборудования как услугу. Практически, платформа Syncron объединяет прогнозирование сервисных запчастей с данными полевого обслуживания и сигналами предиктивного обслуживания на основе IoT (через их модуль Uptime™). Для авиации это может означать использование данных мониторинга состояния самолётов для предвидения спроса на запчасти. Концептуально это схоже с тем, что делает PTC с ThingWorx, но Syncron включил это в свой пакет, специально предназначенный для послепродажного обслуживания. Такой подход соответствует тенденциям, как «плата за время работы» в авиации, где доступность — всё.

Что касается оптимизации, Syncron оптимизирует запасы, балансируя между доступностью и стоимостью. Они прямо заявляют об улучшениях, таких как увеличение доступности запчастей на 12–17,5% и сокращение затрат на запасы на 15% для клиентов ³⁵. Эти показатели, как и все подобные заявления, следует воспринимать с осторожностью – они могут быть основаны на отдельных кейсах. Публичных технических подробностей об алгоритмах оптимизации Syncron немного. Однако можно предположить, что они используют комбинацию статистических моделей прогнозирования, машинного обучения для распознавания шаблонов и некоторых эвристических методов или решателей для многоуровневого управления запасами. Исторически Syncron Inventory была сильна в оптимизации дистрибьюторских сетей (для OEM с дилерскими сетями и т.д.), так что оптимизация для нескольких локаций заложена в её ДНК.

Автоматизация и усилия пользователя: Syncron, вероятно, автоматизирует множество рутинных задач – будучи современным программным обеспечением, оно разработано для работы в облаке и удобства использования. Скорее всего, система автоматически выбирает подходящие модели прогнозирования и обновляет их по мере изменения данных, а не ожидает, что пользователи будут вручную настраивать метод прогнозирования для каждого SKU (что было проблемой у старых систем). Однако типичная аудитория пользователей Syncron (производители) зачастую устанавливает бизнес-правила – например, классифицируя детали по жизненному циклу или критичности для применения различных политик. Нам следует проверить, позволяет ли Syncron полностью автоматизированную оптимизацию. Упоминается, что модули ценообразования и управления запасами Syncron в настоящее время используют отдельные базы данных, требующие интеграции ³², что намекает на наличие некоторых устаревших элементов. Возможно, интеграция между модулями не так безупречна, как рекламируется.

Одним из преимуществ, на которое делает акцент Syncron, является управление жизненным циклом запчастей: обработка ввода новых деталей, устаревания, замены. В авиации, где детали заменяются новыми версиями или альтернативами PMA, это критически важно. Syncron сталкивался с подобными проблемами в автомобильной отрасли (где изменения моделей влияют на спрос на запчасти) – предположительно, система может прогнозировать снижение спроса на устаревшие детали и увеличение спроса на новые, используя аналогии или взаимосвязанные прогнозы.

Проверка заявлений: У Syncron относительно меньше публичных технических whitepapers, поэтому часть нашего скептицизма заключается в том, что нам приходится полагаться на их заявления и несколько ссылок. Пресс-релиз ATR указывает, что решение поможет справиться с нестабильностью цепочки поставок и масштабированием операций ³⁶ – но это звучит общо. Основное технологическое заявление – это комбинация ИИ/ML + симуляции ³. Мы бы спросили у Syncron: Предоставляют ли они доказательства работы моделей машинного обучения в действии? Например, используют ли они нейронные сети для выявления причин спроса (например, уровни использования или отказы) или только методы временных рядов? Кроме того, если они говорят «ИИ», является ли это лишь меткой для их статистических моделей или действительно новыми методами? Без дополнительных деталей мы остаёмся осторожными.

Однако, в отличие от некоторых конкурентов, Syncron не опирается на устаревшие архитектуры – это платформа XXI века, созданная с нуля. Это, вероятно, означает более удобный интерфейс и, возможно, более быструю развертку (их интеграция с ERP использует современные API, и они часто берут на себя основную работу для клиентов). Тем не менее, «plug-and-play» нереален: например, внедрение в ATR, вероятно, потребовало сопоставления Syncron с кастомизированными системами SAP и технического обслуживания ATR. Команда Syncron активно сотрудничала с ATR для адаптации улучшений под «уникальные требования» авиации ³⁷ – что подразумевает, что в стандартном виде некоторые авиационные специфики не удовлетворялись до момента совместной работы. Это и хорошо (поставщик готов адаптироваться), и предостерегающе (продукт изначально не был полностью готов к всем сложностям авиации).

В итоге, Syncron движется в сторону передовых технологий с элементами вероятностного прогнозирования и ИИ, а также обладает выраженной ориентацией на автоматизацию. Возможно, у него пока нет столь глубокого авиационного опыта, как у Servigistics, но он быстро становится одним из лидеров, о чём свидетельствуют новые авиационные клиенты. Руководителям MRO следует проверить заявления Syncron относительно машинного обучения (запросить конкретику или демонстрации того, как система прогнозирует нестабильный номер детали) и убедиться, что любые обещанные улучшения в управлении запасами/обслуживании подкреплены данными – а не просто отраслевыми средними показателями. Как и в случае с другими, следует воспринимать впечатляющие проценты (например, «15% сокращение затрат на запасы») лишь как приблизительную оценку; реальные результаты будут зависеть от того, насколько неорганизован был исходный процесс. В целом, Syncron занимает высокое место благодаря своей современной архитектуре и фокусу на интеллектуальной автоматизации, с оговоркой необходимости доказать эффективность технологий за рамками модных слов.

ToolsGroup – Сильные алгоритмы для прерывистого спроса, но насколько они «интеллектуальны»?

ToolsGroup – хорошо зарекомендовавший себя поставщик (основан в 1993 году), известный своим флагманским программным обеспечением SO99+ (Service Optimizer 99+). Он занимает значительное место в планировании сервисных запчастей для послепродажного обслуживания в различных отраслях – от автомобильных запасных частей до промышленного оборудования, и также используется в аэрокосмической и оборонной промышленности. Основной сильной стороной ToolsGroup всегда было управление «длинным хвостом» спроса с помощью так называемой вероятностной модели. Они подчёркивают, что традиционные инструменты не справляются с прерывистым спросом, в то время как ToolsGroup «решает проблему планирования сервисных запчастей с исключительной способностью прогнозировать прерывистый спрос и глобально оптимизировать многоуровневые запасы» ⁴.

Технология прогнозирования в ToolsGroup действительно основывается на вероятностном подходе. Исторически они использовали собственный метод, при котором, вместо того чтобы прогнозировать одно число, они моделируют спрос как вероятностное распределение для каждого SKU. Это могло осуществляться с помощью симуляции Монте-Карло или аналитического подбора распределения (некоторые источники указывают, что ToolsGroup может использовать форму бутстреппинга или вариант метода Кростона в сочетании с анализом вариабельности). Для каждой детали, учитывая распределение спроса и время выполнения заказа, программное обеспечение вычисляет запасы, необходимые для достижения заданного уровня обслуживания или, наоборот, уровень обслуживания, которого можно достичь при заданном бюджете на запасы. Этот подход был несколько новаторским в 1990-х–2000-х годах, когда большинство систем планирования использовали упрощённые методы. Он позволяет очень точно управлять уровнями обслуживания даже для крайне медленно движущихся товаров. ToolsGroup также ввёл концепцию «планирования, ориентированного на уровень обслуживания», при которой вы задаёте желаемый уровень обслуживания для каждого SKU, а инструмент рассчитывает необходимые запасы, вместо того чтобы планировщики определяли их вручную.

Однако, современная критика заключается в том, преуспел ли ToolsGroup в значительной мере в инновациях по сравнению с предыдущими моделями. Сейчас компания позиционирует себя как «на базе ИИ» и говорит о таких вещах, как «demand sensing» и машинное обучение. Но market study by Lokad указывает на то, что публичные материалы ToolsGroup всё ещё содержат отголоски старых методов и даже отмечают несоответствие: ToolsGroup начал рекламировать вероятностные прогнозы, но всё ещё ссылался на улучшения показателя MAPE (Mean Absolute Percentage Error), который «не применяется к вероятностным прогнозам» ⁵. Это указывает на некий маркетинговый блеск – вы не стали бы измерять ошибку прогноза с помощью MAPE, если бы действительно сосредоточились на распределённых прогнозах. Другими словами, ToolsGroup, возможно, по сути производит один прогноз для каждого элемента (для бизнес-отчётности), используя вероятностные идеи «под капотом» для расчётов запасов. Упоминание о «demand sensing» (обычно означающее использование очень краткосрочных сигналов, таких как текущие заказы или данные IoT для корректировки прогнозов) также подвергается сомнению, поскольку научная литература предоставляет мало доказательств ³⁸ – что подразумевает, что ToolsGroup может использовать модное слово, но не обязательно проверенный передовой метод.

Тем не менее, capabilities are solid ToolsGroup. Он поддерживает оптимизацию на нескольких уровнях, что означает, что он может рекомендовать, где разместить запчасти в сети для достижения целевых уровней обслуживания при минимальных запасах. Он также может справляться с repositioning запасов и их перераспределением, что полезно в MRO, когда запчасти могут перемещаться между базами или регионами. Решение ToolsGroup часто интегрируется с ERP-системами, такими как SAP – некоторые компании используют SO99+ вместе с SAP для преодоления ограничений планирования в SAP (ToolsGroup даже утверждает, что может расширить SAP APO с помощью вероятностного прогнозирования ³⁹). В целом, система является высоко автоматизированной: после настройки планировщики в основном мониторят исключения. Инструмент просматривает тысячи комбинаций SKU и локаций и сигнализирует только о тех элементах, где, возможно, прогнозируется снижение уровня обслуживания или произошёл всплеск спроса, требующий вмешательства.

Что касается специфики MRO context: ToolsGroup, безусловно, способен моделировать прерывистый спрос, но учитывает ли он такие аспекты, как критичность запчастей или их жизненный цикл? ToolsGroup, как правило, универсален; однако пользователи могут задавать различные целевые уровни обслуживания или затраты для разных категорий запчастей. Возможно, система не знает в нативном режиме понятия «go/no-go» критичности, но заказчик может включить это, просто установив целевой уровень обслуживания, близкий к 100% для элементов категории «no-go», и более низкий для остальных. Оптимизация затем следует этой директиве. Точно так же, что касается жизненного цикла, ToolsGroup, возможно, не имеет готового модуля для прогнозирования на основе оставшегося срока службы (как это делают Servigistics или Syncron с использованием данных IoT), но можно вручную корректировать прогнозы для известных запланированных замен. Это скорее toolkit, который можно адаптировать под различные потребности, нежели авиационно-специфичное решение.

Одним из аспектов, на который стоит обратить внимание, являются заявления ToolsGroup о типичных результатах: например, они утверждают, что клиенты достигают 20-50% снижения упущенных продаж, 10-30% сокращения запасов и 95-99% уровня обслуживания ⁴⁰. Хотя эти диапазоны правдоподобны, они широки и явно продиктованы маркетингом. Такие улучшения, скорее всего, наблюдаются в компаниях, у которых ранее не было настоящей оптимизации – внедрение любого достойного инструмента принесло бы значительные выгоды. Это не обязательно означает, что ToolsGroup достигает этих результатов уникально по сравнению с конкурентами. Независимых исследований, подтверждающих эти проценты, зачастую нет, поэтому мы остаёмся скептичными к их буквальному принятию (отсутствие контекста, такого как «по сравнению с какой базой?» или «за какой период?» говорит само за себя).

User-defined vs. automation: Прогнозирование в ToolsGroup относительно автоматизировано, но оно допускает значительную конфигурацию. Например, планировщики могут выбирать целевые уровни обслуживания для отдельных наименований или групп. Если компания не знает, как их установить, она может вернуться к старым методам (например, ABC-классификация и т.д.), что ограничит воздействие технологии. Идеально было бы использовать оптимизацию ToolsGroup для определения этих уровней оптимально – я полагаю, у ToolsGroup есть функции, позволяющие сбалансировать инвестиции в запасы и обслуживание по всему портфелю, что является формой экономической оптимизации. Однако для корректной настройки может потребоваться использование их консультационных услуг или расширенных функций.

Интеграция с ToolsGroup требует умеренных усилий – им необходимы данные об истории использования, спецификации (BOM) и т.д. Это не совсем plug-and-play, как, например, с AMOS или Rusada (распространёнными системами MRO), поэтому ожидайте наличие проекта, хотя существует множество интеграционных коннекторов, учитывая долгую историю ToolsGroup.

Bottom line: ToolsGroup является способным, заслуживающим доверия решением для оптимизации запасных частей. Оно определённо классифицируется как state-of-the-art circa 2010 и всё ещё демонстрирует хорошие результаты. Но в 2025 году следует задаться вопросом, насколько оно внедрило новые техники ИИ/машинного обучения. Доступные данные свидетельствуют о множестве модных слов, но не о значительном появлении конкретно новой методологии. Это не означает, что система не работает – она работает, но метка «AI» может просто означать, что используются сложные статистические методы (а это хорошо). Для руководителя MRO ToolsGroup может быть менее рискованным выбором (устоявшийся продукт, множество эталонных клиентов). Просто уточните у поставщика, что именно означает «AI» в продукте и как это улучшает его уже хорошие вероятностные модели. Также убедитесь, что ваша команда сможет в полной мере задействовать его сильные стороны (например, multi-echelon optimization), а не сводить систему к простому инструменту планирования.

Armac Systems (RIOsys) – Авиационное решение для оптимизации вращаемых запасных частей и ремонта

Armac Systems уникальна в этом списке, поскольку она born out of the aviation MRO world. Это более мелкий поставщик (базируется в Ирландии, теперь принадлежащий SR Technics с конца 2010-х ⁴¹), который сосредоточен на 100% оптимизации запасов для авиации. Флагман Armac, RIOsys (Rotable Inventory Optimization system), разработан для авиакомпаний и MRO, работающих как с расходными запчастями, так и с дорогостоящими вращаемыми компонентами.

Отличительной особенностью Armac является её domain specificity. Программное обеспечение описывается как «aviation specific inventory planning and optimization», направленное на максимальное обеспечение доступности запасных частей при минимальных экономических затратах ⁶. Оно явно признаёт типичную авиационную ситуацию: «unscheduled part demand, numerous components, and multi-site operations are the norm» ⁴². Инструмент помогает рассчитывать optimal inventory levels for both rotable and consumable parts, то есть определяет не только, сколько нужно купить, но и сколько хранить как запасные части по сравнению с элементами ремонтного цикла, чтобы обеспечить заданный уровень надёжности отправки. Также упоминается, что operational knowledge is incorporated into your provisioning model and continuously refined ⁴³. Это подразумевает, что система обучается или обновляет свои параметры по мере поступления новых данных (например, при наблюдении фактических темпов изъятия компонентов, она уточняет прогноз или рекомендуемый запас для этой детали).

Вероятно, один из аспектов подхода Armac – использование данных инженерной надёжности. В авиационном обслуживании присутствуют такие понятия, как MTBF/MTBUR, кривые надёжности и уровни изъятия на 1000 авиационных часов. Armac, скорее всего, использует эти данные для прогнозирования спроса, а не просто экстраполяции временных рядов. Например, если авиакомпания эксплуатирует 100 A320 и для определённого насоса MTBUR составляет 5000 авиационных часов, можно примерно спрогнозировать, сколько отказов в год ожидать (с учётом вариабельности). Это очень специфично для MRO и отличается от прогнозирования, скажем, продаж запасных частей конечным клиентам. Партнёрство Armac с академическим сообществом и использование «big data business intelligence techniques» ⁴¹ подразумевает, что они провели исследования и внедрили модели, ориентированные на такого рода прогнозирование на основе надёжности.

Armac также косвенно учитывает “go/no-go” criticality за счёт фокуса на technical dispatch reliability. В авиакомпании надёжность отправки (процент рейсов, вылетающих без задержек или отмен, связанных с техническим обслуживанием) является ключевым показателем. Доступность запасных частей, особенно элементов категории «no-go», напрямую влияет на этот показатель. Кейсы использования Armac (например, Iberia) показывают, что цель заключалась в повышении доступности материалов при снижении затрат ⁴⁴. Генеральный директор Armac отметил, что достигается улучшенная доступность запасных частей при минимальных экономических затратах ⁴⁵. Таким образом, они явно проводят экономическую оптимизацию: обеспечение неизменного наличия критически важных деталей (чтобы избежать AOG), но без избыточного накопления запасов.

Интересный момент: RIOsys от Armac интегрируется с существующими ERP-системами (например, SAP), чтобы обеспечить «additional layer of intelligence» ⁴⁶. Это показывает, что они не заменяют транзакционную систему, а дополняют её – что является общей тенденцией в программном обеспечении для оптимизации. Интеграция с SAP была важным аргументом при продаже (они получили SAP-сертификацию и т.д.), но, опять же, интеграция требует усилий.

Armac, вероятно, предоставляет множество automation for planners в том смысле, что генерирует рекомендации (например: запасать эту деталь на базе X, переместить избыточные единицы с базы Y на Z, отремонтировать определённое количество единиц сейчас и т.д.). Также, возможно, имеется user-friendly dashboards с наглядной информацией о переизбытке и дефиците запасов, помогающими приоритетизировать действия ⁴⁷. Это особенно важно для небольших команд планировщиков – инструмент должен подсказывать, что делать сегодня. Использование Armac в Iberia, по сообщениям, помогло «identify surplus and shortages, and prioritize daily activities» для планировщиков запасов, что указывает на высокий уровень управляемого системой принятия решений – признак сильной автоматизации.

С другой стороны, поскольку Armac является небольшим поставщиком и менее заметен в маркетинге, доступно меньше независимой оценки. Система звучит очень компетентно для авиационной отрасли, но действительно ли она использует state-of-the-art algorithms? Или её успех в основном обусловлен тем, что она адаптирована (с использованием множества экспертных правил и шаблонов, специально разработанных для авиакомпаний)? Например, Armac может использовать вполне стандартные статистические модели, но с предустановленными параметрами, подходящими для авиационных сценариев «из коробки». Это всё ещё ценно, но не является «волшебством». Упоминание о «continuously refined» моделях ⁴³ намекает на то, что происходит некоторое машинное обучение или хотя бы итеративная калибровка, что является положительным моментом.

Одна из потенциальных слабых сторон может заключаться в масштабе и ресурсах: как небольшой поставщик, сможет ли Armac инвестировать в новейшие исследования в области ИИ с такой же скоростью, как, скажем, PTC или Lokad? Возможно, нет, но, сосредоточившись на своей нише, им, возможно, не нужны изощрённые технологии ИИ, если их инженерное решение уже отлично подходит для данной области. Кроме того, будучи принадлежащей SR Technics (крупной компании в сфере MRO), они могут получать глубокую обратную связь по специфике отрасли, но и их перспективы могут быть ограничены нуждами этого владельца.

Armac не громко рекламирует «AI» в своих пресс-релизах – они используют такие термины, как «new-generation, intelligent inventory planning» и «big data techniques» ⁴¹, которые являются модными словами, но не очень конкретными. Стоит уточнить у Armac детали: моделируют ли они изменчивость ремонтного цикла? Оптимизируют ли они как коэффициент заполнения, так и использование активов? Как они управляют устареванием запчастей (выдаёт ли система предупреждение, когда деталь выводится из эксплуатации, чтобы избежать избыточных запасов)? Учитывая их нишевость, вероятно, в их решении предусмотрены функции для планирования конца жизненного цикла и оптимизации ротации запасных частей, на которые другие могут не делать акцента.

Интеграция остаётся проблемой: даже с интеграцией SAP не все авиакомпании используют стандартные системы. Многие применяют специализированные системы MRO, такие как AMOS, Ultramain и т.д. Armac придётся адаптироваться к этим системам или полагаться на экспорт данных. Это не plug-and-play, но, скорее всего, их команда уже успешно реализовывала подобные проекты для аналогичных клиентов.

В заключение, RIOsys от Armac Systems является strong choice for aviation MRO – специализированным решением, которое, вероятно, предоставляет значительную ценность при относительно небольшой настройке, если вы соответствуете их типичному профилю (авиакомпания с несколькими базами технического обслуживания, смешанными запасами вращаемых и расходных деталей). Его можно считать state-of-the-art in terms of domain alignment – он прекрасно понимает вашу проблему. С технологической точки зрения, он, вероятно, использует продвинутую аналитику (если не передовой ИИ, то, по крайней мере, очень специализированные алгоритмы). Руководителям MRO, оценивающим Armac, следует проверить, действительно ли инструмент охватывает все современные потребности (возможно, спросите, используют ли они вероятностное прогнозирование или оптимизационные решатели и т.д.). Доказанная эффективность (утверждения о сбережениях «на миллионы для авиационных организаций» ⁴¹) придаёт Armac авторитет. Подходите к их заявлениям о возврате инвестиций с установкой «trust but verify» и убедитесь, что у вас есть ИТ-поддержка для интеграции системы в вашу среду.

Baxter Planning (Prophet by Baxter) – Cost-Focused Planning with Human-in-the-Loop

Baxter Planning – устоявшийся поставщик в управлении сервисными запасными частями, существующий с 1990-х годов. Их решение, часто называемое Prophet, ориентировано на широкий спектр отраслей (технологии, медицинские устройства и т.д.) и в определённой степени включает MRO/aviation sector (хотя их основное присутствие наблюдается в сфере сервисных запасных частей для технологического и телекоммуникационного оборудования). Подход Baxter основан на практическом опыте планирования – основатель сам был планировщиком сервисных запасных частей – поэтому программное обеспечение отражает реальные процессы. Это означает, что оно охватывает сквозное планирование: Forecasting, Inventory Optimization, Replenishment, Repair planning, Lifecycle management, Excess management и т.д. в одной системе ⁷.

A key tenet of Baxter’s method is “Total Cost Optimization” ⁴⁸. Они явно учитывают стоимость запчастей, местоположение и критичность для клиента/актива при планировании запасов. Иными словами, их система стремится минимизировать общую стоимость запасов, удовлетворяя при этом цели по обслуживанию. Например, если деталь очень дорогая и имеет лишь умеренную критичность, система может допустить более длительный срок поставки (возможно, полагаясь на экстренные заказы), вместо того чтобы хранить большое количество на складе. И наоборот, для детали категории «no-go» в удалённом пункте Prophet может рекомендовать хранить запасные части, несмотря на низкий спрос, поскольку стоимость отсутствия запасов (AOG, простой) слишком высока. Это философия экономической оптимизации и суть принципа «bang for buck» в решениях по управлению запасами. Baxter заслуживает похвалы за внедрение такого подхода.

Однако способ, которым Baxter достигает этого, кажется основан на множестве user-driven settings augmented by automation. Их система позволяет планировщикам вводить такие атрибуты, как критичность запчастей, обязательства по поддержке (SLA), а программное обеспечение оптимизирует внутри заданных ограничений. Но осуществляет ли система вероятностное прогнозирование? Из публичной информации это неясно. Будучи более старым решением, оно, вероятно, изначально использовало традиционные методы прогнозирования (скользящие средние, экспоненциальное сглаживание) и, возможно, позже добавило методики типа Croston’s или bootstrap для прерывистого спроса. Возможно, система не так явно вероятностна, как решения типа Lokad или Smart. Вместо этого Baxter может оптимизировать запасы с помощью анализа сценариев или формул уровня обслуживания.

Для прерывистого спроса, Baxter определённо осознаёт проблему – их документы говорят о медленно движущихся деталях, требующих особого подхода. Вопрос в том, полагаются ли они на планировщика для классификации этих деталей и выбора метода, или же система адаптируется самостоятельно. Учитывая эпоху, в которой система была создана, я склоняюсь к первому варианту: планировщик, например, задаёт метод прогнозирования (возможно, у Prophet есть модуль для «прогнозирования прерывистого спроса», использующий определённую методику), а затем система использует это для расчёта уровней запасов.

Инструмент Baxter подчёркивает автоматизацию выполнения: такие возможности, как автоматизация заказов поставки (автоматическое создание заказов на закупку, ремонтных заказов) и перераспределение (перемещение избыточных запасов туда, где они необходимы), входят в его функционал ⁴⁹. Это критически важно при работе с тысячами деталей – вы хотите, чтобы система автоматически запускала рекомендованные действия, привлекая планировщиков лишь в исключительных случаях. По большинству оценок, Prophet способен обрабатывать большие массивы (десятки тысяч деталей по многим локациям), поскольку некоторые их клиенты являются крупными технологическими компаниями с глобальными запасами.

Одно, что стоит учитывать, – исторически Baxter Planning проводила много индивидуальной настройки под клиента. Будучи небольшой частной фирмой, они часто дорабатывали или добавляли функции для удовлетворения специфических потребностей. Это означает, что результаты могут различаться – одна компания может использовать продвинутую оптимизацию min-max от Baxter, а другая – более простую min-max оптимизацию. Система гибкая, но эта гибкость также указывает на то, что «из коробки» она может не предлагать «наилучшие практики» – она просто предоставляет инструменты. Baxter не проводит агрессивный маркетинг в области ИИ/машинного обучения. Они действуют более сдержанно, что может быть положительным (меньше шума). Но это также означает, что если вы ищете передовые методы прогнозирования, вам нужно спросить: идут ли они в ногу с новыми методами? Возможно, они внедрили новые алгоритмы в последних версиях, но об этом мало говорится. Учитывая клиентскую базу Baxter, возможно, у них нет так много авиационно-специфичных функций по умолчанию. Например, обрабатывают ли они жёсткие лимиты ресурса (когда деталь списывается после определённого количества использований)? Возможно, это реализовано как настраиваемое поле, но неясно, учитывается ли это оптимизацией (помимо прогнозирования спроса при необходимости замены). Они действительно обрабатывают статусы жизненного цикла (новые, устаревающие детали) и могут выполнять планирование последней покупки при устаревании, что актуально в авиации, когда производство прекращается. Что касается заявлений о результатах, Baxter, как правило, не публикует сенсационные проценты. Они фокусируются на том, как помогают планировщикам достигать целей, а не на «мы сократили запасы на X%». Это может свидетельствовать о реалистичном подходе: улучшения случаются, но зависят от того, как используется инструмент. Интеграция: Prophet от Baxter обычно работает вместе с ERP/MRO системой. Интеграция сопоставима с другими – включает данные по использованию, запасам, спецификациям (BOM) и т.д. Baxter, вероятно, имеет готовые коннекторы для распространённых систем (упоминается поддержка неглубоких цепочек поставок и интеграция с другими корпоративными системами). Однако не стоит ожидать plug-and-play; потребуется некоторая ИТ-работа. В скептическом ключе следует изучить, действительно ли решение Baxter оптимизирует или представляет собой систему поддержки принятия решений, оставляющую критические выборы за человеком. Упоминание о том, что многие клиенты Baxter сосредотачиваются на оптимизации затрат по местам хранения вместо многоэтапного подхода, намекает на то, что инструмент может часто использоваться в упрощённом режиме (оптимизация каждой локации отдельно до определённой целевой стоимости). Отмечается, что в некоторых сетях клиентов структура неглубокая, поэтому многоэтапность не является проблемой. Но для авиакомпании с центральным складом и филиалами многоэтапная оптимизация имеет значение; надеемся, что Baxter сможет справиться с этим, если потребуется. Подводя итог, Baxter Planning предлагает всестороннюю, хотя и традиционную, систему планирования сервисных запасных частей. Она надёжна, ориентирована на баланс затрат и уровня обслуживания, и автоматизирует многие задачи. Возможно, у неё нет самых ярких ИИ-функций, но она обладает глубиной практического функционала. Руководители MRO должны рассматривать Baxter как решение «безопасных рук» – способное улучшить ситуацию за счёт проверенных методов. Только имейте в виду, что вы можете не оказаться на передовой аналитики; вы получите надёжный, возможно, несколько консервативный подход. Если ваша организация предпочитает больший контроль и прозрачность (в отличие от «чёрного ящика» ИИ), стиль Baxter может оказаться предпочтительнее. В качестве меры предосторожности убедитесь, что система не слишком зависит от статических пользовательских данных (например, не должна требовать от вас ручного ввода множества параметров для деталей). Спросите, как она адаптируется к изменениям (автоматически ли корректирует прогнозы в каждом цикле, учитывает ли сезонность или показатели использования и т.д.). Если система справляется, Baxter сможет предоставить стабильные преимущества без завышенных обещаний чудес.

Интеграция: Prophet от Baxter обычно работает вместе с ERP/MRO системой. Интеграция сопоставима с другими – включает данные по использованию, запасам, спецификациям (BOM) и т.д. Baxter, вероятно, имеет готовые коннекторы для распространённых систем (упоминается поддержка неглубоких цепочек поставок и интеграция с другими корпоративными системами). Однако не стоит ожидать plug-and-play; потребуется определённая ИТ-работа.

В скептическом ключе следует изучить, действительно ли решение Baxter оптимизирует или представляет собой систему поддержки принятия решений, оставляющую критические решения за человеком. Упоминание о том, что многие клиенты Baxter сосредотачиваются на оптимизации затрат по локациям для будущего, а не на многоуровневом подходе, предполагает, что инструмент может часто использоваться в более простой форме (оптимизация каждой локации отдельно до заданного целевого уровня затрат). Отмечается, что в некоторых сетях клиентов структура неглубокая, так что многоуровневость не является проблемой. Но для авиакомпании с центральным складом и филиалами многоуровневость имеет значение; надеемся, что Baxter сможет справиться с этим, если потребуется.

Подводя итог, Baxter Planning предлагает всестороннюю, хотя и традиционную, систему планирования запасных частей. Она надёжна, ориентирована на баланс затрат и уровня обслуживания, и автоматизирует многие задачи. Возможно, у неё нет самых эффектных функций ИИ, но она обладает глубиной практического функционала. Руководители MRO должны рассматривать Baxter как решение «надежная пара рук» – способное улучшить ситуацию за счёт проверенных методов. Имейте в виду, что вы не обязательно окажетесь на передовой аналитики; вы получите надёжный, возможно, несколько консервативный подход. Если ваша организация предпочитает больше контроля и прозрачности (в отличие от «чёрного ящика» ИИ), стиль Baxter может оказаться предпочтительнее. В качестве меры предосторожности убедитесь, что система не слишком зависит от статических пользовательских настроек (например, не требует от вас ручного ввода множества параметров деталей). Спросите, как она адаптируется к изменениям (автоматически ли корректирует прогнозы в каждом цикле, учитывает ли сезонность или показатели использования и т.д.). Если всё работает, Baxter сможет обеспечить стабильные преимущества без завышенных обещаний чудес.

Smart Software (Smart IP&O) – Узкоспециализированный эксперт по прогнозированию прерывистого спроса

Smart Software – это небольшой поставщик, который заработал репутацию, решая одну из самых сложных проблем: прогнозирование прерывистого спроса. Их решение, теперь предлагаемое как интегрированная платформа под названием Smart IP&O (Планирование и оптимизация запасов), возникло из академических исследований по улучшению метода Кростона. Фактически, Smart Software представила запатентованный метод бутстрэппинга для прогнозирования прерывистого спроса, который получил награду от APICS ⁸. Этот метод подробно описан в технических документах и по сути генерирует множество синтетических сценариев спроса на основе истории, чтобы создать полное распределение спроса за период поставки ^{8 50}. Результатом является кривая вероятности того, сколько единиц может потребоваться, вместо одной единственной оценки. Благодаря этому вы можете планировать почти оптимальные уровни запасов для заданной вероятности обслуживания.

Для авиационного MRO, где более 80% деталей могут быть слабо востребованными с большим числом нулевых значений спроса ^{51 52}, точность прогнозирования Smart может стать переломным моментом. Традиционные методы прогнозирования (скользящие средние и т.д.) терпят неудачу на таких данных. Вероятностный подход Smart справляется с «неровностями» спроса, не сглаживая их, а принимая как есть. Он очень хорошо моделирует такие необычные случаи, как «обычно 0, но иногда всплеск до 5 единиц».

Подробности технологии от Smart приятно конкретны: они упоминают, что не предполагают использование какого-либо конкретного распределения (то есть не навязывают слепо нормальное или распределение Пуассона) и вместо этого используют эмпирические данные для моделирования исходов ⁵³. Они специально отмечают, что спрос часто «не соответствует простому нормальному распределению», отсюда их применение бутстрэппинга ⁸. Затем они формируют «полное распределение совокупного спроса за весь период поставки товара» ⁵⁴. На этой основе расчёт страхового запаса, скажем, для 95%-го уровня обслуживания, становится простым и точным – достаточно взять 95-й процентиль этого распределения.

Решение Smart Software выходит за рамки простого прогнозирования; их платформа IP&O включает также модули оптимизации запасов и планирования спроса. Однако основное отличающее свойство всё ещё заключается в прогнозировании. Оптимизационная часть, вероятно, использует эти распределения спроса для расчёта точек повторного заказа, объёмов заказов и т.д., чтобы минимизировать запасы при соблюдении целевых показателей обслуживания. Возможно, оно менее продвинуто в области многоуровневой оптимизации или для таких случаев, как циклы восстановления ремонтопригодных деталей. Можно интегрировать вывод Smart в другую систему или управлять каждой локацией отдельно в Smart (исторически фокус был на одноуровневой оптимизации, но, возможно, они добавили функции для нескольких расположений в IP&O).

Одним из преимуществ небольшого размера и узкой специализации Smart является то, что они часто интегрируются с популярными системами EAM/ERP в сфере обслуживания. Например, они упоминают интеграцию с IBM Maximo, SAP, Oracle и другими ⁵⁵. Это говорит о том, что вы можете относительно легко подключить их прогнозный движок к вашей существующей системе. По сути, вы будете использовать Smart для расчёта параметров запасов (например, min/max или страхового запаса для каждой детали), а затем передавать эти данные обратно в ERP для реализации. Это иной подход, чем полная замена вашей системы планирования.

Теперь рассмотрим их заявления: Smart часто утверждает, что компании, использующие их решение, «сокращают запасы примерно на 20% в первый год и повышают доступность деталей на 10-20%» ⁵⁶. Эти показатели выглядят разумными и менее претенциозными, чем некоторые заявления, с которыми мы сталкиваемся (и они соответствуют типичным улучшениям за счёт лучшего прогнозирования). Это подразумевает, что ранее компании либо избыточно запасались «на всякий случай», либо имели неверно подобранные детали; благодаря оптимизации они освободили 20% запасов, при этом реально улучшив обслуживание. Тем не менее, ни один независимый источник не подтверждает эти точные цифры для каждого случая – поэтому рассматривайте это как средний итог успешных примеров. Это не гарантировано, но вполне вероятно, если в компании ранее не использовалось вероятностное планирование.

Поскольку Smart является высокоспециализированным, возникает скептицизм: может ли оно справиться с полным спектром потребностей авиационного MRO? Прогнозирование и установка уровней запасов – одно, но как насчёт управления ремонтными циклами, объединения ремонтопригодных ресурсов или динамического перераспределения запасов между базами? Smart IP&O может не содержать всех этих возможностей. Оно может предполагать довольно стандартный процесс, при котором запасы каждой локации планируются до заданного уровня обслуживания, и всё. Возможно, оно не оптимизирует распределение запасов между локациями в вашей сети – по крайней мере, не в той мере, в какой это сделал бы многоуровневый инструмент. Также, скорее всего, оно не учитывает явно показатели инженерной надёжности (если только вы каким-то образом не добавите их в историю спроса).

Ещё одно предостережение – автоматизация против пользовательского ввода: инструменты Smart вычисляют показатели, но пользователь всё же должен задавать целевые уровни обслуживания (хотя они утверждают о «почти 100%-ной точности», возможно, стремятся к высокому уровню обслуживания при оптимизации затрат). Smart не заставляет вас выбирать модель прогнозирования для каждого артикулу; алгоритм автоматически обрабатывает данные. Это хорошо. Но всё же необходимо управлять исключениями – например, если деталь устаревает, вы должны сообщить системе или вручную скорректировать прогноз. Технология «Gen2», которую они упоминают ⁵⁷, может включать более автоматическое выявление причин спроса, но подробности не разглашаются.

Интеграция (снова) требует усилий. Smart предоставляет научную базу, но вам нужно обеспечить поступление данных (чистой исторической информации о спросе и т.д.), а затем использовать их вывод для принятия решений. Если организация не готова доверять сгенерированным прогнозам или страховым запасам, они могут их переопределять, что снизит преимущества. Успешные примеры Smart обычно связаны с командой, полностью использующей рекомендации инструмента.

В целом, Smart Software – это нечто вроде специализированного инструмента, который может дополнить возможности планирования MRO. Его можно считать современным в вопросе прогнозирования прерывистого спроса – даже некоторые более крупные поставщики могут использовать менее продвинутые методы в этой области. Если MRO считает, что их самая большая проблема – точность прогнозирования для тысяч спорадически востребованных деталей, Smart является привлекательным решением. Но если главная задача – оптимизация в рамках сложной цепочки поставок для ремонта, одного Smart может быть недостаточно; он может стать лишь частью более масштабного решения (возможно, используемым вместе с ERP или другой системой планирования).

Для руководителей MRO с технологической ориентацией стоит рассмотреть Smart IP&O не как полную замену систем планирования, а как «прогнозный двигатель в коробке». Важно сохранять здоровый скептицизм: убедитесь, что организация может действовать на основании этих прогнозов (есть ли у вас процессы для реализации рекомендаций по запасам?), и уточните у Smart, как они справляются с такими аспектами, как вариабельность времени поставки (они отлично работают с вариациями спроса; надеемся, что они также моделируют время поставки или хотя бы предусматривают резервные буферы для вариаций). Также спросите, как происходит обновление – если поступают новые данные, свидетельствующие о всплеске спроса, как быстро система реагирует и избегает чрезмерной реакции? Учитывая их академическую строгость, можно предположить, что они об этом подумали, но всё же стоит проверить.

IBM MRO Inventory Optimization (Oniqua) – Поддержка принятия решений на основе данных

IBM MRO Inventory Optimization, по сути продукт, приобретённый IBM от Oniqua в 2018 году, позиционируется как аналитическая платформа для отраслей с высокой интенсивностью активов, таких как горнодобывающая промышленность, энергетика, производство и, да, аэрокосмическая отрасль. Oniqua была известна своим консалтинговым подходом к оптимизации запасов MRO для горнодобывающих компаний, с акцентом на минимизацию простоев и снижение запасов. В составе IBM данное решение было интегрировано в пакет IBM Maximo и Supply Chain, но может использоваться и как самостоятельное.

IBM MRO IO описывается как «объединяющее статистический анализ, предписывающую аналитику, автоматизацию и оптимизационные алгоритмы» для улучшения уровня обслуживания и снижения затрат ⁹. Что это означает на практике: оно анализирует данные о вашем использовании и запасах, выявляет, где у вас избыточные запасы и где существует риск недостатка, а затем предлагает такие действия, как «сократите это, увеличьте то». Это чем-то напоминает наличие умного аналитика, который непрерывно отслеживает ключевые показатели запасов в MRO. Программное обеспечение включает такие функции, как оценка элементов (вероятно, показатель критичности или риска) и рабочие очереди для планировщиков ¹⁰. Это указывает на то, что система будет генерировать список рекомендуемых действий для рассмотрения пользователем – очень практичный способ управления тысячами деталей.

Что касается прогнозирования, IBM явно упоминает «прогнозирование прерывистого спроса» как функцию MRO IO ¹⁰. Учитывая опыт Oniqua, они, вероятно, использовали метод Кростона или его вариант для прогнозирования спорадического использования деталей. Возможно, это не так продвинуто, как бутстрэппинг Smart, но, по крайней мере, учитывает прерывистый характер спроса. Кроме того, решение IBM принимает во внимание критичность, время поставки и прочее при анализе исторических данных для выработки рекомендаций ⁵⁸. Это предполагает наличие аналитического слоя, основанного на правилах: например, система может указать, что «критичная деталь X имеет время поставки 90 дней, и у вас отсутствует страховой запас – высокий риск». После этого система может рекомендовать нарастить запасы детали X, а также отмечать некритичные детали с избыточными запасами.

IBM также заявляет о таких результатах, как «сокращение незапланированных простоев, связанных с деталями, на 50%» и «сокращение затрат на запасы на 40%» ⁵⁹. Эти цифры весьма амбициозны и, вероятно, представляют наилучшие сценарии. Мы должны быть скептичны: сокращение простоев на 50% – это чрезвычайно, что, вероятно, предполагает, что простои были вызваны отсутствием деталей, и их удалось полностью устранить за счёт улучшенного обеспечения запасами. В хорошо организованной авиакомпании простои, вызванные отсутствием деталей, и так невелики (их стараются избегать любой ценой). Аналогично, сокращение затрат на запасы на 40% – это огромная цифра, возможная только если у компании изначально было слишком много запасов (что часто наблюдается в отраслях, где запасные части накапливаются, но менее характерно для коммерческой авиации, которая уже стремится оптимизировать запасы из-за их высокой стоимости). Поэтому эти цифры следует воспринимать как исключения или маркетингово выбранные данные ⁵⁹.

С технологической точки зрения, инструмент IBM, вероятно, не использует эффектный ИИ/МО даже в меньшей степени, за исключением, возможно, некоторого распознавания шаблонов в данных использования. Хотя компания IBM многое делает в области ИИ (Watson и т.д.), нет никаких признаков того, что именно такой уровень ИИ встроен здесь. Термин «прогностическая и предписывающая аналитика» используется ⁶⁰, что в аналитическом жаргоне часто означает: прогностическая = прогнозировать, что может произойти (например, предсказать будущие отказы деталей или потребление), предписывающая = предлагать действия (например, заказать эту деталь сейчас, сократить заказ на другую). Эти методы ценны, но их можно реализовать с помощью относительно простых статистических моделей и бизнес-правил. Фактически, устаревший подход Oniqua был достаточно консультативным – они устанавливали правила и пороговые значения, адаптированные под каждого клиента (например, если деталь не двигалась в течение 5 лет, она считается избыточной; если деталь вызвала дефицит запасов в прошлом году, возможно, стоит увеличить запас). Вероятно, IBM превратила часть этой логики в продукт.

Один из возможных недостатков для некоторых: IBM MRO IO может предполагать, что у вас есть хороший контроль над данными по техническому обслуживанию и активам (так как зачастую он продается вместе с Maximo). Если авиационный МРО не использует Maximo, они все равно могут использовать MRO IO, но ключевым моментом станет интеграция с их системами и обеспечение точности данных (иерархии оборудования, определения критических активов и т.д.). Заявление о том, что он «устраняет предварительные требования к данным путем их поглощения в исходном виде», которое мы видели у конкурента (Verusen), не является тем, что IBM явно утверждает – IBM понимает, что очистка данных необходима. Так что ожидайте этап подготовки данных.

Решение IBM, вероятно, в некоторой степени опирается на ввод пользователем для выполнения определённых задач: например, необходимо классифицировать детали по степени их критичности (разрешено/запрещено) в системе, устанавливать сроки поставки, затраты и т.д. Оптимизация затем происходит в рамках этих параметров. Система может не знать автоматически критичность детали, если вы не предоставите ей эти данные. Таким образом, она настолько хороша, насколько хорошо организовано управление вашими данными.

Что касается автоматизации, IBM IO автоматизирует анализ, но не обязательно выполнение действий. Он предоставляет вам список задач; фактическое оформление заказов может по-прежнему осуществляться в вашей ERP-системе вашими планировщиками. Это несколько менее интегрированная автоматизация по сравнению, например, с инструментом, который напрямую создаёт заявки на закупку. Однако некоторые компании предпочитают такой подход «с участием человека», чтобы система не принимала случайные решения самостоятельно.

Учитывая весомость IBM в корпоративном сегменте, можно быть уверенным, что аспект интеграции хорошо поддерживается (особенно для собственных систем IBM, таких как Maximo или SAP, с которыми часто работает IBM). Но, опять же, «plug-and-play» маловероятен – IBM или её партнёры, скорее всего, проведут довольно масштабный проект по настройке системы в соответствии с вашими процессами технического обслуживания и цепочкой поставок.

В итоге, IBM MRO Inventory Optimization (Oniqua) является надёжным аналитическим решением, которое может обеспечить значительные улучшения, особенно если в данный момент вам не хватает прозрачности в работе вашего склада запасов. Оно эффективно выявляет очевидные неэффективности (избыточные запасы, потенциальные дефициты) и оптимизирует легкодоступные улучшения. Система справляется с прерывистым спросом и критичностью посредством статистических методов и правил, хотя не обязательно использует самые современные методы ИИ. Для руководителя авиационного МРО это может оказаться инструментом для пошагового улучшения, а не радикально новой системой ИИ – что может быть вполне приемлемо, если необходимо привести в порядок основы. Скептицизм следует проявлять к громким заявлениям об улучшениях: задавайте IBM вопросы о том, что на самом деле означают эти цифры, и требуйте примеры, схожие с вашей операционной деятельностью. Также убедитесь, что способ работы инструмента (аналитические панели и т.д.) подходит вашей команде – возможно, вашим планировщикам придётся освоить более аналитический подход к работе. Если ваша корпоративная культура готова к этому, решение IBM сможет систематически приносить улучшения. Если вы ожидали «черного ящика» ИИ, который магически оптимизирует всё без надзора, то это не оно (и, честно говоря, такого формата plug-and-play пока не существует).

Интегрированные ERP-решения (SAP SPP и Oracle) – встроенные инструменты с ограничениями

Стоит обсудить варианты от крупных поставщиков ERP, так как они «релевантны», особенно для организаций, пытающихся использовать возможности существующих систем перед покупкой специализированного программного обеспечения. Ключевыми являются SAP Service Parts Planning (SPP) и модули запасных частей Oracle.

SAP SPP: Являясь частью пакета SAP APO (Advanced Planning & Optimization) и сейчас частично доступным в SAP IBP (Integrated Business Planning), SPP был совместно разработан с крупными промышленными компаниями в середине 2000-х годов. Он включает функции, такие как многозонная оптимизация запасов, прогнозирование (включая конкретные модели для прерывистого спроса) и планирование требований к распределению запасных частей. На бумаге SAP SPP может многое: он имеет метод прогнозирования по Кростону для прерывистого спроса (SAP даже документирует его как «Forecast Strategy 80», используя экспоненциальное сглаживание по Кростону для определения величины и интервала) ¹². Он также имеет обновлённый вариант метода Кростона (Croston-TSB) ⁶¹. Таким образом, SAP действительно внедрила известные академические методы для неровного спроса. Кроме того, система может моделировать боковые трансшипменты, имеет встроенную функциональность для замены деталей (взаимозаменяемость продуктов) и способна оптимизировать запасы по всей сети с учетом уровней обслуживания или коэффициентов удовлетворения спроса. Компании Caterpillar и Ford были одними из первых приверженцев, и в какой-то момент утверждалось, что SAP SPP обладает очень продвинутой функциональностью (некоторые аналитики считали, что он конкурирует с лучшими специализированными инструментами) ⁶².

Однако реальность в авиационной отрасли такова, что немногие авиакомпании или МРО полностью использовали потенциал SAP SPP. Одна из причин – сложность и требуемая экспертиза. Настройка SPP подразумевает конфигурирование множества параметров: необходимо назначить модель прогнозирования для каждой детали (по Кростону для действительно прерывистого спроса, возможно, скользящую среднюю для других и т.д.), поддерживать основные данные, такие как флаги ввода/вывода, и, что наиболее важно, определить целевые уровни обслуживания для каждой детали или группы. SAP SPP не решает автоматически, какой уровень обслуживания вам нужен – вы ему это задаёте. Часто компании использовали классификацию ABC/XYZ для группировки деталей, а затем назначали целевой уровень обслуживания для каждой группы. Этот подход определяется пользователем и не оптимизирует компромисс в полной мере. По сути, это является входными данными для оптимизации. Затем SAP рассчитывает требования к запасированию, чтобы удовлетворить эти входные данные при минимальном уровне запасов (это и есть оптимизационный элемент, возможно, с использованием решателя MILP для многозонного запаса). Но если цели заданы неверно, результаты не будут глобально оптимальными с экономической точки зрения.

Ещё одна проблема заключается в том, что интерфейс и система оповещений SAP для SPP не были особенно удобными для пользователя по сравнению со специализированными инструментами. Система интегрирована в среду SAP, что хорошо для ИТ, но, возможно, не слишком для повышения продуктивности планировщиков. Многие в итоге использовали только отдельные её функции (например, только прогнозирование или только планирование распределения, в то время как остальные задачи решались в Excel).

С точки зрения современных стандартов, сегодня SAP SPP несколько застыл во времени. Стратегический фокус SAP сместился в сторону IBP, и функционал IBP для запасных частей всё ещё догоняет. Например, некоторые продвинутые возможности SPP изначально не были перенесены в IBP. Таким образом, если авиационный МРО использует SAP и рассматривает возможность применения встроенного планирования, он может обнаружить, что для удовлетворения всех требований требуется значительная доработка (а возможно, и сторонние дополнения). Например, обработка случайных спецификаций на ремонт или прогнозирование темпов списания может не быть реализована «из коробки»; возможно, придётся создавать индивидуальные модели прогнозирования на основе лётных часов или уровня использования (некоторые пользователи SAP спрашивали о прогнозировании на основе драйверов установленной базы, а не истории потребления ⁶³ – что указывает на пробелы в стандартной функциональности для специфичного для МРО прогнозирования).

Oracle: Планирование запасных частей у Oracle (часто реализуемое через Value Chain Planning в составе Oracle E-Business Suite или как часть Oracle Cloud SCM) также предоставляет базовую функциональность. Оно включает прогнозирование (вероятно, с использованием метода Кростона или аналогичных моделей для прерывистого спроса), многозонную оптимизацию запасов и интеграцию при выполнении операций. Сильной стороной Oracle может быть интеграция с Oracle eAM (Enterprise Asset Management) и её ERP-системой, однако её не выделяют как лидера в этой области. Oracle даже не участвовал в некоторых сравнительных исследованиях по запасным частям ⁶⁴, что свидетельствует о том, что продукт не продвигается агрессивно. Вероятно, система работает достаточно хорошо при корректной настройке, но, как и SAP, опирается на классические методы и требует серьёзной подготовки данных. Подход Oracle обычно детерминированный, если не приобрести оптимизационный пакет – он может, например, рассчитать страховой запас на основе уровня доверия при предположении определённого распределения (часто нормального или пуассоновского). Однако ожидать, что система Oracle будет самостоятельно настраиваться или использовать машинное обучение, было бы нереалистично.

Общие проблемы (SAP/Oracle): Обе ERP-системы страдают от того, что авиационный МРО не является универсальным решением. Эти системы универсальны, поэтому для реализации чего-то вроде «включить, если деталь позволяет отложить замену на 30 дней» не существует стандартного параметра – такую логику придётся внедрять вручную (например, установив, что уровень обслуживания для этой детали может быть немного ниже и т.д.). Настройка системы для полноценного моделирования программы технического обслуживания авиакомпании может быть весьма объёмной. Например, моделирование случайных спецификаций на ремонт в SAP может включать обработку запланированных графиков обслуживания как зависимых потребностей, а внеплановых – как статистических, и т.д. Это выполнимо, но сложно.

Также, перегрузка настроек, определяемых пользователем: в SAP или Oracle планировщикам может потребоваться поддерживать множество настроек – таких как периоды пересмотра, правила расчёта размера партии, минимальные уровни страхового запаса и т.д., иначе система может работать не так, как требуется. Каждая из этих настроек предоставляет возможность для ошибки или не оптимального выбора. Именно эта зависимость от ручной настройки пользователем и пытаются устранить более продвинутые решения посредством автоматизации.

Преимущество интеграции: Если вы уже используете SAP или Oracle, применение их модуля означает отсутствие необходимости в сложной интеграции основных данных – всё находится в одной системе. Это плюс (нет задержек, нет проблем со сверкой данных). Однако, ирония заключается в том, что компании часто обнаруживают, что им всё равно приходится создавать интерфейсы – например, для передачи данных в инструмент прогнозирования (например, Smart) или в собственное хранилище данных, чтобы решить задачи, которые модуль ERP не может выполнить. Таким образом, преимущество интеграции может быть нивелировано, если встроенный инструмент не полностью отвечает требованиям, и его дополняют другими инструментами.

Скептически настроенные эксперты считают, что заявления SAP и Oracle (когда они вообще что-то обещают) обычно скромны; публичных заявлений об огромных процентных улучшениях редко бывает, потому что многое зависит от реализации. Технология в этих системах надёжна, но не передовая – в основном это академические методы конца 20-го века, реализованные в программном обеспечении. Кроме того, им не хватает шума вокруг ИИ/МО (за исключением того, что SAP начала говорить о «MRP, основанном на спросе с машинным обучением» в других контекстах, но не конкретно о планировании запасных частей).

Для руководителя МРО вывод таков: если у вас уже есть эти системы, вы можете попытаться использовать их, но будьте готовы к, возможно, долгому пути настройки и тому, что уровень производительности может не достичь того, который могут обеспечить специализированные инструменты. С другой стороны, они несут меньший риск поставщика (это SAP/Oracle, они будут на рынке, и всё находится в одной системе). Скептический анализ показывает, что хотя решения SAP и Oracle актуальны, они обычно отстают от специализированных поставщиков как в автоматизации, так и в изысканности. Они служат базовым уровнем, и многие авиакомпании, использующие их, в конечном итоге дополняют или заменяют их одним из вышеупомянутых специализированных инструментов для полноценной оптимизации цепочки поставок МРО.

Новые участники на базе ИИ (например, Verusen) – от модных слов к проверке реальностью

Ни одно исследование рынка в 2025 году не было бы полным без упоминания новой волны стартапов и решений на основе ИИ, появляющихся для оптимизации цепочки поставок. В секторе МРО одним из примеров является Verusen, который позиционирует себя как «единственная платформа ИИ, созданная специально для оптимизации запасов, расходов и рисков в цепочке поставок МРО производителей с высокой долей активов» ⁶⁵. Это смелое утверждение сразу вызывает скептицизм – «единственная платформа ИИ» явно является маркетинговой гиперболой (как мы видели, многие устоявшиеся игроки также заявляют об ИИ в различных формах).

Подход Verusen, основанный на их материалах, сильно сосредоточен на поглощении и очистке данных. Они подчеркивают такие моменты, как «поглощение данных в исходном виде из ERP/EAM систем» и применение ИИ для выявления дублирующихся материалов и консолидации данных ⁶⁶. Это решает реальную проблему: данные МРО часто бывают неупорядоченными (одна и та же деталь может быть записана под слегка различными именами и т.д.). Verusen использует машинное обучение (вероятно, обработку естественного языка и сопоставление шаблонов) для рационализации основных данных о материалах. Это ценно как предварительный этап оптимизации – если ваши данные в беспорядке, даже лучший алгоритм не сможет помочь. Таким образом, Verusen, похоже, сосредоточена на создании точного единого источника правды для деталей и последующем поиске возможностей для оптимизации (например, выявлении избыточных запасов между заводами, которые можно было бы распределить, или сокращении страхового запаса там, где наблюдается переизбыток).

С другой стороны, Verusen и аналогичные участники отстают в доказанной глубине реальных алгоритмов прогнозирования и управления запасами. Они упоминают ИИ в общих чертах, но не приводят конкретных деталей. Можно предположить, что они используют универсальные модели машинного обучения для прогнозирования потребления (возможно, нейронную сеть, анализирующую потребление и другие факторы). Без конкретных деталей следует быть осторожными. В цепочке поставок многие стартапы пытались использовать чистое прогнозирование на основе машинного обучения и обнаружили, что это не так просто превзойти хорошо настроенные статистические модели для прерывистого спроса (что особенно трудно для стандартных моделей машинного обучения из-за большого количества нулевых значений).

Verusen также подчеркивает, что их решение основано на облачных технологиях и легко интегрируется – что подразумевает обещание более формата «plug-and-play», чем у старых поставщиков. Однако здесь следует выразить серьёзное предостережение: независимо от платформы, подключение к ERP-системе компании и получение всех соответствующих данных МРО никогда не является по-настоящему plug-and-play. Каждая ERP или МРО система имеет свои уникальные поля, расширения, и данные часто нуждаются в очистке (дублирующиеся детали, отсутствующие сроки поставки и т.д.). Предложение Verusen по поглощению данных «как есть» ⁶⁷ интересно – оно предполагает, что их ИИ способен работать сквозь шум данных. Возможно, он может группировать похожие элементы для выявления дубликатов или оценивать недостающие сроки поставки по контексту. Это впечатляющие функции, но руководитель должен требовать доказательств того, что ИИ работает правильно. Вы не хотите, чтобы алгоритм определял, что два номера детали являются дубликатами, если на самом деле это разные критические детали.

Скептический взгляд на новых участников ИИ: они приносят свежие идеи и часто удобные для пользователя интерфейсы (современный UX, панели управления). Они могут решить некоторые сопутствующие проблемы, такие как качество данных и возможность удобного анализа «what-if». Но порой им не хватает заслуженно приобретённых знаний отрасли, присущих более старым решениям. Стартап в области ИИ может не знать, что «деталь ABC не допускается к полёту, но может быть отложена на 3 дня, если это необходимо», если вы не сообщите об этом напрямую; в то время как специализированный инструмент может обладать этой логикой. Поэтому любого новичка в области ИИ следует настойчиво спрашивать, как он учитывает авиационные особенности: планирование, ограничения сертификации, нормативное соответствие (нельзя просто использовать любую альтернативную деталь без соответствующих документов и т.д.) и тому подобное.

Тем не менее, некоторые новые участники могут сотрудничать с экспертами отрасли или нанимать бывших планировщиков MRO для внедрения правил. Им вполне может удастся наверстать упущенное, но это следует проверять, а не предполагать.

Другие заметные новые подходы включают использование данных Интернета вещей и предиктивного обслуживания напрямую для планирования запасов (некоторые решения используют данные датчиков для прогнозирования сбоев деталей, а затем связывают это с потребностями в запасах). Эта область развивается и часто появляется через системы предсказания обслуживания, а не через системы управления запасами. Но происходит сближение – например, программное обеспечение для предиктивного обслуживания производителя двигателей может рекомендовать запастись определёнными модулями в конкретных местах, поскольку «видит» повышенный риск отказов. Руководителям MRO стоит учитывать, что на рынке может наблюдаться больше вертикальной интеграции (OEM-производители, предлагающие комплексное обслуживание, включая оптимизацию запасов с использованием данных об оборудовании).

По сути, следите за стартапами, заявляющими о применении ИИ/МЛ в MRO – они могут предложить лишь часть решения или даже интегрироваться с одним из более крупных инструментов (например, ИИ для очистки данных, подающий данные в Lokad или Servigistics). Сохраняйте скептицизм к их смелым заявлениям до тех пор, пока они не смогут продемонстрировать результаты. Часто у небольших новых поставщиков ограниченное количество кейс-стади, и это могут быть пилотные проекты, а не полноценные развертывания.

Также стоит учитывать, как эти новые системы будут сосуществовать с обширными процессами и наследуемыми системами в авиации. Эффектный ИИ-инструмент, который не может легко экспортировать свои результаты в вашу существующую ERP-систему для исполнения или не регистрирует решения для аудита (важно для соблюдения авиационных стандартов), столкнется с трудностями. Руководители захотят убедиться, что такой инструмент может интегрироваться в рабочий процесс (что, иронически, может потребовать столько же усилий по интеграции, сколько и любое другое программное обеспечение).

Заключение и рекомендации

Данное скептическое исследование рынка выявляет экосистему решений, каждое из которых пытается решить сложные задачи оптимизации запасных частей для авиационного MRO. Никакое решение не является универсальным, и высокопарные обещания всегда должны подвергаться техническим вопросам и пилотным испытаниям.

Однако существуют передовые методики: вероятностное прогнозирование, многоуровневая оптимизация и ИИ/МЛ для распознавания шаблонов могут значительно улучшить показатели при правильной реализации. Поставщики, такие как Lokad, продвигают границы этих методов специально для авиации, в то время как гиганты, такие как PTC Servigistics и Syncron, внедряют множество продвинутых функций, пусть и под более туманным маркетинговым языком. ToolsGroup, Baxter, Smart и другие обладают сильными компетенциями, которые, если соответствовать потребностям вашей организации, могут принести значительные преимущества – при условии, что вы не включаете их и не ожидаете чудес. Внутренняя зрелость процессов и качество данных остаются решающими.

Повторяющаяся тема – компромисс между автоматизацией и контролем со стороны пользователя. Высокоавтоматизированные системы на базе ИИ могут справляться с масштабом и сложностью (десятки тысяч артикулов), но при этом ощущаться как «чёрный ящик». Более старые или ручные системы дают пользователям больше возможностей, но за счёт чрезмерной сложности для больших каталогов. Идеальным представляется система, которая автоматизирует рутинную работу (прогнозирование, расчёт оптимального запаса), но при этом обеспечивает прозрачность и возможность вмешательства планировщиков в случае исключений. При оценке поставщиков руководители MRO должны задаваться вопросом: Адаптируется ли система автоматически к изменениям спроса и времени поставки или требует ручной настройки? Если поставщик поручает вам поддерживать множество правил min/max или классификации, это признак слабых технологий (или, по крайней мере, неполного их использования).

Будьте крайне скептичны к поставщику, который хвалится «plug-and-play интеграцией» в ваши MRO-системы. IT-ландшафт авиационного MRO разнообразен – будь то AMOS, TRAX, Ultramain, Maximo, SAP или что-то собственное, интеграция инструмента оптимизации потребует сопоставления полей данных и, вероятно, очистки данных. Поставщик, утверждающий, что сможет развернуть систему за несколько недель с минимальными усилиями IT, скорее всего, занижает объём работ или предполагает узкий охват. Разумно выделить время на интеграцию и тестирование, а также привлечь ваших IT-специалистов для проверки этих заявлений.

Ещё один тревожный сигнал – акцент на кейс-стади или аналитических отчётах, которые кажутся слишком хорошими, чтобы быть правдой. Многие кейс-стади не упоминают о проблемах или исходных данных. Например, «запасы сократились на 30%» может звучать великолепно, но если у компании изначально не было системы планирования, то 30% можно достичь благодаря любому приличному улучшению процессов. Аналогично, «уровень обслуживания повысился до 99%» может означать чрезмерное накопление запасов. Всегда копните глубже: требуйте сравнительные метрики до и после в контексте, а ещё лучше – общайтесь напрямую с референсными клиентами, а не полагайтесь только на отточенные цитаты.

С другой стороны, когда поставщики предоставляют конкретные инженерные детали или методологии, это хороший знак. Это означает, что у них есть реальные методы, а не просто модные лозунги. Например, когда Smart Software открыто объясняет свой метод бутстрэппинга ⁸ или Lokad обсуждает дифференцируемое программирование, это свидетельствует о содержательности. Поставщики, которые просто упоминают «ИИ/МЛ», не объясняя, как это относится к проблеме, ожидают, что покупатели не станут задавать вопросов – а вам следует их задавать. Попросите, например, объяснить, как их система машинного обучения обрабатывает деталь, которая почти не используется большую часть месяца, а затем внезапно требуется – какие данные она использует? Если ответ представляет собой набор жаргонных слов без ясности, будьте осторожны. Если же они могут сформулировать, например, «мы группируем похожие детали и используем байесовскую модель, объединяющую эксплуатационные часы флота с историей изъятий», то у них, по крайней мере, есть подход.

В заключение, для руководителей MRO, оценивающих эти решения:

• Подберите инструмент под вашу проблему: если вы сталкиваетесь с резкой изменчивостью спроса и дефицитом запасов, отдавайте предпочтение поставщикам, доказавшим эффективность вероятностного прогнозирования (Lokad, ToolsGroup, Smart, Syncron в определённой степени). Если ваша проблема – избыток запасов и недостаток прозрачности, может быть достаточно инструмента предписательной аналитики (IBM/Oniqua или Baxter) для оптимизации.
• Оцените возможности вашей команды: очень продвинутая система требует квалифицированных планировщиков/аналитиков для работы с ней (или поддержки от экспертов поставщика). Более простая система может управляться небольшой командой, но не даст полной оптимизации.
• Планируйте работу с данными и интеграцию: независимо от выбранного программного обеспечения, инвестируйте в очистку данных по деталям, сбор данных об использовании и создание интерфейсов. Это менее эффектно, чем ИИ, но является фундаментальным.
• Пилотируйте и проверяйте: запустите пилотный проект для части деталей или на конкретном объекте. Посмотрите, действительно ли изощрённые алгоритмы поставщика дают разумные рекомендации (например, отсутствуют запасы критически важной детали или, наоборот, чрезмерный запас чего-то дешёвого). Проверьте их оптимизацию, смоделировав различные сценарии. Хороший поставщик будет работать с вами над этим; сомнительный избегать излишнего контроля.

Проблему управления запасами в авиационном MRO часто описывают как «умопомрачительно сложную» ⁶⁸ – и действительно, так оно и есть. Однако современные инструменты готовы встретить этот вызов. Прорезая маркетинговый шум и сосредотачиваясь на проверяемых возможностях, MRO может выбрать решение, которое действительно оптимизирует управление запасами, обеспечивая ощутимое повышение надёжности и экономию средств. Просто помните девиз скептика: на Бога мы надеемся, а все остальные – предоставляйте данные. Каждый поставщик должен уметь предоставить данные, подтверждающие его заявления в контексте вашей работы. При должной проверке вы сможете найти партнёра по программному обеспечению, который превзойдёт маркетинговые обещания и добьётся реального успеха в вашей цепочке поставок.

Примечания