Preisgestaltung für langfristige Wartungsverträge (MRO)

learn menu
Von Simon Schalit, Januar 2015

Wenn ein Unternehmen ein volles Kraftwerk, industrielle Schwermaschinen oder Flotten von Flugzeugen oder Autos in Auftrag gibt, erwartet es, dass diese Investition in den kommenden Jahren, wenn nicht Jahrzehnten, Einnahmen generiert. Um die Rendite der Investition sicherzustellen, ist die langfristige Wartung und Instandhaltung dieser Ausrüstung entscheidend und stellt in der Regel einen erheblichen Teil, wenn nicht sogar den Großteil, der Kosten des Projekts dar. Um dieses Risiko abzudecken, ist es zur Norm geworden, auf langfristige Wartungs-/Serviceverträge zurückzugreifen, die vom Anbieter (OEM, MRO oder andere) angeboten werden.

Diese Vereinbarungen können verschiedene Formen annehmen. Die Quintessenz ist jedoch fast immer die gleiche: Das finanzielle Risiko der Wartung wird über einen festgelegten Zeitraum (Jahre oder Jahrzehnte) vollständig oder teilweise auf den Anbieter übertragen, und der Preis wird zu Beginn des Vertrags festgelegt. Die Frage lautet dann: Welche der beiden Parteien kann dieses Risiko besser einschätzen und in den Verhandlungen die Oberhand gewinnen? Und wie kann der Anbieter seinen Prozess optimieren, um den Gewinn während des Vertrags zu maximieren?

Risiko vor dem Verkauf bewerten und damit leben

Angesichts der finanziellen Bedeutung von langfristigen Wartungsverträgen und der Tatsache, dass es nicht ungewöhnlich ist, dass ein Anbieter die Ausrüstung selbst zu einem erheblichen Rabatt verkauft und dabei auf den Wartungsvertrag setzt, um Margen zu generieren, stehen die Preisgestaltung und die Bedingungen des Service in der Regel im Mittelpunkt der Verhandlungen zwischen den Parteien.

Unternehmen verwenden eine Vielzahl von Tools und Prozessen, um die Kosten für verschiedene Wartungsmaßnahmen abzuschätzen, die erwartet werden können (Kosten für die zu ersetzenden Teile, dedizierte Arbeitskräfte für jeden Eingriffstyp, Kosten für Serviceunterbrechungen usw.). Diese Schätzung kann jedoch komplex sein und behandelt nur einen kleinen Teil des Problems. Die eigentliche Herausforderung besteht darin, wie wahrscheinlich es ist, dass diese kostenverursachenden Ereignisse zu einem bestimmten Zeitpunkt und wie oft über einen langen Zeitraum hinweg eintreten. Wenn der Anbieter das Risiko unterschätzt, kann er im Laufe des Vertrags Geld verlieren. Andererseits kann der Anbieter, wenn er das Risiko überschätzt und sein Serviceangebot überpreist, den Vertrag vollständig verlieren.

Die Realität langfristiger Verträge ist, dass die endgültigen Kosten sehr unsicher sind und daher vernünftigerweise in einem weiten Bereich variieren können. Jeder Versuch, einen “genauen” Wert zu ermitteln, der “richtig” oder zumindest “nahe an der Wahrheit” sein soll, deutet auf ein Missverständnis des Prognoseprozesses hin. Es gibt einfach nicht “einen genauen Wert”; jede prognostizierte Schätzung birgt ein Risiko, und die Bewertung dieses (finanziellen) Risikos, ausgedrückt in Dollar, sollte im Mittelpunkt des Prognoseprozesses stehen.

Sobald der Wartungsvertrag unterzeichnet ist, muss der Anbieter damit leben. Das bedeutet jedoch nicht, dass der Prognoseaufwand hier endet. Im Gegenteil, regelmäßige Aktualisierungen des Risikos sind erforderlich, um die Machbarkeit des Vertrags sicherzustellen. Dazu gehören:

  • Kurzfristige Prognosen, um die Ressourcen (Ersatzteillagerbestand und Arbeitskräfte) zu optimieren, die gewartet werden müssen, um eine angemessene Reaktionszeit und Service Level sicherzustellen. Diese Prognosen sind kurzfristig im Sinne eines “Prozesshorizonts” (oder der Lieferzeit), um sicherzustellen, dass dieser Prozess so schlank wie möglich ist.
  • Langfristige Prognosen, um die Bewertung des Risikos, das das Unternehmen für den Rest des Vertrags trägt, und die Berechnung von Verlustrückstellungen, falls erforderlich, zu verfeinern. Die Gefahr bei langfristigen Wartungsverträgen besteht darin, dass die meisten Kosten oft gegen Ende anfallen, während die Einnahmen in der Regel regelmäßig über die Vertragsdauer erfasst werden.

Grenzen klassischer Ansätze zur Wartungsprognose

Die Bewertung des Risikos und der damit verbundenen Kosten ist eine schwierige Aufgabe, und leider ist dies ein Problem, bei dem die klassischen Ansätze, die von den meisten Unternehmen verwendet werden, schlecht funktionieren. Die einfachsten Methoden, die auf den vom Hersteller bereitgestellten Spezifikationen beruhen (z. B. MTBUR-Daten), geben nur eine schlechte Darstellung der Realität wieder, da die Zuverlässigkeit von Teilen oft stark von externen Faktoren (Nutzung, Umgebung usw.) beeinflusst wird. Unsere Erfahrung zeigt, dass die tatsächlichen Zuverlässigkeitsmuster wenig mit theoretischen Zahlen zu tun haben, insbesondere auf lange Sicht.

Fortgeschrittenere klassische Methoden, die auf traditionellen statistischen “klassischen” Prognosen beruhen, erfassen ebenfalls nicht die Realität der mit Ersatzteilen verbundenen Muster. Diese Methoden basieren auf der Annahme, dass die Wartungsprognose genauso wie jede andere “Nachfrage” -Prognose behandelt werden kann und daher mit demselben Ansatz angegangen werden kann. Dies ist leider nicht wahr. Mehrere Besonderheiten machen die Prognose für die Wartung schwierig:

  • Seltene Ereignisse: Mechanische Ausfälle sind per Definition seltene Ereignisse. Daher ist es naiv, sich bei der Betrachtung bestimmter Teile stark auf Modelle zu verlassen, die “gleichmäßige” Muster bieten (ähnlich wie bei den Top-Verkäufern im Einzelhandel).
  • Wellenersatz: Die Realität der Wartung besteht oft darin, dass die Störung des Dienstes kostspieliger ist als die defekten Teile selbst. Dies ist ein starkes Argument dafür, Teile in Wellen zu ersetzen, anstatt einzeln, um unnötige Ausfallzeiten zu vermeiden. Dies macht die Annahme, dass die verschiedenen Teile “unabhängige” Wartungsmuster haben, und damit die meisten der beliebten Prognosemodelle, die auf dieser Annahme beruhen, ungültig.
  • Extrem hohe Servicelevel werden erwartet: Angesichts der Kosten einer Unterbrechung des Dienstes sind die erwarteten Servicelevel für Wartungsverträge oft extrem hoch und liegen weit über dem Bereich, der in anderen Branchen üblicherweise angestrebt wird. Als Beispiel können die Kosten für ein am Boden stehendes Flugzeug (AOG-Vorfall) mehrere hunderttausend Dollar pro Tag betragen.
  • Geschlossener Reparaturzyklus: Viele Teile sind einfach zu teuer, um weggeworfen zu werden. Einige werden zur Überprüfung und Reparatur geschickt und dann für zukünftige Verwendung wieder in den Bestand importiert. Dies führt das Unternehmen aus dem traditionellen “Verkaufen und Nachbestellen” -Szenario heraus. Sobald das Unternehmen das Teil gekauft hat, kann es lange im Bestand bleiben. Dies macht die Entscheidung zum Kauf zur Erhöhung des Bestands umso ernster, da das Unternehmen sich für einen längeren Zeitraum verpflichtet.

Der größte Hürde ist jedoch das Konzept der klassischen Prognose selbst. Die Prognose im klassischen Sinne ist per Definition keine Vorhersage oder Vermutung, wie genau sie auch sein mag. Es handelt sich um eine statistische Schätzung des erwarteten Medians der Nachfrage/Kosten. In diesem Fall würde eine klassische Prognose, die zur Schätzung der Gesamtkosten eines Wartungsvertrags angewendet wird, einen Wert liefern, der per Definition eine 50%ige Chance hat, über oder unter den tatsächlichen Kosten zu liegen. Aus finanzieller Sicht sind diese Chancen in dieser Situation natürlich inakzeptabel, was das Konzept der klassischen Prognose irrelevant macht. Letztendlich besteht der Schlüssel zur Erzeugung angemessener Prognosen darin, von Anfang an eine finanzielle Perspektive auf den Prognoseprozess zu übernehmen.

Das Ziel besteht darin, sich auf “prognostizierte Szenarien” zu verlassen, die direkt in die Prognose die angestrebte finanzielle Absicherung (finanzielles Risiko, Service Level) und damit die zugrunde liegenden finanziellen Treiber einbeziehen. Und das ist Quantil-Prognose.

Lokads Gotcha: Der Versuch, eine traditionelle klassische Nachfrageprognose durch Hinzufügen eines Sicherheitspuffers (in der Regel als “Sicherheitsbestand” bezeichnet, wenn es um Bestandsverwaltung geht) in eine finanzielle Absicherung umzuwandeln, ist nichts anderes als eine sehr ungenaue Methode zur Generierung einer Quantil-Prognose.

Eine finanzielle Perspektive auf die Prognose: die Quantile

Die Prognose für die Instandhaltung ist in erster Linie eine finanzielle Optimierung, sowohl hinsichtlich des finanziellen Risikos über den gesamten Vertrag als auch hinsichtlich der schlanken Gestaltung des Instandhaltungsprozesses bei gleichzeitiger Aufrechterhaltung des gewünschten Deckungsgrads/Servicelevels. Je höher die Schätzung der erforderlichen Kosten/Bestandshöhe ist, desto geringer ist die Wahrscheinlichkeit, dass diese Schätzung von der Realität übertroffen wird. Es ist jedoch wichtig zu beachten, dass keine Schätzung eine 100%ige Abdeckung garantieren kann.

Diese Szenarien können durch Quantil-Prognosen generiert werden, die tatsächlich eine Erweiterung der klassischen Prognosen darstellen: Anstatt nach dem Wert zu suchen, der eine 50%ige Abdeckung der zukünftigen Nachfrage/Kosten bietet, ermöglichen Quantil-Prognosen die Bestimmung beliebiger Schwellenwerte, sei es 10%, 60%, 80% oder 98%, innerhalb der Kosten-/Risikoverteilung.

Schätzung der Gesamtkosten und des verbleibenden Risikos

Das Ziel besteht darin, Prognosen zu generieren, die den verschiedenen Risikostufen entsprechen, die das Unternehmen bereit wäre zu akzeptieren. Diese Analyse sollte in Form mehrerer simulierter Szenarien erfolgen, die von der niedrigsten akzeptablen Abdeckung ausgehen und einen nicht verhandelbaren Mindestpreis bieten, bis hin zu höheren Abdeckungsgraden, die günstigere Szenarien zu einem höheren Preis bieten.

In der Realität wird die Preisgestaltung von Instandhaltungsverträgen in hohem Maße durch die “Zahlungsbereitschaft” des Kunden und den Wettbewerbsgrad bestimmt. Daher ist der Anbieter in der Regel dazu verpflichtet, seine Preise zu moderieren. Durch die Generierung der oben genannten Szenarien kann der Anbieter jedoch das Risiko, dem er bei einem bestimmten Preisniveau ausgesetzt ist, tatsächlich quantifizieren.

Diese Szenarien sind auch besonders nützlich, wenn sie während des Vertrags aktualisiert werden, um das Risiko für den Rest des Vertrags zu bewerten und festzustellen, ob Vorsorgebestimmungen erstellt oder angepasst werden müssen und in welchem Umfang. Dieser Ansatz bietet den großen Vorteil, das Risiko zu quantifizieren und somit eine direkte finanzielle Schätzung und eine vollständige Kontrolle über das zu wählende Vorsichtsniveau zu ermöglichen.

Optimierung des Instandhaltungsprozesses im Vertrag

Hinsichtlich der Ressourcen-/Bestandsoptimierung wäre die ideale Situation, ein anzustrebendes Servicelevel festzulegen und den entsprechenden minimalen Ressourcen-/Bestandsbedarf zu berechnen, um dieses Servicelevel sicherzustellen. Dies ist angesichts der oben genannten Besonderheiten von Instandhaltungsverträgen selbst schwierig, kann jedoch durch Quantil-Prognosen erreicht werden, die es ermöglichen, wie bei den oben genannten Szenarien, das gewünschte Servicelevel direkt anzusteuern und den entsprechenden Bedarf zu bewerten.

Die Realität der Instandhaltung ist jedoch oft komplizierter, da Unternehmen in der Regel mit einem begrenzten Budget arbeiten müssen und zwischen den verschiedenen Teilen abwägen müssen, um sicherzustellen, dass sie den besten ROI in Bezug auf das Servicelevel pro investiertem Dollar erhalten. Diese Optimierung wird durch die Generierung eines Quantilrasters ermöglicht, das die Ergebnisse für alle Teiletypen aller möglichen Szenarien im Bereich akzeptabler Servicelevel darstellt (wie viele Teile jedes Typs wären erforderlich, um den gesamten Bereich möglicher Servicelevel sicherzustellen). Dies ermöglicht es dem Unternehmen, in diesem Raster zu navigieren, um den effizientesten Bestand unter einer Budgetbeschränkung zu bestimmen.

Lokads Gotcha: Mehrere Systeme behaupten, auf “Monte-Carlo”-Methoden zu beruhen. Unternehmen sollten bedenken, dass “Monte-Carlo” kein magisches Wort in der Statistik ist und nicht als Entschuldigung für mangelndes Verständnis der zugrunde liegenden Modelle und mangelnde korrekte Daten verwendet werden sollte.