PRÉVISION DES STOCKS POUR L'AÉROSPATIALE

Les avions nécessitent un vaste éventail de pièces pour fonctionner, allant des pièces réparables à coût élevé aux consommables à faible coût et à rotation rapide. Outre le fait que certaines pièces sont très coûteuses, l’absence de la pièce nécessaire peut également se traduire par des incidents coûteux d’AOG (avion cloué au sol). Lokad propose une solution logicielle statistique qui offre une optimisation approfondie des stocks grâce à des prévisions de la demande pour les compagnies aériennes, les MRO (maintenance, réparation et révision) et les OEM (fabricants d’équipements d’origine).

air-engines-draw
Air France Industries est la branche MRO d'AIR FRANCE KLM avec plus de 200 clients - compagnies aériennes internationales, régionales, de fret, etc.

Lokad apporte un nouvel outil, à la fois puissant et innovant. Mais en plus de cela, Lokad a partagé avec Air France Industries son expertise en matière d'optimisation des stocks et de gestion de la chaîne d'approvisionnement, offrant ainsi non seulement une solution informatique complémentaire, mais aussi une véritable expertise en conseil, sur laquelle nos équipes peuvent compter.

Charles Segondat, Responsable de la gestion des stocks, Air France Industries

LIRE L'HISTOIRE COMPLÈTE
quotation shape left
spl-logo Spairliners est un leader mondial dans l'équipement de pièces de rechange et la maintenance des flottes d'avions Airbus A380 et Embraer Ejet.

Nous avons choisi Lokad à la suite d'une analyse approfondie des solutions d'optimisation des stocks disponibles sur le marché pour notre activité MRO (Maintenance, Réparation et Révision). L'approche de partenariat de Lokad, leur réactivité, leur adaptabilité et surtout les performances de leur solution nous ont conduit à leur confier l'optimisation des stocks de pièces de rechange de nos avions pour nos clients du monde entier. Lokad a réussi à répondre à nos attentes et à la complexité de notre industrie grâce à leur approche originale et intelligente de nos besoins.

Olivier Mazzucchelli, PDG de Spairliners, Hambourg, Allemagne

quotation shape left

Les approches classiques sont insuffisantes pour l'aérospatiale

En règle générale, les approches classiques d'optimisation des stocks sont peu performantes lorsque des pièces de rechange sont impliquées. De plus, l'expérience acquise par Lokad dans le secteur aérospatial indique que la situation est en réalité bien pire dans cette industrie spécifique.

vérification d'un moteur d'avion

Le coût élevé de certaines pièces, les délais de livraison longs, les pannes peu fréquentes et les coûts très élevés des ruptures de stock ne font qu’aggraver toutes les faiblesses de l’optimisation classique des stocks.

En particulier, les prévisions de séries temporelles optimisées en fonction de mesures telles que MAD (déviation moyenne absolue) ou MAPE (pourcentage moyen absolu) ne reflètent pas correctement les coûts très asymétriques entre la surestimation et la sous-estimation que l’on trouve dans le secteur aérospatial.

L’analyse classique des stocks de sécurité basée sur des distributions normales ou des distributions de Poisson fonctionne également mal.

L’analyse classique des stocks de sécurité basée sur des distributions normales ou des distributions de Poisson fonctionne également mal, car nos observations de données indiquent simplement que les schémas de demande ne suivent pas réellement l’un de ces modèles. De même, l’analyse ABC échoue car toute classification qui trie toutes les pièces dans quelques catégories de stocks ne parvient pas à capturer les nombreuses dimensions différentes qui définissent les pièces ou les consommables nécessaires aux avions modernes.

Au-delà du désaccord entre les hypothèses des modèles classiques et la réalité de l’industrie aérospatiale, nous avons également constaté que les approches classiques reposent trop sur une multitude de corrections manuelles. Cela conduit fréquemment à des situations où les ressources humaines investies dans l’optimisation des stocks ne sont pas valorisées, mais simplement consommées par les systèmes informatiques pour suivre les opérations quotidiennes. Certains modèles de conception de logiciels, tels que les “alertes”, ont également tendance à aggraver la situation en concentrant les équipes sur des corrections superficielles quotidiennes, au lieu de les concentrer sur les causes profondes afin de fournir des solutions durables. Pour toute demande, contactez-nous à contact@lokad.com

Repenser de fond en comble les mathématiques nécessaires aux compagnies aériennes pour prévoir leurs stocks.

Les schémas de demande aérospatiale nécessitent des prévisions non classiques

La technologie analytique de Lokad a été conçue en mettant les facteurs aérospatiaux au cœur de son fonctionnement. Au lieu de recycler des modèles de prévision et de gestion des stocks conçus pour d’autres industries, Lokad a créé des approches statistiques alternatives où les spécificités de l’industrie aérospatiale sont intégrées dès le départ.

Les modèles de prévision de Lokad reflètent tous ces facteurs liés à la flotte, non pas comme de simples coefficients linéaires correctifs ajoutés aux séries temporelles, mais comme les variables qui expliquent fondamentalement la demande elle-même.

La demande est d’abord motivée par la nécessité de servir une flotte d’avions. Cette flotte peut croître ou diminuer. Le mélange d’heures de vol et de cycles de vol change également avec le temps. Certaines opérations de maintenance sont planifiées, d’autres sont imprévues. Les modèles de prévision de Lokad reflètent tous ces facteurs liés à la flotte, non pas comme de simples coefficients linéaires correctifs ajoutés aux séries temporelles, mais comme les variables qui expliquent fondamentalement la demande elle-même. De plus, ce n’est pas tant la demande “moyenne” de pièces qui importe, mais plutôt les pics, c’est-à-dire les points les plus élevés de la demande qui ont le plus d’impact sur les taux de service. Les approches classiques qui reposent sur des distributions normales ou des distributions de Poisson introduisent un biais systématique dans toutes les estimations.

moteur-sur-avion

La technologie de Lokad repose sur une analyse avancée de prévision des quantiles de la demande. Le point de vue des quantiles est essentiel pour anticiper avec précision les futurs pics de demande et leurs probabilités correspondantes.

moteur-ouvert

De plus, ce ne sont pas seulement les demandes qui sont incertaines, mais aussi les délais d’approvisionnement. En particulier, les pièces réparables à coût élevé impliquent non seulement un délai d’approvisionnement, mais tout un circuit, allant du changement de composant à la disponibilité renouvelée de la pièce réparée.

Le délai d’approvisionnement complet comprend de nombreuses étapes : le temps administratif, le temps d’approvisionnement, le temps de transit, le temps de réception, le TAT (temps d’inspection au MRO ou OEM, et le temps de réparation si applicable), le temps de déchargement et de déplacement des stocks, le temps de traitement en atelier, etc. Modéliser un délai d’approvisionnement moyen ou médian est largement insuffisant ; la technologie de Lokad modélise directement l’ensemble de la distribution des retards - c’est-à-dire la probabilité qu’un retard donné se produise.

Enfin, il existe de nombreux motifs très spécifiques dans la demande observée qui nécessitent des contreparties statistiques natives. Par exemple, les rétrofits introduisent de multiples biais dans l’historique qui doivent être pris en compte. De plus, les règles d’interchangeabilité concernant les pièces pour lesquelles plusieurs versions coexistent, entièrement interchangeables ou simplement interchangeables dans un sens, compliquent encore davantage le tableau. Contrairement aux approches classiques qui essaieraient de tout intégrer dans les séries temporelles, notre technologie aborde ces problèmes en profondeur grâce à des modèles statistiques spécifiquement adaptés à ces défis.

Repenser de fond en comble l'expérience utilisateur des praticiens responsables des stocks.

Optimisation des stocks alignée sur les coûts aérospatiaux

Les pièces doivent être entretenues afin d'éviter les incidents AOG (avion cloué au sol), mais à cet égard, toutes les pièces ne sont pas égales. Le concept d'essentialité d'une pièce avec les variantes No-Go, Go-If et Go a un impact profond sur le coût de ne pas avoir la pièce nécessaire disponible.

avion-en-atelier

De nombreuses solutions optimisent incorrectement une erreur de prévision donnée exprimée en pourcentage (par exemple, MAPE, le pourcentage moyen absolu) ou exprimée avec une autre unité arbitraire (par exemple, MAD, l'écart absolu moyen).

En revanche, le cœur de notre technologie est conçu pour minimiser les dollars d’erreurs de prévision. Notre approche est très différente des systèmes statistiques classiques qui sont simplement “aveugles” aux variables financières.

Les coûts liés aux sur-prévisions et aux sous-prévisions sont très asymétriques dans le domaine aérospatial, et cela a un impact profond sur notre technologie. Les pièces réparables à coût élevé ne sont pas seulement, comme leur nom l’indique, coûteuses, elles ont également un effet “crémaillère” sur chaque achat du côté de la compagnie aérienne. En effet, comme le taux de rebut est très faible pour de nombreuses pièces, cela signifie que toute pièce achetée restera dans les stocks pendant des années. Et bien que la revente de pièces soit parfois possible, elle s’accompagne souvent d’une importante réduction par rapport au prix d’origine. Ainsi, nos prévisions sont naturellement et délibérément biaisées à la hausse pour refléter précisément ces situations commerciales asymétriques. L’objectif n’est pas d’avoir les meilleures estimations de stocks dans un sens statistique abstrait, mais les estimations qui aident vraiment à minimiser les coûts commerciaux associés aux imprécisions des estimations elles-mêmes.

De plus, bien qu’améliorer les niveaux de service soit certainement une bonne chose s’il ne faut pas augmenter les stocks, les solutions classiques visent des niveaux de service plutôt arbitraires basés sur des classifications de stocks naïves fréquemment basées sur une analyse ABC, ou d’autres variantes similaires. Au cœur de notre technologie statistique, nous relevons le défi de tirer le meilleur parti de chaque dollar investi dans les stocks. Par exemple, même si une pièce n’a qu’un niveau de service de 90 %, alors que l’entreprise vise un niveau de service global de 98 %, il peut être plus rentable d’augmenter le niveau de service d’une autre pièce de 98 % à 99 % si cette pièce coûte 100 fois moins cher et est demandée 100 fois plus fréquemment que la première. L’analyse ABC simplifie à l’excès le paysage des stocks aérospatiaux où de nombreuses dimensions différentes doivent être prises en compte : coût unitaire, délai d’approvisionnement, essentialité, surcoût d’achat AOG, chapitre ATA, obsolescence potentielle, etc.

Au lieu de fournir des chiffres “exactement incorrects”, Lokad s’efforce de fournir des chiffres “approximativement vrais”. Intégrer toutes les contraintes financières et opérationnelles directement dans les modèles de prévision s’est avéré être une tâche très difficile, mais nous avons constaté que s’appuyer sur des approches classiques “aveugles” à ces facteurs donne de très mauvais résultats.

Repenser de fond en comble la relation avec le client pour fournir le retour sur investissement attendu.

Approche Big Data pour l’aérospatiale

Notre technologie est conçue autour du principe selon lequel nous essayons de tirer parti de autant de données que possible tant que les données sont disponibles, et naturellement, tant que les données sont réellement pertinentes pour tout défi d’optimisation des stocks donné. Ce point de vue est différent des approches plus classiques qui ont des dépendances “rigides” sur des données spécifiques. Si, pour une raison quelconque, certaines données ne sont pas disponibles, il n’y a tout simplement pas d’alternative pour faire face à cette situation et idéalement, la qualité des prévisions devrait se dégrader aussi gracieusement que possible en cas de données manquantes.

En utilisant plus de dimensions par rapport aux modèles classiques d’optimisation des stocks, Lokad fournit des résultats qui sont plus étroitement alignés sur les réalités spécifiques à l’entreprise.

Lokad peut exploiter une masse de données pour l’optimisation des stocks. Parmi les articles les plus fréquents, on trouve l’historique des achats de pièces, des demandes de pièces, des changements de composants, des réparations, des rebuts et des retours de pièces, pour n’en citer que quelques-uns.

Ensuite, la description de la flotte avec sa composition historique et toutes les heures de vol et cycles de vol pertinents sont également généralement exploités. Enfin, les données relatives aux pièces (ou consommables) elles-mêmes avec leurs propriétés telles que l’essentialité, le chapitre ATA, la criticité, l’encombrement, la dangerosité sont également importantes pour l’optimisation des stocks.

De plus, les coûts d’achat des pièces, que ce soit en vrac à des prix plus bas ou en cas de problème AOG à un prix beaucoup plus élevé, constituent également certains des ingrédients clés pour améliorer l’exactitude “financière” des modèles de prévision.

Même quelque chose d'apparemment simple comme l'état des stocks nécessite un ensemble relativement diversifié de données. En effet, les stocks comprennent non seulement les stocks disponibles et les commandes d'achat à venir, mais aussi les futurs retours de réparation, les retours de pièces en état de service, les prêts à d'autres compagnies aériennes et les pièces prêtées à d'autres compagnies aériennes. En utilisant plus de dimensions par rapport aux modèles classiques d'optimisation des stocks, Lokad fournit des résultats qui sont plus étroitement alignés sur la réalité spécifique à l'entreprise.

Des données tierces telles que les valeurs MTBUR (mean time between unscheduled removal) fournies par les OEM peuvent également être exploitées. Cependant, au lieu de s'appuyer à 100% sur une seule source de données, notre technologie préfère tirer le meilleur parti de toutes les données disponibles.

aircraft interior

Si un composant a été changé plus de 100 fois, l'estimation du MTBUR basée sur les données historiques est presque certainement plus précise que l'estimation de l'OEM. Mais d'un autre côté, pour un composant qui est changé très rarement, l'estimation de l'OEM est la seule information pertinente. La technologie de Lokad exploite le meilleur mélange d'informations nécessaire afin de minimiser les coûts financiers associés à l'incertitude.

"Lokad a fourni les bons outils et le soutien nécessaire pour améliorer notre processus de planification de la supply chain et réduire l'incertitude en incorporant une approche probabiliste. Lokad a fait un travail exceptionnel en nous aidant à optimiser nos prévisions de demande pour atteindre des objectifs de taux de remplissage très exigeants avec un risque réduit."

Rob Cords,

Président chez MRO Holdings