ПРОГНОЗИРОВАНИЕ ЗАПАСОВ В АВИАКОСМИЧЕСКОЙ ОТРАСЛИ

Высокая стоимость определенных деталей, длительные сроки поставки, редкие отказы и очень высокие затраты на нехватку запасов только усугубляют все недостатки классической оптимизации запасов.

В частности, прогнозы временных рядов, оптимизированные по метрикам, таким как MAD (среднее абсолютное отклонение) или MAPE (среднее абсолютное процентное отклонение), не отражают должным образом высокоасимметричные затраты между переоценкой и недооценкой, характерные для авиации.

Классический анализ безопасности запасов на основе нормальных или пуассоновских распределений также работает плохо.

Классический анализ безопасности запасов на основе нормальных или пуассоновских распределений также работает плохо, потому что наши наблюдения данных просто указывают на то, что паттерны спроса на самом деле не соответствуют ни одной из этих моделей. Анализ ABC также не работает, потому что любая классификация, которая сортирует все детали в несколько категорий запасов, не может учесть множество различных аспектов, определяющих детали или расходные материалы, необходимые для современных самолетов.

Помимо несоответствия между предположениями, лежащими в основе классических моделей, и реальностью авиационного бизнеса, мы также обнаружили, что классические подходы слишком сильно полагаются на множество ручных корректировок. Это часто приводит к ситуациям, когда труд, вложенный в оптимизацию запасов, не используется, а просто потребляется IT-системами, чтобы справиться с ежедневными операциями. Некоторые шаблоны проектирования программного обеспечения, такие как “оповещения”, также склонны ухудшать ситуацию, сосредотачивая команды на поверхностных ежедневных исправлениях, вместо того чтобы сосредоточить их на корневых причинах для достижения долгосрочных решений. По всем вопросам обращайтесь по адресу contact@lokad.com

В отличие от этого, основа нашей технологии разработана для минимизации долларовой стоимости ошибок прогнозирования. Наш подход сильно отличается от классических статистических систем, которые просто “слепы” к финансовым переменным.

Затраты, связанные с перепрогнозированием и недопрогнозированием, в авиационной отрасли являются сильно асимметричными, и это имеет глубокое влияние на нашу технологию. Дорогостоящие восстанавливаемые детали не только, как следует из названия, дорогие, но они также имеют “режущий” эффект на каждую покупку со стороны авиакомпании. Действительно, поскольку утилизационная ставка очень низка для многих деталей, это означает, что любая приобретенная деталь останется в инвентаре на протяжении многих лет. И хотя иногда возможна перепродажа деталей, она часто сопровождается значительной скидкой по сравнению с первоначальной ценой. Таким образом, наши прогнозы изначально и намеренно сильно смещены вверх, чтобы точно отражать эти асимметричные деловые ситуации. Цель состоит не в том, чтобы иметь лучшие оценки запасов в каком-то абстрактном статистическом смысле, а в оценках, которые действительно помогают минимизировать деловые затраты, связанные с неточностями самих оценок.

Кроме того, хотя достижение более высоких уровней обслуживания, конечно, хорошо, если это не требует увеличения запасов, классические решения нацелены на достаточно произвольные уровни обслуживания, основанные на наивных классификациях запасов, часто основанных на анализе ABC или других подобных вариантах. В основе нашей статистической технологии лежит задача максимально эффективного использования каждого вложенного доллара в запасы. Например, даже если у детали только 90% уровень обслуживания, в то время как компания стремится к общему уровню обслуживания 98%, может быть более прибыльным повысить уровень обслуживания другой детали с 98% до 99%, если эта деталь стоит в 100 раз меньше и запрашивается в 100 раз чаще, чем предыдущая. Анализ ABC упрощает аэрокосмический ландшафт запасов, где необходимо учитывать множество различных аспектов: стоимость единицы, срок поставки, существенность, накладные расходы на покупку AOG, глава ATA, потенциальное устаревание и т. д.

Вместо того, чтобы предоставлять числа, которые “точно неверны”, Lokad стремится предоставлять числа, которые “приближенно верны”. Включение всех финансовых и операционных ограничений прямо в модели прогнозирования оказалось очень сложной задачей, но мы заметили, что полагаться на классические подходы, которые “слепы” к этим факторам, дает очень плохие результаты.

Даже то, что кажется на первый взгляд простым, как состояние запасов, требует относительно разнообразного набора данных. Действительно, запас включает не только имеющийся на складе запас и заказ, но и будущие возвраты после ремонта, возвраты исправных деталей, займы другим авиакомпаниям и детали, предоставленные в аренду другим авиакомпаниям. Используя больше измерений по сравнению с классическими моделями оптимизации запасов, Lokad достигает результатов, которые более точно соответствуют бизнес-реальности.

Также можно использовать сторонние данные, такие как значения MTBUR (среднее время между неотложными снятиями) от производителей оборудования. Однако, вместо полной зависимости от одного источника данных на 100%, наша технология предпочитает максимально использовать все доступные данные.

Если компонент был заменен более 100 раз, оценка MTBUR на основе исторических данных почти наверняка более точна, чем оценка от производителя. Но с другой стороны, для компонента, который меняется очень редко, оценка от производителя является единственной актуальной информацией. Технология Lokad использует наилучшую комбинацию информации, необходимой для минимизации финансовых затрат, связанных с неопределенностью.