Preisgestaltung für langfristige Wartungsvereinbarungen (MRO)

learn menu
Von Simon Schalit, Januar 2015

Wenn ein Unternehmen ein komplettes Kraftwerk, industrielle Schwermaschinen oder Flotten von Flugzeugen bzw. Autos in Auftrag gibt, erwartet es, dass diese Investition in den kommenden Jahren, wenn nicht gar Jahrzehnten, Einnahmen generiert. Um die Investitionsrendite zu sichern, ist die langfristige Wartung und Instandhaltung der Anlagen entscheidend und stellt in der Regel einen erheblichen Teil – wenn nicht sogar den Großteil – der Projektkosten dar. Um dieses Risiko abzudecken, greift man zunehmend auf langfristige Wartungs-/Serviceverträge zurück, die von der Anbieterpartei (OEM, MRO oder anderen) angeboten werden.

Diese Verträge können unterschiedliche Formen annehmen. Doch im Kern ist es fast immer dasselbe: Das finanzielle Risiko der Wartung wird über einen festgelegten Zeitraum (Jahre oder Jahrzehnte) vollständig oder teilweise auf den Anbieter übertragen, und zwar zu einem zu Beginn des Vertrags festgelegten Preis. 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 während der Vertragslaufzeit die Marge maximal zu erhöhen?

Risiko vor dem Verkauf einschätzen und damit leben

Angesichts der finanziellen Bedeutung langfristiger Wartungsverträge und der Tatsache, dass es nicht unüblich ist, dass ein Anbieter das Equipment selbst zu einem enormen Rabatt verkauft und darauf vertraut, dass der Wartungsvertrag Margen generiert, stehen die Preisgestaltung und die Bedingungen des Service in der Regel im Mittelpunkt der Verhandlungen zwischen den Parteien.

Unternehmen verwenden eine Vielzahl von Werkzeugen und Prozessen, um die Kosten unterschiedlicher Wartungsmaßnahmen abzuschätzen, die zu erwarten sind (Kosten der auszutauschenden Teile, spezialisierte Arbeitskräfte für jede Art von Intervention, Kosten durch Serviceunterbrechungen…). Allerdings erfasst diese Schätzung lediglich einen kleinen Bruchteil des Problems. Die eigentliche Herausforderung bleibt: Wie wahrscheinlich ist es, dass diese kostentreibenden Ereignisse zu irgendeinem Zeitpunkt eintreten und wie häufig über die lange Laufzeit? Wenn der Anbieter das Risiko unterschätzt, könnte er im Laufe des Vertrags Geld verlieren. Wird das Risiko hingegen überschätzt und das Serviceangebot entsprechend überteuert, könnte er den Vertrag ganz verlieren.

Die Realität langfristiger Verträge ist, dass die Endkosten sehr unsicher sind und daher vernünftigerweise in einem weiten Bereich schwanken können. Jeder Versuch, einen „genauen“ Wert zu ermitteln, der versucht, „richtig“ oder zumindest „nah an der Wahrheit“ zu sein, deutet auf ein wirkliches Missverständnis des Prognoseprozesses hin. Es gibt einfach nicht „einen genauen Wert“; jede prognostizierte Schätzung trägt ein gewisses Risiko, und es ist die Bewertung dieses (finanziellen) Risikos, ausgedrückt in Dollar, die im Mittelpunkt des Prognoseprozesses stehen sollte.

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 notwendig, um die Tragfähigkeit des Vertrags zu gewährleisten. Dies umfasst:

  • Kurzfristige Prognosen zur Optimierung der Ressourcen (Ersatzteillagerbestand und Arbeitskräfte), die aufrechterhalten werden müssen, um eine angemessene Reaktionszeit und Servicelevel zu gewährleisten. Diese Prognosen sind kurzfristig, da sie sich auf einen „Prozesshorizont“ (oder Lieferzeit) konzentrieren, um sicherzustellen, dass dieser Prozess so schlank wie möglich ist.
  • Langfristige Prognosen zur Verfeinerung der Einschätzung des verbleibenden Risikos, das das Unternehmen für den Rest des Vertrags trägt, und zur Berechnung – falls erforderlich – von Verlustrückstellungen. 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 hinweg erfasst werden.

Grenzen klassischer Ansätze der Wartungsprognose

Die Einschätzung des Risikos und der damit verbundenen Kosten ist eine schwierige Aufgabe, und leider handelt es sich typischerweise um ein Problem, bei dem die von den meisten Unternehmen angewandten klassischen Ansätze nur unzureichend funktionieren. Die einfachsten Methoden, die auf den vom Hersteller bereitgestellten Spezifikationen beruhen (zum Beispiel MTBUR-Daten), liefern nur eine dürftige Darstellung der Realität, da die Zuverlässigkeit von Teilen oft stark von externen Faktoren (Nutzung, Umgebung…) beeinflusst wird. Nach unserer Erfahrung haben reale Zuverlässigkeitsmuster wenig mit theoretischen Zahlen zu tun, insbesondere auf lange Sicht.

Auch fortgeschrittenere klassische Methoden, die auf traditionellen statistischen „klassischen“ Prognosen beruhen, erfassen die Realität der bei Ersatzteilen beobachteten Muster nicht. Diese Methoden basieren auf der Annahme, dass Wartungsprognosen wie jede andere „Nachfrage“-Prognose sind und daher mit demselben Ansatz behandelt werden können. Das ist leider falsch. Mehrere Besonderheiten machen Prognosen für die Wartung schwierig:

  • Seltene Ereignisse: Mechanische Ausfälle sind definitionsgemäß seltene Ereignisse, daher ist es bei der Betrachtung spezifischer Teile etwas naiv, sich stark auf Modelle zu verlassen, die „glatte“ Muster liefern (ähnlich wie bei den Topsellern im Einzelhandel).
  • Wellenweise Ersatz: In der Wartung ist es oft so, dass die Störung des Dienstes kostspieliger ist als die defekten Teile selbst. Dies ist ein starker Anreiz, Teile wellenweise zu ersetzen, anstatt sie einzeln auszutauschen, um unnötige Ausfallzeiten zu vermeiden. Dies widerlegt die Annahme, dass die unterschiedlichen Teile unabhängige Wartungsmuster aufweisen, und damit auch die meisten der gängigen Prognosemodelle, die auf dieser Annahme basieren.
  • Extrem hohe erwartete Servicelevels: Angesichts der Kosten einer Serviceunterbrechung sind die für Wartungsverträge erwarteten Servicelevels oft extrem hoch, weit über dem Bereich, der in anderen Branchen üblicherweise angestrebt wird. So können die Kosten eines AOG-Vorfalls (Flugzeug am Boden) bis zu mehreren hunderttausend Dollar pro Tag betragen.
  • Geschlossener Reparaturkreislauf: Viele Teile sind einfach zu kostspielig, um sie wegzuwerfen. Einige werden zur Überprüfung und Reparatur geschickt und anschließend wieder in den Lagerbestand zurückgeführt, um sie zukünftig zu verwenden. Dies führt das Unternehmen aus dem herkömmlichen „Verkaufen und Nachbestellen“-Szenario. Sobald das Unternehmen das Teil gekauft hat, kann es lange im Lager bleiben. Dies macht die Entscheidung, den Lagerbestand zu erhöhen, umso schwerwiegender, da sie das Unternehmen über einen langen Zeitraum bindet.

Jedoch ist das größte Hindernis das Konzept der klassischen Prognose an sich. Per Definition ist die Prognose im klassischen Sinne keine Vorhersage oder Vermutung, so genau sie auch sein mag. Es handelt sich um eine statistische Schätzung des erwarteten Medians der Nachfrage/Kosten. Demnach würde eine klassische Prognose zur Abschätzung der Gesamtkosten eines Wartungsvertrags einen Wert liefern, der definitionsgemäß eine 50%ige Wahrscheinlichkeit hat, über oder unter den tatsächlichen Kosten zu liegen. Aus finanzieller Sicht sind diese Wahrscheinlichkeiten in dieser Situation natürlich inakzeptabel, was das Konzept der klassischen Prognose irrelevant macht. Letztlich besteht der Schlüssel zur Erstellung angemessener Prognosen darin, von Anfang an eine finanzielle Perspektive auf den Prognoseprozess einzunehmen.

Das Ziel ist es, sich auf „prognostizierte Szenarien“ zu stützen, die in die Prognose direkt die angestrebte finanzielle Absicherung (finanzielles Risiko, Servicelevel) einbeziehen und damit die zugrunde liegenden finanziellen Treiber berücksichtigen. Und das ist Quantil-Prognose.

Lokad’s Gotcha: Der Versuch, eine traditionelle klassische Nachfrageprognose in eine finanzielle Absicherung zu verwandeln, indem ein Sicherheits-Puffer obendraufgelegt wird (bei Lagerbeständen üblicherweise als „Sicherheitsbestand“ bezeichnet), ist nichts anderes als ein äußerst ungenauer Weg, eine Quantil-Prognose zu erstellen.

Eine finanzielle Perspektive auf die Prognose: die Quantile

Die Wartungsprognose ist in erster Linie eine finanzielle Optimierung, sowohl in Bezug auf das finanzielle Risiko über den gesamten Vertrag als auch darauf, wie schlank der Wartungsprozess sein kann, während das angestrebte Leistungsniveau/Servicelevel beibehalten wird. Je höher die Schätzung der notwendigen Kosten bzw. des Lagerbestands, desto geringer ist die Wahrscheinlichkeit, dass diese Schätzung von der Realität übertroffen wird, aber man muss bedenken, dass keine Schätzung einen 100%igen Schutz garantieren kann.

Diese Szenarien können durch Quantil-Prognosen erzeugt werden, die in der Tat eine Erweiterung der klassischen Prognosen darstellen: Statt nach dem Wert zu suchen, der mit 50 % der zukünftigen Nachfrage/Kosten abdeckt, ermöglichen Quantil-Prognosen die Bestimmung beliebiger Schwellenwerte, seien es 10 %, 60 %, 80 % oder 98 % innerhalb der Kosten-/Risikoverteilung.

Abschätzung der Gesamtkosten und des verbleibenden Risikos

Ziel ist es, Prognosen zu erstellen, die den verschiedenen Risikoniveaus entsprechen, die das Unternehmen bereit ist zu akzeptieren. Diese Analyse sollte in Form mehrerer simulierter Szenarien erfolgen, die von der niedrigsten akzeptablen Absicherung, welche eine unverhandelbare Mindestpreisgestaltung bietet, bis hin zu höheren Absicherungsniveaus reichen, die günstigere Szenarien zu einem höheren Preis liefern.

In Wirklichkeit wird die Preisgestaltung von Wartungsverträgen nicht unerheblich durch die „Zahlungsbereitschaft“ des Kunden und den Grad des Wettbewerbs bestimmt. Daher ist der Anbieter in der Regel gezwungen, seine Preise zu mäßigen, aber die Erstellung der oben genannten Szenarien ermöglicht es ihm, das Risiko, dem er bei einem bestimmten Preisniveau ausgesetzt ist, tatsächlich zu quantifizieren.

Diese Szenarien sind auch besonders nützlich, wenn sie während des Vertrags aktualisiert werden, um das Risiko für den verbleibenden Vertragszeitraum zu bewerten und somit zu bestimmen, ob Rückstellungen gebildet oder angepasst werden müssen und in welchem Umfang. Dieser Ansatz bietet den großen Vorteil, eine Quantifizierung des Risikos zu ermöglichen, wodurch eine direkte finanzielle Schätzung und eine vollständige Kontrolle über das einzuhaltende Vorsichtsmaß gegeben sind.

Optimierung des Wartungsprozesses im Vertrag

Hinsichtlich der Ressourcen-/Lageroptimierung bestünde die ideale Situation darin, ein Ziel-Servicelevel festzulegen, das erreicht werden soll, und das entsprechende minimale Ressourcen-/Lagerbestandsniveau zu berechnen, das notwendig ist, um dieses Servicelevel zu gewährleisten. Dies ist an sich schwierig, wenn man die oben genannten Besonderheiten von Wartungsverträgen berücksichtigt, kann jedoch durch Quantil-Prognosen erreicht werden, die es ermöglichen, ähnlich wie bei den obigen Szenarien, direkt das gewünschte Servicelevel anzusteuern und den entsprechenden Bedarf zu ermitteln.

Die Realität der Wartung ist jedoch oft komplizierter, da Unternehmen in der Regel mit begrenzten Budgets arbeiten und zwischen den verschiedenen Teilen abwägen müssen, um den besten ROI in Bezug auf das Servicelevel pro investiertem Dollar zu erzielen. Diese Optimierung wird durch die Erstellung eines Quantil-Gitters ermöglicht, das die Darstellung der Ergebnisse für alle Teiltypen aller möglichen Szenarien innerhalb des Bereichs akzeptabler Servicelevels darstellt (wie viele Teile jeder Art benötigt würden, um das gesamte Spektrum möglicher Servicelevels zu gewährleisten). Dies ermöglicht es dem Unternehmen, in diesem Gitter zu navigieren, um den effizientesten Lagerbestand unter Budgetbeschränkungen zu bestimmen.

Lokad’s Gotcha: Mehrere Systeme behaupten, sich auf „Monte-Carlo“-Methoden zu stützen. Unternehmen sollten bedenken, dass „Monte-Carlo“ kein magisches Wort in der Statistik ist und nicht als Entschuldigung für mangelndes Verständnis der den Modellen zugrunde liegenden treibenden Kräfte sowie für fehlende Daten herangezogen werden sollte.