LAGERBESTANDSPROGNOSE FÜR DIE LUFT- UND RAUMFAHRT

The high cost of certain parts, long lead times, infrequent failures and very steep costs of stock-outs only exacerbate all the weaknesses of classic inventory optimization.

In particular, time-series forecasts optimized against metrics such as MAD (mean absolute deviation) or MAPE (mean absolute percentage) do not properly reflect the highly asymmetric costs between overforecasting and underforecasting found in aerospace.

Klassische Sicherheitsbestandberechnungen basierend auf Normalverteilungen oder Poisson-Verteilungen funktionieren ebenfalls schlecht.

Klassische Sicherheitsbestandberechnungen basierend auf Normal- oder Poisson-Verteilungen funktionieren ebenfalls schlecht, da unsere Datenbeobachtungen darauf hinweisen, dass Nachfrageverläufe keines dieser Modelle tatsächlich widerspiegeln. Ebenso scheitert die ABC-Analyse, da jede Klassifizierung, die alle Teile in eine Handvoll Bestandskategorien einteilt, nicht in der Lage ist, die vielen unterschiedlichen Dimensionen zu erfassen, die die für moderne Flugzeuge benötigten Teile oder Verbrauchsmaterialien definieren.

Abgesehen von der Diskrepanz zwischen den Annahmen hinter den klassischen Modellen und der Realität des Luft- und Raumfahrtgeschäfts haben wir auch festgestellt, dass klassische Ansätze zu sehr auf eine Vielzahl manueller Korrekturen angewiesen sind. Dies führt häufig zu Situationen, in denen die in die Bestandsoptimierung investierte Arbeitskraft nicht kapitalisiert, sondern lediglich von IT-Systemen verbraucht wird, um den täglichen Betrieb aufrechtzuerhalten. Einige Software-Designmuster, wie z. B. „alerts“, verschlimmern die Situation, indem sie die Teams auf tägliche oberflächliche Abhilfemaßnahmen fokussieren, anstatt sie auf die Ursachen zu konzentrieren, um dauerhafte Lösungen zu liefern. Für Anfragen kontaktieren Sie uns unter contact@lokad.com

Im Gegensatz dazu zielt der Kern unserer Technologie darauf ab, die Kosten von Prognosefehlern in Dollar zu minimieren. Unser Ansatz unterscheidet sich grundlegend von klassischen statistischen Systemen, die gegenüber finanziellen Variablen völlig „blind“ sind.

Die Kosten, die mit Über- und Unterprognosen verbunden sind, sind in der Luft- und Raumfahrt stark asymmetrisch, und dies hat tiefgreifende Auswirkungen auf unsere Technologie. Hochpreisige reparierbare Teile sind nicht nur, wie der Name schon sagt, teuer, sie bringen auch einen „Ratschen“-Effekt bei jedem Kauf seitens der Fluggesellschaft mit sich. Tatsächlich bedeutet die geringe Ausschussquote bei vielen Teilen, dass ein gekauftes Teil über Jahre hinweg im Bestand verbleibt. Und während der Weiterverkauf von Teilen manchmal möglich ist, erfolgt dieser häufig mit einem erheblichen Abschlag im Vergleich zum ursprünglichen Preis. Daher sind unsere Prognosen von Natur aus und absichtlich nach oben verzerrt, um genau diese asymmetrischen Geschäftssituationen abzubilden. Das Ziel ist nicht, die besten Bestandsabschätzungen in einem abstrakten statistischen Sinn zu erzielen, sondern Abschätzungen zu liefern, die tatsächlich dazu beitragen, die Geschäftskosten, die mit den Ungenauigkeiten der Prognosen selbst verbunden sind, zu minimieren.

Zudem, obwohl die Erreichung besserer Servicelevels sicherlich eine gute Sache ist, wenn dies nicht mit einer erhöhten Lagerhaltung einhergeht, zielen klassische Lösungen eher auf willkürliche Servicelevels ab, die auf naiven Bestandsklassifizierungen basieren – häufig unter Zuhilfenahme der ABC-Analyse oder ähnlicher Varianten. Im Kern stellt sich unsere statistische Technologie der Herausforderung, aus jedem in den Bestand investierten Dollar maximalen Nutzen zu ziehen. Beispielsweise könnte es profitabler sein, den Servicelevel eines anderen Teils von 98 % auf 99 % zu erhöhen, wenn dieses Teil 100-mal weniger kostet und 100-mal häufiger angefragt wird als ein Teil, das lediglich einen Servicelevel von 90 % aufweist, obwohl das Unternehmen insgesamt einen Servicelevel von 98 % anstrebt. Die ABC-Analyse vereinfacht die komplexe Landschaft des Bestandsmanagements in der Luft- und Raumfahrt, in der viele verschiedene Dimensionen berücksichtigt werden müssen: Stückkosten, Lieferverzug, Wesentlichkeit, AOG-Kaufaufschlag, ATA-Kapitel, potenzielle Veralterung usw.

Anstatt Zahlen zu liefern, die „genau falsch“ sind, strebt Lokad danach, Zahlen zu liefern, die „annähernd wahr“ sind. Es erwies sich als eine große Herausforderung, alle finanziellen und operativen Einschränkungen direkt in die Prognosemodelle einzubeziehen, dennoch haben wir festgestellt, dass sich der Rückgriff auf klassische Ansätze, die diesen Faktoren gegenüber „blind“ sind, als äußerst wenig zielführend erweist.

Schon etwas, das auf den ersten Blick so einfach wirkt wie der Zustand des Bestands, erfordert eine relativ vielfältige Datengrundlage. Tatsächlich umfasst der Bestand nicht nur den aktuellen Lagerbestand und die anstehenden Bestellungen, sondern auch zukünftige Reparaturrücksendungen, Rücksendungen von einsatzfähigen Teilen, Leihgaben an andere Fluggesellschaften und Teile, die an andere Fluggesellschaften verliehen wurden. Durch die Nutzung mehrerer Dimensionen im Vergleich zu klassischen Bestandsoptimierungsmodellen liefert Lokad Ergebnisse, die stärker an der branchenspezifischen Realität ausgerichtet sind.

Drittanbieterdaten wie MTBUR-Werte (mean time between unscheduled removal), die von OEMs bereitgestellt werden, können ebenfalls genutzt werden. Allerdings zieht es unsere Technologie vor, statt sich zu 100% auf eine einzige Datenquelle zu verlassen, alle verfügbaren Daten bestmöglich zu nutzen.

Wenn eine Komponente mehr als 100 Mal ausgetauscht wurde, ist der auf historischen Daten basierende MTBUR-Wert nahezu mit Sicherheit genauer als die OEM-Schätzung. Andererseits ist für eine Komponente, die sehr selten gewechselt wird, die OEM-Schätzung die einzige relevante Informationsquelle. Die Technologie von Lokad nutzt die bestmögliche Mischung an Informationen, um die mit der Unsicherheit verbundenen finanziellen Kosten zu minimieren.