BESTANDSPROGNOSE FÜR DIE LUFT- UND RAUMFAHRT
Flugzeuge benötigen ein breites Spektrum an Teilen, um betrieben zu werden – von kostenintensiven reparaturfähigen Komponenten bis hin zu kostengünstigen, schnell drehenden Verbrauchsmaterialien. Abgesehen davon, dass bestimmte Teile sehr teuer sind, kann das Fehlen des nötigen Teils auch zu kostspieligen AOG- (Aircraft On Ground) Zwischenfällen führen. Lokad liefert eine statistische Softwarelösung, die mittels Bedarfsprognosen eine tiefgehende Bestandsoptimierung für Airlines, MRO (Maintenance, Repair and Overhaul) und OEM (Original Equipment Manufacturers) ermöglicht.
Air France Industries ist der MRO-Zweig von AIR FRANCE KLM mit über 200 Kunden – internationale, regionale, Frachtfluggesellschaften usw.
Lokad bringt ein neues Werkzeug hervor, das sowohl leistungsstark als auch innovativ ist. Darüber hinaus hat Lokad Air France Industries sein Know-how in der Lagerbestandsoptimierung und im Supply Chain Management zur Verfügung gestellt – und damit nicht nur eine ergänzende IT-Lösung, sondern auch echte Beratungsexpertise geliefert, auf die unsere Teams vertrauen können.
Charles Segondat, Leiter der Bestandsverwaltung, Air France Industries
"Das gesamte Smart Planning-Projektteam von Airbus Atlantic ist überaus zufrieden mit dem erfolgreichen Abschluss der ersten Phase unserer Advanced Planning-Initiative. Dank des unerschütterlichen Engagements, des rigorosen Vorgehens und der leistungsstarken Zusammenarbeit mit den Teams haben wir grünes Licht für die nächsten Schritte erhalten und blicken gespannt und optimistisch auf die Fortsetzung dieser gemeinsamen Reise."
Julien Fournat
Projektmanager Industrie 4.0 Airbus Atlantic
Spairliners ist ein weltweit führendes Unternehmen im Bereich Ersatzteilausrüstung und Wartung für Airbus A380 und Embraer Ejet Flugzeugflotten.
Wir haben uns für Lokad entschieden, nachdem wir die auf dem Markt verfügbaren Lösungen zur Lagerbestandsoptimierung für unsere MRO-Aktivitäten (Maintenance, Repair and Overhaul) eingehend analysiert hatten. Lokads partnerschaftlicher Ansatz sowie deren Reaktionsfähigkeit, Anpassungsfähigkeit und vor allem die Leistungsfähigkeit ihrer Lösung veranlassten uns, ihnen die Lagerbestandsoptimierung unseres Ersatzteilausrüstungs-Portfolios für unsere Kunden weltweit anzuvertrauen. Lokad konnte den Erwartungen und der Komplexität unserer Branche gerecht werden, dank ihres originellen und intelligenten Ansatzes zur Erfüllung unserer Bedürfnisse.
Olivier Mazzucchelli, CEO of Spairliners, Hamburg, Germany
Videofallstudie
LOKAD TV
Werfen Sie einen Blick auf unsere Interviews bei Lokad TV und erfahren Sie mehr über Supply Chain und die Luftfahrt.
Klassische Ansätze reichen in der Luftfahrt nicht aus
Als Faustregel gilt, dass klassische Ansätze zur Bestandsoptimierung schlecht abschneiden, sobald Ersatzteile ins Spiel kommen. Darüber hinaus deutet die Erfahrung, die Lokad in der Luftfahrtbranche gesammelt hat, darauf hin, dass die Situation in dieser speziellen Branche tatsächlich noch weitaus schlechter ist.
Die hohen Kosten bestimmter Teile, lange Vorlaufzeiten, seltene Ausfälle und äußerst hohe Kosten bei Bestandsengpässen verschärfen nur all die Schwächen der klassischen Bestandsoptimierung.
Insbesondere spiegeln Zeitreihenprognosen, die auf Kennzahlen wie MAD (mittlere absolute Abweichung) oder MAPE (mittlerer absoluter prozentualer Fehler) optimiert sind, die in der Luftfahrt vorkommenden stark asymmetrischen Kosten zwischen Über- und Unterprognosen nicht angemessen wider.
Klassische Sicherheitsbestandanalysen, die auf Normal- oder Poisson-Verteilungen basieren, funktionieren ebenfalls schlecht.
Klassische Sicherheitsbestandsanalysen, die auf Normal- oder Poisson-Verteilungen beruhen, funktionieren ebenfalls schlecht, da unsere Datenbeobachtungen einfach zeigen, dass die Nachfrageprofile keineswegs einem dieser Modelle folgen. Ebenso scheitert die ABC-Analyse, weil jede Klassifikation, die alle Teile in nur wenige Bestandskategorien einteilt, es nicht vermag, die vielen unterschiedlichen Dimensionen abzubilden, die Teile oder Verbrauchsmaterialien moderner Flugzeuge definieren.
Über die Diskrepanz zwischen den Annahmen der klassischen Modelle und der Realität in der Luftfahrt hinaus haben wir auch festgestellt, dass sich klassische Ansätze zu stark auf eine Vielzahl manueller Korrekturen stützen. 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 „Alerts“, verschlimmern die Situation zudem, indem sie die Teams auf tägliche oberflächliche Lösungen fokussieren, anstatt sie auf die zugrunde liegenden Ursachen zu lenken, um nachhaltige Lösungen zu liefern. Für Anfragen kontaktieren Sie uns unter contact@lokad.com
Die Mathematik, die Fluggesellschaften zur Bestandsprognose benötigen, von Grund auf neu überdenken.
Nachfrageprofile in der Luftfahrt erfordern nichtklassische Prognosen
Lokads analytische Technologie wurde mit den Treibern der Luftfahrt im Kern entwickelt. Anstatt Prognose- und Bestandsmodelle, die für andere Branchen entworfen wurden, wiederzuverwenden, hat Lokad alternative statistische Ansätze geschaffen, bei denen die Besonderheiten der Luftfahrtbranche von Anfang an mit einbezogen wurden.
Die Prognosemodelle von Lokad spiegeln all diese flottengetriebenen Faktoren wider – nicht als bloße korrigierende lineare Koeffizienten oberhalb von Zeitreihen, sondern als die Variablen, die die Nachfrage im Wesentlichen erklären.
Die Nachfrage wird in erster Linie durch den Bedarf an der Wartung einer Flugzeugflotte bestimmt. Diese Flotte kann wachsen oder schrumpfen. Auch das Verhältnis von Flugstunden zu Flugzyklen ändert sich im Laufe der Zeit. Manche Wartungsarbeiten sind geplant, andere unvorhergesehen. Die Prognosemodelle von Lokad erfassen all diese flottengetriebenen Faktoren – nicht als bloße korrigierende lineare Koeffizienten oberhalb von Zeitreihen, sondern als die Variablen, die die Nachfrage im Wesentlichen erklären. Zudem zählt nicht so sehr die „durchschnittliche“ Nachfrage nach Teilen, sondern vielmehr die Nachfragespitzen, also die höchsten Nachfragewerte, die den Servicegrad am stärksten beeinflussen. Klassische Ansätze, die auf Normal- oder Poisson-Verteilungen setzen, führen in allen Schätzungen zu systematischen Verzerrungen.
Die Technologie von Lokad stützt sich auf fortschrittliche Quantil-Prognoseanalysen der Nachfrage. Die Quantil-Perspektive ist entscheidend, um zukünftige Nachfragespitzen und deren jeweilige Wahrscheinlichkeiten präzise vorherzusagen.
Zudem ist nicht nur die Nachfrage unsicher, sondern auch die Vorlaufzeiten. Insbesondere beinhalten kostspielige, reparierbare Teile nicht nur eine einzige Lieferzeit, sondern einen gesamten Kreislauf, der von einem Komponentenwechsel bis zur erneuten Verfügbarkeit des reparierten Teils reicht.
Die gesamte Lieferzeit umfasst viele Schritte: Verwaltungszeit, Beschaffungszeit, Transportzeit, Empfangszeit, TAT (Prüfzeit beim MRO oder OEM sowie, falls zutreffend, Reparatur-Durchlaufzeit), Entlade- und Lagerbewegungszeit, Bearbeitungszeit in der Werkstatt usw. Das Modellieren einer durchschnittlichen oder mittleren Lieferzeit ist bei weitem unzureichend; die Technologie von Lokad modelliert direkt die gesamte Verzögerungsverteilung – das heißt, die Wahrscheinlichkeit, dass eine bestimmte Verzögerung eintritt.
Schließlich gibt es viele sehr spezifische Muster in der beobachteten Nachfrage, die native statistische Äquivalente erfordern. Beispielsweise führen Nachrüstungen zu mehreren Verzerrungen in der Historie, die berücksichtigt werden müssen. Zudem verkomplizieren Austauschbarkeitsregeln, die sich auf Teile beziehen, für die mehrere Versionen koexistieren – sei es voll austauschbar oder nur einseitig austauschbar –, das Gesamtbild weiter. Anders als klassische Ansätze, die versuchen würden, alles in Zeitreihen zu pressen, gehen unsere Technologie diese Probleme mittels statistischer Modelle, die speziell auf diese Herausforderungen zugeschnitten sind, in die Tiefe an.
Die Benutzererfahrung der für den Bestand Verantwortlichen von Grund auf neu überdenken.
Bestandsoptimierung im Einklang mit den Kosten der Luftfahrt
Teile müssen gewartet werden, um AOG (Aircraft on Ground) Vorfälle zu vermeiden, aber in dieser Hinsicht sind nicht alle Teile gleich. Das Konzept der Wesentlichkeit eines Teils mit No-Go-, Go-If- und Go-Varianten wirkt sich maßgeblich auf die Kosten aus, wenn das notwendige Teil nicht verfügbar ist.
Viele Lösungen optimieren einen gegebenen Prognosefehler, der in Prozent (z. B. MAPE, der mittlere absolute prozentuale Fehler) oder in einer anderen willkürlichen Einheit (z. B. MAD, mittlere absolute Abweichung) ausgedrückt wird, fehlerhaft.
Im Gegensatz dazu ist der Kern unserer Technologie darauf ausgelegt, die Kosten der Prognosefehler in Dollar zu minimieren. Unser Ansatz unterscheidet sich grundlegend von klassischen statistischen Systemen, die gegenüber finanziellen Variablen schlichtweg „blind“ sind.
Die Kosten, die mit Überprognosen und Unterprognosen verbunden sind, sind in der Luft- und Raumfahrt äußerst asymmetrisch und haben einen tiefgreifenden Einfluss auf unsere Technologie. Hochpreisige, reparierbare Teile sind nicht nur, wie der Name schon sagt, teuer, sie bewirken auch einen „Ratcheting“-Effekt bei jedem Kauf auf der Seite der Fluggesellschaft. Tatsächlich bedeutet die sehr niedrige Ausschussrate bei vielen Teilen, dass jedes gekaufte Teil über Jahre hinweg im Lagerbestand verbleibt. Und obwohl der Weiterverkauf von Teilen manchmal möglich ist, erfolgt er häufig mit einem kräftigen Abschlag im Vergleich zum ursprünglichen Preis. Daher sind unsere Prognosen von Natur aus und absichtlich nach oben verzerrt, um diese asymmetrischen Geschäftssituationen präzise abzubilden. Das Ziel ist nicht, im abstrakten statistischen Sinn die besten Lagerbestandsprognosen zu erstellen, sondern Prognosen zu liefern, die tatsächlich dabei helfen, die mit den Ungenauigkeiten der Prognosen selbst verbundenen Geschäftskosten zu minimieren.
Darüber hinaus ist es zwar grundsätzlich positiv, höhere Servicelevels zu erreichen, sofern dies nicht mit einem höheren Lagerbestand einhergeht, jedoch streben klassische Lösungen oft willkürliche Servicelevels an, die auf naiven Lagerklassifikationen beruhen, häufig basierend auf der ABC-Analyse oder ähnlichen Varianten. Im Kern stellt sich unsere statistische Technologie der Herausforderung, jeden in den Lagerbestand investierten Dollar optimal zu nutzen. So könnte es beispielsweise profitabler sein, den Servicelevel eines anderen Teils von 98 % auf 99 % anzuheben, wenn dieses Teil 100-mal günstiger ist und 100-mal häufiger angefragt wird als ein Teil, das lediglich einen Servicelevel von 90 % aufweist, auch wenn das Unternehmen insgesamt einen Servicelevel von 98 % anstrebt. Die ABC-Analyse vereinfacht die Komplexität der Lagerbestandslandschaft in der Luft- und Raumfahrt zu stark, wo viele verschiedene Dimensionen wie Stückkosten, Lieferverzug, Grundbedürftigkeit, AOG-Beschaffungsoverhead, ATA-Kapitel, potenzielle Veralterung usw. berücksichtigt werden müssen.
Anstatt Zahlen zu liefern, die „genau falsch“ sind, strebt Lokad danach, Zahlen zu liefern, die „annähernd wahr“ sind. Die Einbeziehung sämtlicher finanzieller und operativer Einschränkungen direkt in die Prognosemodelle erwies sich als eine äußerst herausfordernde Aufgabe, dennoch haben wir festgestellt, dass das Verlassen auf klassische Ansätze, die für diese Faktoren „blind“ sind, zu sehr schlechten Ergebnissen führt.
Die Beziehung zum Kunden von Grund auf neu überdenken, um den erwarteten ROI zu erzielen.
Big Data Ansatz für die Luft- und Raumfahrt
Unsere Technologie wurde nach dem Prinzip entwickelt, so viele Daten wie möglich zu nutzen, solange diese verfügbar sind und natürlich so lange, wie sie für die jeweilige Herausforderung der Lagerbestandsoptimierung tatsächlich relevant sind. Dieser Ansatz unterscheidet sich von den klassischeren Methoden, die „harte“ Abhängigkeiten von spezifischen Daten haben. Wenn aus irgendeinem Grund eine bestimmte Datenmenge nicht vorhanden ist, gibt es einfach keine Alternative, um mit dieser Situation umzugehen – idealerweise sollte die Prognosequalität so sanft wie möglich abnehmen, wenn Daten fehlen.
Durch die Nutzung mehrerer Dimensionen im Vergleich zu klassischen Lageroptimierungsmodellen liefert Lokad Ergebnisse, die stärker an den branchenspezifischen Realitäten ausgerichtet sind.
Es gibt eine Fülle von Daten, die Lokad für die Lagerbestandsoptimierung nutzen kann. Zu den häufigsten Informationen zählen unter anderem die Historie von Teilekäufen, Teileanfragen, Komponentenwechseln, Reparaturen, Verschrottungen und Teile-Rücksendungen.
Anschließend wird häufig auch die Beschreibung der Flotte mit ihrer historischen Zusammensetzung sowie allen relevanten Flugstunden und Flugzyklen herangezogen. Schließlich sind Daten zu den Teilen (oder Verbrauchsmaterialien) selbst mit Eigenschaften wie Grundbedürftigkeit, ATA-Kapitel, Kritikalität, Sperrigkeit und Gefährlichkeit ebenfalls von Bedeutung für die Lagerbestandsoptimierung.
Darüber hinaus gehören die Kosten für den Erwerb der Teile – sei es in großen Mengen zu niedrigeren Preisen oder im Falle eines AOG-Problems zu einem deutlich höheren Preis – zu den Schlüsselfaktoren, um die „finanzielle“ Genauigkeit der Prognosemodelle zu verbessern.
Sogar etwas, das auf den ersten Blick so einfach erscheint wie der Zustand des Lagerbestands, erfordert eine relativ vielfältige Datenbasis. Tatsächlich umfasst der Bestand nicht nur die vorhandenen Bestände und die fälligen Bestellungen, sondern auch zukünftige Reparaturrückgaben, Rückgaben einsatzfähiger Teile, Ausleihungen an andere Fluggesellschaften und Teile, die an andere Fluggesellschaften verliehen werden.
Durch die Nutzung mehrerer Dimensionen im Vergleich zu klassischen Lageroptimierungsmodellen liefert Lokad Ergebnisse, die stärker auf die geschäftsspezifische Realität abgestimmt sind.
Daten von Drittanbietern, wie z. B. MTBUR-Werte (mean time between unscheduled removal), die von OEMs bereitgestellt werden, können ebenfalls genutzt werden. Anstatt sich jedoch zu 100 % auf eine einzige Datenquelle zu verlassen, zieht es unsere Technologie vor, das Beste aus allen verfügbaren Daten herauszuholen.
Wenn eine Komponente mehr als 100 Mal gewechselt wurde, ist der auf historischen Daten basierende MTBUR-Schätzwert nahezu mit Sicherheit genauer als die OEM-Schätzung. Andererseits ist bei einer 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.
"Lokad hat uns die richtigen Werkzeuge und den passenden Support bereitgestellt, um unseren supply chain planning process zu verbessern und die Unsicherheit durch die Einbeziehung eines probabilistischen Ansatzes zu reduzieren. Lokad hat hervorragende Arbeit geleistet, uns bei der Optimierung unserer Nachfrageprognose zu unterstützen, um sehr anspruchsvolle Fill-Rate-Ziele bei reduziertem Risiko zu erreichen."
Rob Cords,
Präsident bei MRO Holdings
