Aéronautique exemple de possibles ajustements pour l'optimisation

Prévisions des stocks dans l’aéronautique



Pour être opérationnels, les avions requièrent un large éventail de pièces détachées, allant de composants réparables très coûteux à des consommables à bas coût et à rotation forte. En dehors du fait que certaines pièces ont des prix très élevés, l'impossibilité de fournir rapidement la pièce nécessaire peut se traduire par des incidents de type AOG (avion immobilisé au sol) extrêmement coûteux. Lokad fournit une solution logicielle qui permet d'optimiser les stocks de façon avancée via la prévision de la demande pour les compagnies aériennes, les MRO (maintenance, réparation et révision) et les OEM (fabricants d'équipement d'origine).

Réacteur ouvert pour prévision stock aéronautique

Nous avons choisi Lokad après une étude approfondie du marché des solutions d’optimisation de stock pour notre secteur MRO (Maintenance Repair and Overhaul). L'approche partenariale, la réactivité, l'adaptabilité de l'équipe et surtout la performance du produit nous ont amenés à faire confiance à Lokad pour la gestion de l’optimisation de notre stock d’équipements aéronautiques, ces derniers étant à la disposition de nos clients à travers le monde. Lokad a su répondre à l’exigence et la complexité de notre métier par une prise en compte originale et intelligente de nos besoins.

Olivier Mazzucchelli, PdG de Spairliners, Hambourg (Allemagne)







Les approches classiques ne suffisent pas pour l’aéronautique

D’une manière générale, les performances des approches classiques d’optimisation des stocks sont médiocres lorsqu'il faut gérer des pièces détachées.Qui plus est, l’expérience que Lokad a pu acquérir dans le domaine de l’aéronautique nous a montré que la situation est encore bien pire dans ce secteur.

Réacteurs de jet pour prévision stock aéronautique

Les coûts élevés de certaines pièces, les délais d’approvisionnement longs, les pannes occasionnelles et les coûts exorbitants des ruptures de stock ne font qu’aggraver les faiblesses des méthodes classiques d’optimisation des stocks.

En particulier, les prévisions de séries temporelles optimisées sur la base d'indicateurs tels que MAD (déviation absolue moyenne) ou MAPE (erreur absolue moyenne en pourcentage) ne reflètent pas correctement les coûts fortement asymétriques entre la sur-prévision et la sous-prévision que l’on trouve en aéronautique. Les analyses de stock de sécurité classiques, basées sur des lois de distribution normales ou sur des distributions de Poisson, fonctionnent mal. Dans le même ordre d'idées, les analyses de stock de sécurité classiques, basées sur des lois de distribution normales ou sur des distributions de Poisson, fonctionnent mal, tout simplement parce que l'observation des données montre que le comportement de la demande ne suit aucun de ces modèles. De façon similaire, les analyses ABC échouent, car une classification répartissant l'ensemble des pièces en une poignée de catégories ne peut en aucun cas prendre en compte les multiples dimensions qui définissent les pièces détachées ou les consommables nécessaires aux avions modernes.

Au-delà du décalage entre les hypothèses qui se cachent derrière les modèles classiques et la réalité du secteur aéronautique, nous avons également compris que les approches classiques se reposent beaucoup trop souvent sur des myriades de corrections manuelles. Cela entraîne fréquemment des situations où la main d’œuvre dédiée à l'optimisation des stocks n'est pas employée à bon escient et se retrouve accaparée par la gestion des systèmes IT pour simplement à assurer le bon fonctionnement des opérations quotidiennes. Certains types de fonctionnalités des solutions logicielles, comme les “alertes”, ont également tendance à dégrader la situation en concentrant l’attention des équipes sur des corrections quotidiennes superficielles, plutôt que sur la source des problèmes, empêchant de fait la mise en place de solutions offrant des résultats à long terme.

Pour toute demande, contactez-nous en écrivant à .
Repenser de A à Z les mathématiques utilisées par les compagnies aériennes pour prédire leurs stocks.

Dans l’aéronautique, les comportements de la demande nécessitent des prévisions non-classiques

La technologie analytique de Lokad a été conçue en plaçant les éléments moteurs de l’industrie aéronautique au cœur de ses préoccupations. Au lieu de recycler des modèles de prévision ou de gestion des stocks conçus pour d’autres secteurs, Lokad a mis au point des approches statistiques alternatives qui prennent en compte de façon native les spécificités du secteur. Les modèles de prévision de Lokad reflètent tous ces facteurs liés aux flottes d'appareils, non pas comme de simples coefficients correctifs linéaires apposés aux séries temporelles, mais comme des variables qui expliquent fondamentalement la demande elle-même. La demande est déterminée par la nécessité d'entretenir une flotte d'avions. Le nombre d’appareils peut augmenter ou diminuer. Les heures et cycles de vols changent également avec le temps. Certaines opérations de maintenance sont planifiées à l'avance, d’autres non. Les modèles de prévision de Lokad reflètent tous ces facteurs liés aux flottes d'appareils, non pas comme de simples coefficients correctifs linéaires apposés aux séries temporelles, mais comme des variables qui expliquent fondamentalement la demande elle-même. De plus, ce n’est pas tant la demande “moyenne“ de pièces qui importe, mais les pics, c'est-à-dire les points de demande les plus hauts, qui impactent le plus les taux de service. Les approches classiques, qui s’appuient sur des distributions normales ou des distributions de Poisson, introduisent systématiquement des biais dans leurs estimations. La technologie de Lokad est basée sur une analyse de la demande via des prévisions quantiles avancées. Ce point de vue quantile est essentiel pour anticiper avec précision les futurs pics de la demande et les probabilités qui y sont associés.

Gros plan sur réacteurs de jet pour prévision stock aéronautique

Qui plus est, il n'y pas que la demande qui soit incertaine ; les délais d’approvisionnement le sont également. En particulier, les pièces réparables aux coûts élevés n'impliquent pas qu'un seul délai d'approvisionnement ; il faut prendre en compte le circuit tout entier, allant du changement de composant jusqu’à la mise à disposition de la pièce réparée. Le délai d'approvisionnement total inclut de nombreuses étapes : délai administratif, délai d’acquisition, délai de transport, délai de réception, TAT (délai d’inspection chez l'OEM ou le MRO, et délai d’exécution de la réparation, le cas échéant), délai de manutention des stocks, délai de traitement en magasin, etc. La modélisation du délai d’approvisionnement moyen ou médian est très insuffisante ; la technologie de prévisions Lokad modélise directement toute la distribution des délais — c'est-à-dire la probabilité d'occurrence de chacun de ces délais.

Enfin, on observe que de nombreux comportements spécifiques de la demande nécessitent des contreparties statistiques natives. Par exemple, les campagnes de "retrofit" introduisent dans l'historique de multiples biais qui doivent être pris en compte. De plus, les règles d'interchangeabilité des pièces dont différentes versions coexistent, totalement ou partiellement interchangeables, compliquent encore la tâche. À la différence des approches classiques qui essaient d’entasser tous ces éléments dans les séries temporelles, notre technologie prend en compte ces aspects en détails, via des modèles statistiques spécialement conçus pour faire face à ces problèmes.
Repenser de A à Z l'expérience utilisateur des responsables du stock.

L’optimisation des stocks alignée sur les coûts du secteur aéronautique

Les pièces de rechange doivent être fournies à temps pour éviter les incidents de type AOG (avions immobilisés au sol), mais à cet égard, toutes les pièces ne sont pas égales. Le concept d'essentialité d'une pièce, avec ses variantes de type No-Go, Go-If et Go, a un impact fort sur le coût associé à l’indisponibilité de la pièce. Beaucoup de solutions optimisent à tort une certaine erreur de prévision, exprimée en pourcentages (ex : MAPE, l'erreur absolue moyenne en pourcentage), ou exprimée dans une unité arbitraire (ex : MAD, la déviation absolue moyenne). Par contraste, notre technologie est conçue pour minimiser les Dollars associés aux erreurs de prévision. Notre approche est très différente des systèmes statistiques classiques, qui sont tout simplement “aveugles” aux variables financières.

Les coûts associés à la sur-prévision et à la sous-prévision sont hautement asymétriques dans l’aéronautique, et ceci est largement pris en compte par notre technologie. Les pièces réparables à coûts élevés n'ont pas seulement un coût d’achat élevé ; elles entraînent également un effet de “cliquet“ pour chaque achat effectué par la compagnie aérienne. En effet, le taux de mise au rebut étant très bas pour beaucoup de pièces, cela signifie que chacune des pièces achetées fera partie du stock pendant des années. Même s'il est parfois possible de revendre des pièces, il faut souvent compter un important discount sur le prix d’origine. C'est pourquoi nos prévisions sont volontairement biaisées par construction, précisément pour refléter ces situations asymétriques typiques du secteur aéronautique. Le but n’est pas d’obtenir la meilleure estimation du stock dans un sens statistique abstrait, mais des estimations qui permettent de minimser les coûts associés aux imprécisions des prévisions elles-mêmes.

De plus, même si l’obtention de meilleurs taux de service est certainement une bonne chose quand elle n’implique pas d'augmenter les stocks, les solutions classiques visent arbitrairement des taux de service basés sur des classifications simplistes du stock, souvent inspirées de l’analyse ABC, ou de variantes similaires. Notre technologie statistique est conçue pour faire en sorte que chaque dollar investi dans le stock compte vraiment. Par exemple, si le taux de service d’une pièce A est de 90 % alors que l’entreprise vise un taux de service global de 98 %, il peut être plus profitable d’augmenter le taux de service d’une autre pièce B de 98 à 99 % si cette dernière coûte 100 fois moins, mais est utilisée 100 fois plus souvent que la pièce A. L’analyse ABC simplifie à l’excès l'univers du stock aéronautique, où de nombreuses dimensions doivent être prises en compte : coût à l’unité, délai fournisseur, essentialité, frais d'AOG, chapitre ATA, obsolescence potentielle, etc.

Au lieu de fournir des chiffres qui sont “exactement incorrects”, Lokad s’attache à fournir des chiffres “approximativement justes”. Intégrer les contraintes financières et opérationnelles directement dans les modèles de prévision s’est avéré être une tâche difficile, mais nous savions, de par nos observations, que les approches classiques qui sont “aveugles“ à ces facteurs ne peuvent offrir que des résultats médiocres.
Repenser de A à Z la relation avec le client pour fournir le ROI attendu.

L’approche big data pour l’aéronautique

Notre technologie est conçue sur le principe suivant : il faut s'efforcer d'exploiter autant de données que possible, du moment que ces données sont disponibles et, naturellement, véritablement pertinentes pour relever le défi que représente l’optimisation des stocks. Ce point de vue est différent des approches plus classiques, qui ont des dépendances fortes envers certaines données spécifiques. En effet, si pour une raison quelconque, certaines données ne sont pas disponibles, il faut tout simplement gérer du mieux possible la situation avec les données disponibles - il n'y a de toutes façons pas d'autre alternative - et, dans l’idéal, la qualité des prévisions doit se dégrader aussi "gracieusement" que possible lorsque des données sont manquantes.

En appréhendant un plus grand nombre de dimensions, par comparaison avec les modèles classiques d’optimisation du stock, Lokad fournit des résultats plus alignés avec les réalités métiers. Lokad peut exploiter de nombreuses données pour l’optimisation des stocks. Parmi les items les plus fréquents, pour n'en citer que quelques uns, on trouve : l’historique des achats de pièces détachées, des demandes de pièces, des changements de composants, des réparations, des rebuts et des renvois de pièces. Ensuite, on exploite typiquement la description de la flotte, avec sa composition historique et tous les cycles et heures de vol pertinents. Pour finir, les données relatives aux pièces elles-mêmes (ou aux consommables), avec leurs propriétés telles que l’essentialité, le chapitre ATA, l'encombrement, la dangerosité, etc. sont également importantes pour l’optimisation des stocks. De plus, les coûts d’achats des pièces, que ce soit en gros à prix réduit, ou au prix fort dans l’urgence d’un incident AOG, sont aussi des ingrédients essentiels pour améliorer la précision "financière" des modèles de prévision.

Sièges d'avion pour prévision stock aéronautique

Même une information en apparence aussi simple que l’état du stock demande un ensemble de données relativement diversifiées. En effet, le stock inclut non seulement le stock disponible, mais aussi les commandes en attente de livraison, les retours attendus de pièces en cours de réparation, les retours de pièces utilisables, ou encore les prêts et les emprunts auprès d’autres compagnies aériennes. En appréhendant un plus grand nombre de dimensions, par comparaison avec les modèles classiques d’optimisation du stock, Lokad fournit des résultats plus alignés avec les réalités métiers. Des données tierces telles que les valeurs MTBUR (temps moyen entre des retraits de pièces non planifiés) fournies par les OEM peuvent aussi être exploitées. Au lieu de se reposer entièrement sur une seule source de données, notre technologie préfère faire usage de toutes les données disponibles. Si un composant a été changé plus de 100 fois, la valeur MTBUR estimée sur la base des données historiques est presque certainement plus précise que l’estimation OEM. Mais à l'inverse, pour un composant qui n'est remplacé que rarement, l’estimation OEM est la seule information pertinente. La technologie Lokad exploite le meilleur mélange d'information possible dans le but de minimiser les coûts financiers associés à l’incertitude.