PRÉVISIONS DES STOCKS POUR L'AÉROSPATIAL
Les avions nécessitent une vaste gamme de pièces pour fonctionner, allant des pièces réparables coûteuses aux consommables à bas coût et à rotation rapide. Outre le fait que certaines pièces sont extrêmement chères, l’absence de la pièce nécessaire immédiatement disponible peut également se traduire par des incidents coûteux d’AOG (avion immobilisé). Lokad offre une solution logicielle statistique qui délivre une optimisation de stocks approfondie grâce à la prévision de la demande pour les compagnies aériennes, la MRO (maintenance, réparation et révision) et les OEM (constructeurs d’équipements d’origine).
Air France Industries est la branche MRO d'AIR FRANCE KLM, avec plus de 200 clients – compagnies internationales, régionales, de fret, etc.
Lokad apporte un nouvel outil, à la fois puissant et innovant. Mais en plus de cela, Lokad a partagé avec Air France Industries son expertise en optimisation de stocks et en gestion de la supply chain, apportant ainsi non seulement une solution informatique complémentaire mais aussi une véritable expertise en conseil sur laquelle nos équipes peuvent s’appuyer.
Charles Segondat, Responsable de la gestion des stocks, Air France Industries
"Toute l'équipe du projet Smart Planning chez Airbus Atlantic est profondément satisfaite de la réussite de la phase initiale de notre initiative de planification avancée. Grâce à l'engagement sans faille, à l'approche rigoureuse et à la collaboration performante avec les équipes, nous avons obtenu le feu vert pour les prochaines étapes et sommes enthousiastes et optimistes quant à la poursuite de ce parcours ensemble"
Julien Fournat
Chef de projet Industrie 4.0 Airbus Atlantic
Spairliners est un leader mondial en équipements de pièces de rechange et en maintenance pour les flottes d'avions Airbus A380 et Embraer Ejet.
Nous avons choisi Lokad après une analyse approfondie des solutions d'optimisation de stocks disponibles sur le marché pour notre activité MRO (Maintenance, Réparation et Révision). L'approche partenariale de Lokad, ainsi que leur réactivité, leur adaptabilité et surtout la performance de leur solution, nous ont convaincus de leur confier l'optimisation de stocks de notre équipement de pièces de rechange pour avions destiné à nos clients à travers le monde. Lokad a su répondre aux attentes et à la complexité de notre industrie grâce à leur approche originale et intelligente de nos besoins.
Olivier Mazzucchelli, CEO de Spairliners, Hambourg, Allemagne
Étude de cas vidéo
LOKAD TV
Découvrez nos interviews sur Lokad TV et apprenez-en davantage sur la Supply Chain et l'aéronautique.
Les approches classiques ne suffisent pas pour l'aérospatial
En règle générale, les approches classiques d'optimisation de stocks fonctionnent mal dès qu'il s'agit de pièces de rechange. En outre, l'expérience acquise par Lokad en travaillant dans l'aérospatial indique que la situation est en réalité bien pire dans cette industrie spécifique.
Le coût élevé de certaines pièces, les longs délais, la faible fréquence des défaillances et les coûts très élevés des ruptures de stocks n’exacerbent qu’encore les faiblesses de l’optimisation de stocks classique.
En particulier, les prévisions des séries temporelles optimisées sur des métriques telles que le MAD (écart absolu moyen) ou le MAPE (pourcentage absolu moyen) ne reflètent pas correctement les coûts fortement asymétriques entre la surestimation et la sous-estimation observés dans l’aérospatial.
L’analyse classique des stocks de sécurité basée sur des distributions normales ou de Poisson fonctionne également mal.
L’analyse classique des stocks de sécurité basée sur des distributions normales ou de Poisson fonctionne également mal, car nos observations indiquent simplement que les schémas de demande ne suivent en réalité aucun de ces modèles. De même, l’analyse ABC échoue parce que toute classification qui trie toutes les pièces dans une poignée de catégories de stocks n’arrive pas à capturer les nombreuses dimensions qui définissent les pièces ou consommables requis par les avions modernes.
Au-delà de l’inadéquation entre les hypothèses sous-jacentes aux modèles classiques et la réalité du secteur aérospatial, nous avons également constaté que les approches classiques reposent trop sur une myriade de corrections manuelles. Cela conduit fréquemment à des situations où la main-d’œuvre investie dans l’optimisation de stocks n’est pas valorisée, mais simplement consommée par des systèmes informatiques pour suivre le rythme des opérations quotidiennes. Certains schémas de conception logicielle, tels que « alerts », tendent également à aggraver la situation en concentrant les équipes sur des correctifs superficiels journaliers au lieu de les focaliser sur les causes profondes pour fournir des solutions durables. Pour toute demande, contactez-nous à contact@lokad.com
Repenser de zéro les mathématiques nécessaires aux compagnies aériennes pour prévoir leurs stocks.
Les schémas de demande dans l’aérospatial nécessitent des prévisions non classiques
La technologie analytique de Lokad a été conçue en plaçant les facteurs déterminants de l’aérospatial au cœur de son fonctionnement. Plutôt que de recycler des modèles de prévision et d’optimisation de stocks conçus pour d’autres industries, Lokad a créé des approches statistiques alternatives dans lesquelles les spécificités de l’industrie aérospatiale sont intégrées de manière native.
Les modèles de prévision de Lokad reflètent tous ces facteurs liés à la flotte, non pas comme de simples coefficients linéaires correctifs ajoutés aux prévisions des séries temporelles, mais comme les variables qui expliquent fondamentalement la demande elle-même.
La demande est d’abord tirée par le besoin de maintenir une flotte d’avions. Cette flotte peut croître ou diminuer. La répartition entre les heures de vol et les cycles de vol évolue également avec le temps. Certaines opérations de maintenance sont planifiées, d’autres sont imprévues. Les modèles de prévision de Lokad reflètent tous ces facteurs liés à la flotte, non pas comme de simples coefficients linéaires correctifs sur les prévisions des séries temporelles, mais comme les variables qui expliquent fondamentalement la demande. De plus, ce n’est pas tant la demande « moyenne » de pièces qui importe, mais plutôt les pics, c’est-à-dire les points de demande les plus élevés qui impactent le taux de service le plus fortement. Les approches classiques qui reposent sur des distributions normales ou de Poisson introduisent un biais systématique dans toutes les estimations.
La technologie de Lokad repose sur une analyse avancée de prévision par quantiles de la demande. La perspective des quantiles est essentielle pour anticiper avec précision les pics futurs de demande et leurs probabilités correspondantes.
De plus, ce n’est pas seulement la demande qui est incertaine, mais aussi les délais de livraison. En particulier, certaines pièces réparables à coût élevé impliquent non pas un seul délai, mais tout un circuit, allant du changement de composant à la disponibilité renouvelée de la pièce réparée.
Le délai complet comprend de nombreuses étapes : temps administratif, temps de passation de commande, temps de transit, temps de réception, TAT (temps d’inspection au MRO ou OEM, et temps de réparation le cas échéant), temps de déchargement et de déplacement des stocks, temps de traitement en atelier, etc. Modéliser un délai moyen ou médian est largement insuffisant ; la technologie de Lokad modélise directement l’ensemble de la distribution des délais – c’est-à-dire la probabilité qu’un délai donné se produise.
Enfin, de nombreux schémas de demande très spécifiques requièrent des équivalents statistiques natifs. Par exemple, les modernisations introduisent plusieurs biais dans l’historique qu’il convient de prendre en compte. De plus, les règles d’interchangeabilité concernant des pièces pour lesquelles plusieurs versions coexistent, entièrement interchangeables ou seulement interchangeables dans un sens, compliquent davantage le tableau. Contrairement aux approches classiques qui chercheraient à tout intégrer dans des prévisions des séries temporelles, notre technologie aborde ces problématiques en profondeur à l’aide de modèles statistiques spécialement adaptés à ces défis.
Repenser de zéro l'expérience utilisateur des praticiens en charge des stocks.
Optimisation de stocks alignée sur les coûts de l'aérospatial
Les pièces doivent être entretenues afin d'éviter des incidents AOG (aircraft on ground), mais à cet égard, toutes les pièces ne se valent pas. Le concept d'essentialité d'une pièce avec des variantes No-Go, Go-If et Go impacte profondément le coût de l'absence de la pièce nécessaire.
De nombreuses solutions optimisent incorrectement une erreur de prévision exprimée en pourcentages (par exemple : MAPE, le pourcentage absolu moyen) ou exprimée avec une autre unité arbitraire (par exemple : MAD, l'écart absolu moyen).
En revanche, le cœur de notre technologie est conçu pour minimiser les Dollars des erreurs de prévision. Notre approche est très différente des systèmes statistiques classiques qui sont tout simplement « aveugles » aux variables financières.
Les coûts associés aux surprévisions et aux sous-prévisions sont très asymétriques dans l’aérospatiale, et cela a un impact profond sur notre technologie. Les pièces réparables à coût élevé ne sont pas seulement, comme leur nom l’indique, chères, elles entraînent également un effet « cliquet » à chaque achat du côté de la compagnie aérienne. En effet, comme le taux de rebut est très faible pour de nombreuses pièces, cela signifie que toute pièce achetée restera dans les stocks pendant des années. Et bien que la revente des pièces soit parfois possible, elle s’accompagne fréquemment d’une forte décote par rapport au prix d’origine. Ainsi, nos prévisions des stocks sont intrinsèquement et délibérément biaisées à la hausse pour refléter précisément ces situations commerciales asymétriques. L’objectif n’est pas d’obtenir les meilleures estimations de stocks dans un sens statistique abstrait, mais celles qui contribuent réellement à minimiser les coûts d’affaires associés aux imprécisions des estimations elles-mêmes.
De plus, bien qu’atteindre de meilleurs taux de service soit certainement une bonne chose s’il n’implique pas de détenir davantage de stocks, les solutions classiques visent des taux de service plutôt arbitraires basés sur des classifications naïves de stocks fréquemment établies à partir de l’analyse ABC ou d’autres variantes similaires. Au cœur de notre technologie statistique se trouve le défi de tirer le meilleur parti de chaque dollar investi dans les stocks. Par exemple, même si une pièce n’affiche qu’un taux de service de 90 %, alors que l’entreprise vise un taux de service global de 98 %, il pourrait être plus rentable d’augmenter le taux de service d’une autre pièce de 98 % à 99 % si cette pièce coûte 100 fois moins cher et est demandée 100 fois plus fréquemment que la première. L’analyse ABC simplifie à l’excès le paysage des stocks dans l’aérospatiale où de nombreuses dimensions différentes doivent être prises en compte : coût unitaire, délai d’approvisionnement, essentialité, surcoût d’achat en cas d’AOG, chapitre ATA, obsolescence potentielle, etc.
Plutôt que de fournir des chiffres « exactement incorrects », Lokad s’efforce de fournir des chiffres « approximativement vrais ». Intégrer toutes les contraintes financières et opérationnelles directement dans les modèles de prévision s’est avéré une tâche particulièrement difficile, et nous avons constaté que s’appuyer sur des approches classiques « aveugles » à ces facteurs donne des résultats très médiocres.
Repenser de fond en comble la relation avec le client pour délivrer le ROI attendu.
Approche Big Data pour l’aérospatiale
Notre technologie est conçue autour du principe que nous tentons d’exploiter autant de données que possible tant qu’elles sont disponibles et, naturellement, tant qu’elles sont réellement pertinentes pour un défi d’optimisation de stocks donné. Ce point de vue diffère des approches plus classiques qui dépendent « hard » de données spécifiques. Si, pour une raison quelconque, une certaine quantité de données n’est pas disponible, il n’existe tout simplement aucune alternative pour faire face à cette situation et, idéalement, la qualité de la prévision devrait se dégrader de la manière la plus fluide possible en cas de données manquantes.
En utilisant plus de dimensions que les modèles classiques d’optimisation de stocks, Lokad fournit des résultats qui sont plus étroitement alignés sur des réalités spécifiques aux entreprises.
Il existe une masse de données que Lokad peut exploiter pour l’optimisation de stocks. Parmi les éléments les plus fréquents, on trouve l’historique des achats de pièces, les demandes de pièces, les changements de composants, les réparations, les rebuts et les retours de pièces, pour n’en citer que quelques-uns.
Ensuite, la description de la flotte, avec sa composition historique ainsi que toutes les heures de vol et cycles de vol pertinents, est également couramment exploitée. Enfin, les données relatives aux pièces (ou consommables) elles-mêmes, avec leurs propriétés telles que l’essentialité, le chapitre ATA, la criticité, l’encombrement et la dangerosité, sont également importantes pour l’optimisation de stocks.
De plus, les coûts d’achat des pièces, que ce soit en grande quantité à des prix plus bas ou dans le cadre d’un problème AOG à un prix bien plus élevé, constituent également l’un des ingrédients clés pour améliorer la précision « financière » des modèles de prévision des stocks.
Même quelque chose d'aussi apparemment simple que l'état des stocks nécessite un ensemble de données relativement diversifié. En effet, les stocks comprennent non seulement les stocks disponibles et les commandes d'achat à venir, mais aussi les futurs retours de réparations, les retours de pièces utilisables, les prêts à d'autres compagnies aériennes et les pièces prêtées à d'autres compagnies aériennes.
En utilisant plus de dimensions que les modèles classiques d'optimisation de stocks, Lokad fournit des résultats qui sont plus étroitement alignés sur des réalités spécifiques aux entreprises.
Les données tierces telles que les valeurs MTBUR (temps moyen entre retrait non planifié) fournies par les OEM peuvent également être exploitées. Cependant, au lieu de dépendre à 100 % d'une seule source de données, notre technologie préfère tirer le meilleur parti de l'ensemble des données disponibles.
Si un composant a été changé plus de 100 fois, le MTBUR estimé sur la base des données historiques est presque certainement plus précis que l'estimation de l'OEM. Mais en revanche, pour un composant changé très rarement, l'estimation de l'OEM est la seule information pertinente. La technologie de Lokad exploite le meilleur mélange d'informations nécessaire afin de minimiser les coûts financiers associés à l'incertitude.
"Lokad a fourni les bons outils et le soutien nécessaire pour améliorer notre processus de planification de supply chain et réduire l'incertitude en intégrant une approche probabiliste. Lokad a fait un travail remarquable en nous aidant à optimiser nos prévisions de la demande afin d'atteindre des objectifs de taux de service très exigeants tout en diminuant les risques."
Rob Cords,
Président de MRO Holdings
