PRÉVISIONS DES STOCKS POUR L'AÉROSPATIAL
Les appareils nécessitent un vaste éventail de pièces pour fonctionner, allant des pièces réparables coûteuses aux consommables à faible coût et à rotation rapide. Outre le fait que certaines pièces sont très coûteuses, le fait de ne pas avoir la pièce nécessaire immédiatement disponible peut également se traduire par des incidents coûteux d’AOG (Aircraft on Ground). Lokad propose une solution logicielle statistique qui offre une optimisation de stocks approfondie grâce aux prévisions de la demande pour les compagnies aériennes, MRO (Maintenance, Repair and Overhaul) et OEM (Original Equipment Manufacturers).
Air France Industries est le bras MRO d'AIR FRANCE KLM avec plus de 200 clients - compagnies aériennes internationales, régionales, de fret, etc.
Lokad apporte un nouvel outil, à la fois puissant et innovant. De plus, Lokad a partagé avec Air France Industries son expertise en optimisation de stocks et en gestion de la supply chain, offrant ainsi non seulement une solution informatique complémentaire, mais aussi une véritable expertise en conseil, sur laquelle nos équipes peuvent compter.
Charles Segondat, responsable de la gestion des stocks, Air France Industries
"Toute l'équipe du projet Smart Planning d'Airbus Atlantic est profondément satisfaite de la réussite de la phase initiale de notre initiative de planification avancée. Grâce à un engagement sans faille, une approche rigoureuse et une collaboration de haut niveau 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 dans l'équipement en pièces détachées et la maintenance des flottes d'Airbus A380 et d'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 Repair and Overhaul). L'approche partenariale de Lokad, ainsi que leur réactivité, leur adaptabilité et surtout la performance de leur solution, nous ont conduit à leur faire confiance pour l'optimisation de stocks de l'équipement en pièces détachées de nos avions destinés 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 plus sur la Supply Chain et l'aéronautique.
Les approches classiques se révèlent insuffisantes pour l'aéronautique
En règle générale, les approches classiques d'optimisation de stocks fonctionnent mal dès qu'il s'agit de pièces de rechange. De plus, l'expérience acquise par Lokad dans l'aéronautique indique que la situation est en réalité bien pire dans cette industrie spécifique.
Le coût élevé de certaines pièces, les délais de livraison longs, les défaillances rares et les coûts très élevés des ruptures de stocks ne font qu’exacerber toutes les faiblesses de l’optimisation classique de stocks.
En particulier, les prévisions des séries temporelles optimisées selon des indicateurs tels que MAD (écart moyen absolu) ou MAPE (moyenne des pourcentages d’erreur absolue) ne reflètent pas correctement les coûts très asymétriques entre une sur-prévision et une sous-prévision que l’on rencontre dans l’aéronautique.
L’analyse classique de stocks de sécurité basée sur des distributions normales ou des distributions de Poisson fonctionne également mal.
L’analyse classique de stocks de sécurité basée sur des distributions normales ou des distributions 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 répartit toutes les pièces en quelques catégories de stocks ne parvient pas à saisir les nombreuses dimensions qui définissent les pièces ou consommables nécessaires aux avions modernes.
Au-delà du décalage entre les hypothèses sous-jacentes aux modèles classiques et la réalité du secteur aéronautique, nous avons également constaté que ces approches 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 capitalisée, mais simplement consommée par les systèmes informatiques pour suivre le rythme des opérations quotidiennes. Certains modèles de conception logicielle, tels que “alerts”, tendent également à aggraver la situation en focalisant les équipes sur des correctifs superficiels quotidiens, au lieu de les orienter vers les causes profondes afin de 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’aéronautique requièrent des prévisions non classiques
La technologie analytique de Lokad a été conçue en plaçant les facteurs déterminants de l’aéronautique au cœur de ses préoccupations. Plutôt que de recycler des modèles de prévisions et d’optimisation de stocks conçus pour d’autres industries, Lokad a créé des approches statistiques alternatives dans lesquelles les spécificités de l’industrie aéronautique sont intégrées nativement.
Les modèles de prévision de Lokad reflètent tous ces facteurs liés à la flotte, non pas comme de simples coefficients linéaires correctifs ajoutés aux séries temporelles, mais comme les variables qui expliquent fondamentalement la demande elle-même.
La demande est d’abord engendrée par le besoin d’assurer l’entretien d’une flotte d’avions. Cette flotte peut croître ou diminuer. La répartition entre heures de vol et cycles de vol évolue également au fil du 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 ajoutés aux séries temporelles, mais comme les variables qui expliquent fondamentalement la demande elle-même. De plus, ce n’est pas tant la demande « moyenne » de pièces qui importe, mais plutôt les pics, c’est-à-dire les points culminants de la demande qui impactent le taux de service le plus fortement. Les approches classiques qui reposent sur des distributions normales ou des distributions de Poisson introduisent un biais systématique dans toutes les estimations.
La technologie de Lokad repose sur une analyse avancée des prévisions 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 également les délais de livraison. En particulier, les pièces réparables à coût élevé impliquent non pas un seul délai de livraison, mais un circuit complet, allant du changement de composant à la disponibilité renouvelée de la pièce réparée.
Le délai de livraison complet comprend de nombreuses étapes : temps administratif, temps d’approvisionnement, temps de transit, temps de réception, TAT (temps d’inspection chez le 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 de livraison moyen ou médian est loin d’être suffisant ; la technologie de Lokad modélise directement toute la distribution des retards – c’est-à-dire, la probabilité qu’un retard donné survienne.
Enfin, de nombreux schémas de demande très spécifiques observés nécessitent des contreparties statistiques natives. Par exemple, les modernisations introduisent de multiples biais dans l’historique qui doivent être pris en compte. De plus, les règles d’interchangeabilité concernant les pièces pour lesquelles plusieurs versions coexistent, totalement interchangeables ou simplement interchangeables dans un sens, compliquent davantage le tableau. Contrairement aux approches classiques qui tenteraient de tout entasser dans les séries temporelles, notre technologie aborde ces problématiques en profondeur via des modèles statistiques spécifiquement 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'aéronautique
Les pièces doivent être entretenues afin d'éviter les incidents AOG (aircraft on ground), mais à cet égard, toutes les pièces ne se valent pas. Le concept d'essencialité d'une pièce (avec variantes No-Go, Go-If et Go) a un impact profond sur le coût de l'indisponibilité de la pièce nécessaire.
De nombreuses solutions optimisent de manière incorrecte une erreur de prévision donnée, exprimée en pourcentages (ex : MAPE, la moyenne des pourcentages d'erreur absolue) ou exprimée avec une autre unité arbitraire (ex : MAD, l'écart moyen absolu).
En revanche, le cœur de notre technologie est conçu pour minimiser le coût, en dollars, des erreurs de prévision. Notre approche est très différente des systèmes statistiques classiques qui sont simplement « aveugles » aux variables financières.
Les coûts liés aux prévisions excessives et insuffisantes sont très asymétriques dans l’aérospatial, 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 s’accompagnent également d’un effet de « 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 en stocks pendant des années. Et bien que la revente de pièces soit parfois possible, elle s’accompagne fréquemment d’une forte décote par rapport au prix initial. Ainsi, nos prévisions sont intrinsèquement et intentionnellement biaisées à la hausse afin de refléter précisément ces situations commerciales asymétriques. Le but n’est pas d’obtenir les meilleures estimations de stocks dans un sens statistique abstrait, mais des estimations qui aident réellement à réduire les coûts commerciaux liés aux imprécisions des estimations elles-mêmes.
De plus, bien qu’atteindre de meilleurs taux de service soit certainement une bonne chose s’il ne nécessite pas de détenir plus de stocks, les solutions classiques visent des taux de service plutôt arbitraires basés sur des classifications naïves des stocks, souvent fondées sur l’analyse ABC ou d’autres variantes similaires. Essentiellement, notre technologie statistique relève le défi de tirer le meilleur parti de chaque dollar investi dans les stocks. Par exemple, même si une pièce n’offre qu’un taux de service de 90 %, alors que l’entreprise recherche un taux de service global de 98 %, il pourrait être plus rentable d’augmenter le taux de service d’une autre pièce passant 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’aérospatial où de nombreuses dimensions différentes doivent être prises en compte : coût unitaire, délai d’approvisionnement, caractère essentiel, frais 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 être une tâche très difficile, pourtant nous avons constaté que se fier à des approches classiques « aveugles » à ces facteurs donne des résultats très médiocres.
"Repenser à partir de zéro la relation avec le client pour délivrer le ROI attendu."
Approche Big Data pour l’aérospatial
Notre technologie est conçue autour du principe que nous essayons de tirer parti d’autant de données que possible tant que des données sont disponibles, et naturellement, tant que les données sont réellement pertinentes pour tout défi d’optimisation de stocks donné. Ce point de vue diffère des approches plus classiques qui ont des dépendances « hard » sur des 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 douce possible lorsque certaines données manquent.
En utilisant plus de dimensions par rapport aux modèles classiques d’optimisation de stocks, Lokad fournit des résultats qui sont plus étroitement alignés avec les réalités spécifiques de l’entreprise.
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 et toutes les heures de vol et cycles de vol pertinents est également utilisée. Enfin, les données relatives aux pièces (ou consommables) elles-mêmes avec leurs propriétés telles que le caractère essentiel, le chapitre ATA, la criticité, l’encombrement, la dangerosité sont également importantes pour l’optimisation de stocks.
De plus, les coûts d’achat des pièces, que ce soit en gros à des prix plus bas ou en cas de problème AOG à un prix bien plus élevé, constituent également certains des ingrédients clés pour améliorer la précision « financière » des modèles de prévision.
Même quelque chose d'aussi apparemment simple que l'état des stocks requiert un ensemble de données relativement diversifié. En effet, le stock comprend non seulement les stocks disponibles et les bons de commande en attente, mais aussi les futurs retours de réparations, les retours de pièces réparables, les prêts à d'autres compagnies aériennes et les pièces prêtées à d'autres compagnies aériennes. En utilisant plus de dimensions par rapport aux modèles classiques d'optimisation de stocks, Lokad fournit des résultats qui sont plus étroitement alignés avec la réalité spécifique de l'entreprise.
Les données tierces telles que les valeurs MTBUR (temps moyen entre les retraits non planifiés) fournies par les OEM peuvent également être exploitées. Cependant, plutôt que de se reposer à 100 % sur une seule source de données, notre technologie préfère tirer le meilleur parti de toutes les données disponibles.
Si un composant a été changé plus de 100 fois, le MTBUR estimé à partir des données historiques est presque certainement plus précis que l'estimation de l'OEM. Mais, en revanche, pour un composant qui est 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 liés à l'incertitude.
"Lorsque je suis arrivé chez MRO Holdings, j'ai été agréablement surpris de constater que Lokad était déjà un partenaire travaillant sur les prévisions probabilistes de la demande. Je ne sais pas si je révèle l'un des secrets du succès dans ce type d'activité, mais c'est vraiment la manière de faire face et d'embrasser la volatilité et la complexité."
Ricardo Alvarez Henao,
Directeur Supply Chain chez MRO Holdings
