ПРОГНОЗИРОВАНИЕ ЗАПАСОВ ДЛЯ АЭРОКОСМИЧЕСКОЙ ОТРАСЛИ

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.

В частности, прогнозы временных рядов, оптимизированные по таким метрикам, как MAD (среднее абсолютное отклонение) или MAPE (средняя абсолютная процентная ошибка), не отражают должным образом высокую асимметрию затрат между переоценкой и недооценкой, наблюдаемую в аэрокосмической отрасли.

Классический анализ страхового запаса, основанный на нормальном или пуассоновском распределениях, также работает плохо.

Классический анализ страховых запасов, основанный на нормальных или пуассоновских распределениях, также работает плохо, поскольку наши наблюдения за данными ясно показывают, что спрос не подчиняется ни одной из этих моделей. Аналогично, ABC-анализ оказывается неэффективным, поскольку любая классификация, которая распределяет все детали по нескольким категориям запасов, не способна отразить многочисленные аспекты, характеризующие детали или расходные материалы, необходимые для современных самолётов.

Помимо несовпадения предположений классических моделей с реальностью аэрокосмического бизнеса, мы также обнаружили, что классические подходы слишком зависят от многочисленных ручных корректировок. Это часто приводит к ситуациям, когда затраты на рабочую силу, вложенные в оптимизацию запасов, не капитализируются, а просто расходуются IT-системами для поддержания ежедневных операций. Некоторые шаблоны разработки программного обеспечения, такие как “оповещения”, также зачастую ухудшают ситуацию, отвлекая команды на ежедневные поверхностные исправления вместо того, чтобы сосредоточить их на устранении коренных причин для предоставления долгосрочных решений. По любым вопросам, обращайтесь к нам по адресу contact@lokad.com

В отличие от этого, суть нашей технологии направлена на минимизацию расходов, связанных с ошибками прогнозирования. Наш подход существенно отличается от классических статистических систем, которые просто «слепы» к финансовым переменным.

Затраты, связанные с переоценкой и недооценкой, в аэрокосмической отрасли обладают высокой асимметрией, и это оказывает глубокое влияние на нашу технологию. Дорогие ремонтируемые детали не только, как следует из названия, являются дорогостоящими, они также влекут за собой эффект «захвата» при каждой закупке со стороны авиакомпании. Действительно, поскольку уровень утилизации для многих деталей очень низок, это означает, что каждая купленная деталь останется в запасе на годы. И хотя перепродажа деталей иногда возможна, она зачастую сопряжена с резкой скидкой по сравнению с исходной ценой. Таким образом, наши прогнозы нативно и целенаправленно завышены, чтобы точно отразить эти асимметричные бизнес-ситуации. Целью является не достижение лучших оценок запасов в каком-то абстрактном статистическом смысле, а получение оценок, которые действительно помогают минимизировать бизнес-издержки, связанные с неточностями самих оценок.

Кроме того, хотя достижение более высокого уровня обслуживания, при условии отсутствия необходимости содержания дополнительных запасов, безусловно является положительным результатом, классические решения нацелены скорее на произвольные уровни обслуживания, основанные на наивных классификациях запасов, зачастую базирующихся на ABC-анализе или его аналогах. В основе нашей статистической технологии лежит задача максимально эффективно использовать каждый вложенный доллар в запасы. Например, даже если у детали уровень обслуживания составляет всего 90%, в то время как компания в целом стремится к 98%, может оказаться более выгодным повысить уровень обслуживания другой детали с 98% до 99%, если её стоимость в 100 раз меньше, а запросы на неё происходят в 100 раз чаще, чем для первой. ABC-анализ слишком упрощён для описания ландшафта запасов в аэрокосмической отрасли, где необходимо учитывать множество различных параметров: себестоимость, время задержки поставки, значимость, накладные расходы при закупке в условиях AOG, ATA-главу, потенциальную устаревание и т.д.

Вместо того чтобы предоставлять числа, которые «точно неверны», Lokad стремится выдавать числа, которые «примерно верны». Включение всех финансовых и операционных ограничений непосредственно в модели прогнозирования оказалось чрезвычайно сложной задачей, однако мы обнаружили, что опора на классические подходы, «слепые» к этим факторам, дает крайне неудовлетворительные результаты.

Даже что-то кажущееся таким простым, как состояние запасов, требует относительно разнообразного набора данных. Действительно, запасы включают не только имеющиеся на руках товары и ожидаемые по заказам покупки, но и будущие возвраты после ремонта, возвраты пригодных для использования деталей, выдачу в аренду другим авиакомпаниям и детали, переданные во временное пользование.

Используя большее количество измерений, чем классические модели оптимизации запасов, Lokad предоставляет результаты, которые лучше соответствуют специфике бизнеса.

Сторонние данные, такие как показатели MTBUR (среднее время между незапланированными демонтажами), предоставляемые производителями оборудования, также могут быть использованы. Однако вместо того чтобы полагаться на 100% на один источник данных, наша технология предпочитает максимально использовать всю доступную информацию.

Если компонент был заменен более чем 100 раз, оценка MTBUR на основе исторических данных почти наверняка окажется более точной, чем оценка производителя. Но, с другой стороны, для компонента, который заменяется очень редко, оценка производителя является единственной релевантной информацией. Технология Lokad использует оптимальное сочетание информации для минимизации финансовых затрат, связанных с неопределенностью.