ПРОГНОЗИРОВАНИЕ ЗАПАСОВ В АЭРОКОСМИЧЕСКОЙ ОТРАСЛИ

Высокая стоимость некоторых деталей, долгие сроки поставки, редкие отказы и очень высокие затраты при отсутствии запасов только усугубляют все слабые стороны классических методов оптимизации запасов.

В частности, прогнозы на основе временных рядов, оптимизированные по таким метрикам, как MAD (среднее абсолютное отклонение) или MAPE (средняя абсолютная процентная ошибка), не отражают адекватно высокую асимметрию затрат между переоценкой и недооценкой, характерную для аэрокосмической отрасли.

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

Классический анализ страховых запасов, основанный на нормальном или пуассоновском распределениях, работает плохо, поскольку наши данные просто показывают, что модели спроса на самом деле не следуют ни одной из этих моделей. Аналогично, ABC-анализ оказывается неэффективным, поскольку любая классификация, которая сортирует все детали в несколько категорий запасов, не способна уловить множество различных аспектов, определяющих детали или расходные материалы, необходимые современным самолётам.

Помимо несоответствия между предположениями классических моделей и реальностью аэрокосмического бизнеса, мы также обнаружили, что классические подходы слишком сильно зависят от бесчисленных ручных корректировок. Это часто приводит к ситуациям, когда вложенные в оптимизацию запасов человеческие ресурсы не капитализируются, а просто расходуются IT-системами для поддержания ежедневных операций. Некоторые шаблоны разработки программного обеспечения, такие как «оповещения», также усугубляют ситуацию, отвлекая команды на ежедневные поверхностные исправления, вместо того чтобы сосредоточиться на коренных причинах для достижения устойчивых решений. По любым вопросам обращайтесь по адресу contact@lokad.com

Напротив, суть нашей технологии заключается в минимизации стоимостных потерь от ошибок прогнозирования. Наш подход существенно отличается от классических статистических систем, которые просто «слепы» к финансовым переменным.

Затраты, связанные с завышенными и заниженными прогнозами, чрезвычайно несимметричны в аэрокосмической отрасли, и это оказывает глубокое влияние на наши технологии. Высокозатратные ремонтируемые детали не только, как следует из названия, дороги, но и создают эффект «задиристости» при каждой покупке со стороны авиакомпании. Действительно, поскольку процент списания для многих деталей очень низок, это означает, что любая купленная деталь останется в запасах на многие годы. И хотя перепродажа деталей иногда возможна, она часто сопровождается значительной скидкой по сравнению с изначальной ценой. Таким образом, наши прогнозы по своей природе и целенаправленно завышены, чтобы точно отражать эти асимметричные бизнес-ситуации. Цель состоит не в том, чтобы иметь лучшие оценки запасов в каком-то абстрактном статистическом смысле, а в том, чтобы оценки действительно помогали минимизировать бизнес-расходы, связанные с неточностями самих оценок.

Кроме того, хотя достижение более высоких уровней обслуживания, безусловно, является положительным фактором, если это не связано с увеличением запасов, классические решения нацелены на достаточно произвольные уровни обслуживания, основанные на наивных классификациях запасов, часто использующих ABC-анализ или его варианты. По сути, наша статистическая технология берет на себя задачу максимально эффективно использовать каждый вложенный доллар в запасы. Например, даже если деталь имеет уровень обслуживания всего 90%, в то время как компания стремится к общему уровню обслуживания 98%, может оказаться более выгодным повысить уровень обслуживания другой детали с 98% до 99%, если эта деталь стоит в 100 раз меньше и запрашивается в 100 раз чаще, чем первая. ABC-анализ упрощает сложную картину запасов в аэрокосмической отрасли, где необходимо учитывать множество различных параметров: стоимость за единицу, время поставки, важность, накладные расходы при закупке в условиях AOG, главу ATA, потенциальную устаревание и т.д.

Вместо того чтобы предоставлять числа, которые «точно неверны», Lokad стремится выдавать числа, которые «примерно верны». Учет всех финансовых и операционных ограничений непосредственно в моделях прогнозирования оказался весьма сложной задачей, однако мы обнаружили, что опора на классические подходы, «слепые» к этим факторам, дает очень плохие результаты.

Даже нечто, на первый взгляд, простое, как состояние запасов, требует относительно разнообразного набора данных. Действительно, запасы включают не только текущие наличия и ожидаемые заказы, но также будущие возвраты после ремонта, возвраты пригодных к эксплуатации деталей, займы для других авиакомпаний и детали, выданные в аренду другим авиакомпаниям.

Используя больше измерений по сравнению с классическими моделями оптимизации запасов, Lokad предоставляет результаты, более точно соответствующие специфике бизнеса.

Также могут использоваться сторонние данные, такие как показатели MTBUR (среднее время между незапланированными отключениями), предоставляемые OEM, но вместо того чтобы полагаться на 100% на один источник данных, наша технология предпочитает максимально использовать все доступные данные.

Если компонент менялся более 100 раз, оценка MTBUR, основанная на исторических данных, почти наверняка будет точнее оценки OEM. Но, с другой стороны, для компонента, который меняется очень редко, оценка OEM является единственно значимой информацией. Технология Lokad использует наилучшее сочетание данных, необходимых для минимизации финансовых затрат, связанных с неопределенностью.