ПРОГНОЗИРОВАНИЕ ЗАПАСОВ ДЛЯ АЭРОКОСМИЧЕСКОЙ ОТРАСЛИ

Высокая стоимость некоторых запчастей, долгие сроки поставок, редкость отказов и очень высокие затраты при отсутствии запасов лишь усугубляют все слабые стороны классической оптимизации запасов.

В частности, прогнозы временных рядов, оптимизированные по таким метрикам, как MAD (среднее абсолютное отклонение) или MAPE (средняя абсолютная процентная ошибка), не учитывают высокую асимметрию затрат между избыточным и недостаточным прогнозированием, характерную для аэрокосмической отрасли.

Классический анализ страховых запасов, основанный на нормальных или пуассоновских распределениях, также работает плохо.

Классический анализ страховых запасов, основанный на нормальных или пуассоновских распределениях, также оказывается неэффективным, поскольку наши данные указывают на то, что закономерности спроса не соответствуют ни одной из этих моделей. Аналогично, ABC-анализ не дает результатов, так как любая классификация, распределяющая все запчасти по нескольким категориям, не способна отразить множество различных параметров, определяющих детали или расходные материалы, необходимые для современных самолетов.

Помимо несоответствия предположений классических моделей и реальности аэрокосмического бизнеса, мы также обнаружили, что классические подходы чересчур зависят от множества ручных корректировок. Это часто приводит к тому, что задействованные в оптимизации запасов человеческие ресурсы не используются эффективно, а просто расходуются ИТ-системами для поддержания ежедневных операций. Некоторые паттерны проектирования ПО, такие как «оповещения», также усугубляют ситуацию, отвлекая команды на поверхностные ежедневные исправления, вместо того чтобы сосредоточиться на первопричинах для достижения устойчивых решений. По всем вопросам обращайтесь по адресу contact@lokad.com

В отличие от этого, суть нашей технологии заключается в минимизации затрат, связанных с ошибками прогнозирования. Наш подход кардинально отличается от классических статистических систем, которые просто «слепы» к финансовым параметрам.

Расходы, связанные с переоценками и недооценками, в аэрокосмической отрасли крайне несимметричны, и это оказывает глубокое влияние на наши технологии. Высокозатратные ремонтируемые детали не только, как следует из названия, являются дорогими, но и создают эффект «задержки» при каждой покупке со стороны авиакомпании. Действительно, поскольку коэффициент списания для многих деталей очень низок, каждая купленная деталь будет числиться на складе в течение многих лет. И хотя перепродажа деталей иногда возможна, она зачастую сопровождается значительной скидкой по сравнению с исходной ценой. Таким образом, наши прогнозы по своей природе и намеренно завышены, чтобы точно отразить эти асимметричные бизнес-ситуации. Цель состоит не в том, чтобы получить лучшие статистические оценки запасов, а в том, чтобы эти оценки действительно помогали минимизировать бизнес-издержки, связанные с их неточностью.

Вдобавок, хотя достижение более высоких уровней обслуживания, если это не требует дополнительного объема запасов, безусловно является положительным моментом, классические решения ориентированы на довольно произвольные уровни обслуживания, основанные на наивных классификациях запасов, часто построенных на анализе ABC или его аналогах. В основе нашей статистической технологии лежит задача максимально эффективно использовать каждый вложенный доллар в запасы. Например, даже если деталь обеспечивает лишь 90% уровень обслуживания, в то время как компания в целом стремится к 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. Анализ ABC излишне упрощает картину запасов в аэрокосмической отрасли, где необходимо учитывать множество различных параметров: себестоимость единицы, сроки поставки, критичность, дополнительные расходы при AOG, главу ATA, потенциальную устаревание и т.д.

Вместо того чтобы выдавать цифры, которые «точно неверны», Lokad стремится предоставлять значения, которые «примерно верны». Внедрение всех финансовых и операционных ограничений непосредственно в модели прогнозирования оказалось весьма сложной задачей, однако мы обнаружили, что использование классических подходов, «слепых» к этим факторам, дает крайне неудовлетворительные результаты.

Даже такое, на первый взгляд, простое понятие, как состояние запасов, требует достаточно разнообразного набора данных. Действительно, запасы включают не только имеющийся товар и ожидаемые заказы, но и будущие возвраты после ремонта, возвраты годных деталей, займы для других авиакомпаний и детали, переданные в аренду другим авиакомпаниям. Используя больше измерений по сравнению с классическими моделями оптимизации запасов, Lokad предоставляет результаты, которые гораздо точнее соответствуют особенностям конкретного бизнеса.

Сторонние данные, такие как значения MTBUR (среднее время между внеплановыми отключениями), предоставляемые OEM, также могут быть использованы. Однако, вместо того чтобы полагаться на единственный источник данных на 100%, наша технология предпочитает максимально использовать всю доступную информацию.

Если компонент был заменён более 100 раз, оценка MTBUR на основе исторических данных почти наверняка окажется точнее, чем прогноз от OEM. Но, с другой стороны, для компонента, который меняется очень редко, оценка от OEM является единственно релевантной информацией. Технология Lokad использует наилучшую комбинацию данных для минимизации финансовых затрат, связанных с неопределенностью.