Air France Industries — это подразделение AIR FRANCE KLM, которое отвечает за MRO и обслуживает более 200 клиентов — международные, региональные, грузовые авиакомпании и т. д.
Lokad представила новый инструмент — инновационный и универсальный. Кроме того, компания Lokad поделилась с Air France Industries своим опытом в оптимизации запасов и управлении цепями поставок, тем самым не просто предоставила хорошее ИТ-решение, но фактически ввела целый процесс консультирования, на который может опираться наша команда.
Шарль Сегонда, руководитель отдела материально-технического обеспечения, Air France Industries
Spairliners — это мировой лидер по поставке запчастей и техобслуживанию самолетов Airbus A380 и Embraer Ejet.
Мы выбрали Lokad после глубокого анализа доступных систем оптимизации запасов для нашей сферы деятельности (техобслуживание, ремонт и капитальный ремонт). Компания Lokad ориентирована на работу с партнерами, и она быстро реагирует на все наши запросы. Это, а также усердная работа над своей системой говорят о том, что им можно доверить оптимизацию запасов деталей самолетов для наших клиентов по всему миру. Lokad успешно претворяет в жизнь ожидания клиентов, несмотря на сложность нашей сферы деятельности, благодаря оригинальному и рациональному подходу к проблеме.
Оливье Маццуккелли, генеральный директор Spairliners, Hamburg, Germany
Посмотрите наши интервью на Lokad TV и узнайте больше о цепях поставок в авиации.
Как правило, классические подходы к оптимизации товарных запасов работают плохо, если речь идет о запчастях. Кроме того, компания Lokad сотрудничает с авиакомпаниями уже длительное время, и мы знаем, что именно в этой сфере ситуация еще хуже, чем в других.
Высокая стоимость некоторых деталей, длительное время выполнения заказов, редкие сбои в работе машин и огромные неустойки в случае отсутствия товара только усугубляют недочеты классической оптимизации товарных запасов.
В частности, прогнозирование временных рядов по MAD (среднее абсолютное отклонение) и MAPE (средняя абсолютная ошибка в процентах) для авиации в нужной степени не отражает высокую асимметричность убытков, возникающих вследствие чрезмерно высоких или низких прогнозов.
Классический анализ резервного запаса на основе нормального или пуассоновского распределения также дает плохие результаты.
Классический анализ резервного запаса на основе нормального или пуассоновского распределения также дает плохие результаты, потому что получаемые данные отражают только то, что колебания спроса не подчиняются этим моделям. Точно так же терпит неудачу и ABC-анализ. Распределение товарных запасов по категориям себя не оправдывает, поскольку не учитывается множество различных факторов, определяющих, какие детали или расходные материалы необходимы современным самолетам.
Помимо расхождений между предположениями, построенными на основе классических моделей, и реальной ситуацией в авиакомпаниях мы обнаружили, что классические подходы очень сильно зависят от огромного количества корректировок, вносимых вручную. Это часто приводит к тому, что труд персонала, работающего над оптимизацией товарных запасов, не приносит компании выгоду, а полностью поглощается информационными системами, чтобы последние могли хотя бы выполнять рутинные операции. Некоторые особенности ПО, например «предупреждения», также усложняют ситуацию, поскольку привлекают внимание сотрудников к поверхностным вопросам, вместо того чтобы те могли заниматься действительно важными проблемами для обеспечения стабильной работы системы. При возникновении вопросов пишите нам на contact@lokad.comГлубокое переосмысление системы вычислений для прогнозирования товарных запасов в авиации.
Аналитическая технология компании Lokad создавалась при участии работников авиационной отрасли. Вместо переработки моделей прогнозирования и товарных запасов, созданных для других сфер деятельности, компания Lokad разработала альтернативные статистические методы, изначально учитывающие авиационную специфику.
Модели прогнозирования Lokad отражают все факторы, связанные с управлением флотом воздушных судов. Причем решение заключается не в корректировочных линейных коэффициентах, применяемых к временным рядам, а в переменных, которые напрямую описывают глубинную природу спроса.
В первую очередь, спрос определяется необходимостью обслуживания целого флота воздушных судов. При этом флот может увеличиваться или уменьшаться. Соотношение часов налета и взлетно-посадочных циклов также со временем меняется. Некоторые работы по техобслуживанию являются плановыми, а некоторые — внеплановыми. Модели прогнозирования Lokad отражают все факторы, связанные с управлением флотом воздушных судов. Причем решение заключается не в корректировочных линейных коэффициентах, применяемых к временным рядам, а в переменных, которые напрямую описывают глубинную природу спроса. Кроме этого, «средний» уровень спроса не так уж важен по сравнению с пиками, то есть с моментами резкого повышения спроса, которые больше всего влияют на уровень обслуживания. В классических прогнозах, которые основываются на нормальном или пуассоновском распределении, всегда возникает систематическая ошибка.
В основе технологии Lokad лежит высокоэффективный квантильный анализ спроса. Квантильный подход позволяет точно спрогнозировать будущие всплески спроса и их вероятность.
Далее необходимо предсказать не только уровень спроса, но и время выполнения заказов. Для дорогих запчастей нужно учитывать не только время выполнения заказа, но весь остальной цикл: от снятия детали до ее получения в отремонтированном/восстановленном виде.
Общее время выполнения заказа включает в себя множество моментов: организационная подготовка, период между закупкой и получением товара, время перевозки, время приема, время обработки заказа (продолжительность приемочного контроля на MRO или OEM и в определенных случаях сроки выполнения ремонтных работ), время на разгрузку и перемещение складских запасов, время обслуживания и т. д. Расчет среднего времени выполнения заказа во многом несостоятелен, а технология Lokad позволяет сразу же смоделировать всю структуру общей задержки: вероятность возникновения задержек по каждой из возможных причин.
Наконец, замечено, что спрос изменяется очень специфически, и это приводит к необходимости создания отдельного статистического алгоритма. Например, модернизация приводит к возникновению множества систематических отклонений в истории, которые необходимо учитывать. Кроме того, различные условия взаимозаменяемости деталей (полностью взаимозаменяемые, взаимозаменяемые только в одном направлении и т. д.) еще больше усложняют картину. В отличие от классических подходов, при которых все факторы необходимо втиснуть во временные ряды, наша технология решает эти вопросы на глубинном уровне посредством статистических моделей, созданных специально для подобных ситуаций.
Глубокое переосмысление работы сотрудников, ответственных за поддержание запасов.
Во избежание происшествий с воздушными судами на аэродроме (AOG) необходимо проводить техобслуживание большого числа деталей, однако разные детали и в этом отношении неравны. Классификация деталей по степени важности (компоненты, при неисправности которых самолет не допускается к полету / может быть не допущен к полету и т. д.) определяет размер убытков, понесенных вследствие отсутствия необходимой детали.
Многие системы неправильно оптимизируют ошибку прогнозирования, выраженную в процентах (например: MAPE, средняя абсолютная ошибка в процентах) или в каких-либо других единицах (например: MAD, среднее абсолютное отклонение).
Наша технология в своей основе разрабатывалась таким образом, чтобы снижать стоимость ошибок прогнозирования в долларах. Это ключевое отличие нашего подхода от классических статистических систем, которые просто «не видят» финансовую зависимость.
Расходы, понесенные вследствие чрезмерно высоких или низких прогнозов, в сфере авиации крайне асимметричны, и это на глубочайшем уровне отражено в нашей технологии. Дорогостоящие запчасти не просто требуют больших затрат — они создают «инерционный» эффект для всех закупок авиакомпании. Процент брака у большинства деталей крайне невелик, поэтому приобретенные товары могут храниться в запасах в течение многих лет. Кроме того, иногда компании перепродают детали, и тогда они уходят по сильно сниженной цене по сравнению с первоначальной стоимостью. Таким образом, в наши прогнозы изначально и целенаправленно вводятся ошибки, которые позволяют отразить асимметричность ситуации. Цель этого — не получить идеальные оценки уровня товарных запасов с абстрактной статистической точки зрения, но получить оценки, которые действительно помогают сократить расходы, связанные с неточностью самих оценок.
Кроме того, повышение вероятности обслуживания — это положительное явление, если при этом не увеличивается объем товарных запасов, однако классические прогнозы работают с довольно произвольными значениями вероятности обслуживания, зачастую основанными на наивной классификации товарных запасов, такой как АВС-анализ или других подобных моделях. В целом, наша статистическая технология направлена на то, чтобы получить максимум выгоды от каждого доллара, вложенного в товарные запасы. Например, даже если требуемая вероятность обслуживания для детали составляет 90 %, а компания стремится к общей вероятности обслуживания в 98 %, эффективнее будет поднять вероятность обслуживания для другой детали с 98 до 99 %, если этот предмет стоит в 100 раз дешевле и требуется в 100 раз чаще, чем первый. ABC-анализ чрезмерно упрощает понимание структуры товарных запасов для авиации, где необходимо учитывать такие факторы, как стоимость наименования и необходимость его наличия, задержки в поставке, фактическое время прибытия, потенциальное устаревание, а также то, была ли покупка запланирована, и т. д.
Вместо того чтобы выдавать «точные, но неверные» данные, Lokad старается получить «приблизительно правдивую» информацию. Включить все финансовые и рабочие ограничения в модели прогнозирования было очень трудно, однако мы заметили, что использование классических подходов, не учитывающих эти факторы, дает слишком плохие результаты.
Глубокое переосмысление отношений с клиентами для получения ожидаемого экономического эффекта.
В основе нашей технологии лежит принцип, который гласит, что для оптимизации наличных товарных запасов нужно обрабатывать как можно больше доступных и актуальных данных за как можно большее время. Данная точка зрения отличается от классических подходов, которые «сильно» зависят от конкретных данных. Если по какой-либо причине некоторые данные недоступны, справиться с ситуацией становится невозможно, и в лучшем случае показатель качества прогноза при недостатке данных должен быть снижен.
Благодаря использованию большего количества коммерческих факторов по сравнению с классическими моделями оптимизации товарных запасов Lokad получает гораздо более реалистичные результаты.
Lokad может обрабатывать множество данных для оптимизации товарных запасов. Чаще всего используются истории закупок деталей, запросы на детали, замена комплектующих, ремонтные работы, брак и возврат деталей.
Далее идут описание флота воздушных судов и его исторический состав, а также все актуальные часы налета и циклы взлета-посадки. Наконец, обрабатываются непосредственно данные о деталях (или расходных материалах) и их свойствах — тип по классификации ATA, необходимость наличия, габаритность, опасность — которые также важны для оптимизации товарных запасов.
Кроме того, для повышения «финансовой» точности моделей прогнозирования важно учитывать расходы на покупку деталей как оптом по низкой цене, так и по высокой цене при проблемах с воздушным судном на аэродроме.
Даже такие, на первый взгляд, простые вещи, как состояние запасов, требуют использования довольно разнообразных наборов данных. Запасы включают в себя не только наличные запасы и заказанные товары, но также и будущие возвраты на ремонт, возвраты обслуживаемых деталей, товары, позаимствованные или переданные другим авиакомпаниям.
Благодаря использованию большего количества коммерческих факторов по сравнению с классическими моделями оптимизации товарных запасов Lokad всегда дает гораздо более реалистичные результаты.
Также можно обрабатывать данные третьих сторон, например значения MTBUR (среднее время работы между внеплановыми ремонтами), предоставляемые производителями оригинальных запчастей. Мы предпочитаем не полагаться всецело только на один источник, а использовать все доступные данные.
Если деталь заменялась более 100 раз, ожидаемый показатель MTBUR, рассчитанный на основе исторических данных, скорее всего, будет точнее, нежели данные производителя. С другой стороны, если деталь заменяется очень редко, оценки OEM являются единственным пригодным источником данных. Технология Lokad позволяет обрабатывать наилучшие наборы данных, необходимые для минимизации финансовых расходов.
