对于我们的 MRO 活动（维护、维修与大修），我们在对市面上的库存优化解决方案进行深入分析后，选择了 Lokad。Lokad 采取了基于合作关系的方法，提供出色的反应能力、适应能力和高性能的解决方案，所以我们放心将全球各地客户的飞机备用零部件设备的库存优化工作委托给他们来做。Lokad 面对我们的需求采取了原创、智能的方法，成功达到了我们的期望，也适应我们这个行业的复杂度。
Olivier Mazzucchelli，德国汉堡 Spairliners 公司首席执行官
航空航天库存预测
飞机需要使用各种各样的部件才能运转，这些部件中既有可维修的高成本部件，也有快速消费品。除了某些部件相当昂贵外，如果不备好必要的部件，那么可能导致代价高昂的 AOG（飞机停航待修）事件。Lokad 提供了一种统计软件解决方案，能够针对航线、MRO（维护、维修与大修）和 OEM（原始设备制造商）进行需求预测，从而提供深度库存优化。
Spairliners（法航与汉莎技术公司的合资企业）是备用零部件设备的全球领导者，该公司负责维护空客 A380 与 Embraer Ejet 机队。
传统方法对于航空航天捉襟见肘
根据经验，只要是涉及备用部件，传统库存优化方法表现往往不如人意。另外，Lokad 在航空航天领域的工作经验表明，传统方法在这个特定领域的表现其实糟糕得多。
某些部件的成本极高、交付周期长、偶尔发生故障、缺货成本过高等等更是进一步放大了传统库存优化的种种不足。
具体来说，针对 MAD（平均绝对偏差）或 MAPE（平均绝对比例误差）等指标进行优化的时序预测并不能正确反映航空航天领域中高估和低估之间高度不对称的成本。
基于正态分布或泊松分布的传统安全库存分析也表现欠佳。基于正态分布或泊松分布的传统安全库存分析也表现欠佳，因为根据我们进行的数据观察，发现需求模式其实并不遵循这些模式。同样，ABC 分析也无效，因为在捕捉很多定义现代飞机所需的部件或耗材的不同尺度时，无法一一将所有部件划分到少数几个库存类别。
除去传统模式所采用的假设与航空航天领域的实际情况不相符外，我们还发现，传统方法过于依赖大量的手工修正。这样常常导致未考虑投入在库存优化上面的人力资本，而只考虑了用以保持日常运作的 IT 系统的资本。有些软件设计模式（例如“警告”）也往往会使情况进一步恶化，因为此类模式导致团队将重点放到日常的表面修复上面，而不是放到找出根本原因从而提供稳定持久的解决方案上面。
如有任何垂询，敬请通过 contact@lokad.com 联系我们。
重新思考航空公司预测库存所需的计算机制。
航空航天需求模式需要执行非传统预测
Lokad 的分析技术在设计时以航空航天领域的推动力作为核心。我们没有再利用针对其他行业设计的预测模式及库存模式，而是另外研发内置了航空航天工业特性的统计方法。Lokad 的预测模式反映了所有由机队驱动的因素，我们不只是单纯反映时序之外经过修正的线性系数，而是反映从根本上说明需求本身的多种变量。需求的第一个推动因素就是服务于机队的需求。这个机队的规模可能会扩大，也可能会缩小。飞行时间和飞行周期也可能随着时间发生变化。有些维护作业是按计划执行的，有些维护作业则是计划外的。Lokad 的预测模式反映了所有这些由机队驱动的因素，我们不只是单纯反映时序之外经过修正的线性系数，而是反映从根本上说明需求本身的多种变量。 此外对于重要部件而言，“一般水平”的需求并没有多少，很多是峰值需求，即最影响服务水平的需求最高点。传统方法依赖于正态分布或泊松分布，在所有估算中都引入了系统性偏差。Lokad 的技术则是对需求进行高级分位数预测分析。分位数观点对于准确预测未来的需求峰值及其相应概率不可或缺。
另外，不只需求不确定，交付周期同样不确定。可维修的高成本部件不只涉及一个交付周期，而是涉及从组件更换到重新供应维修后部件的整个流程。完整的交付周期包括许多阶段：修理准备时间、采购时间、运输时间、接收时间、TAT（在 MRO 或 OEM 处的检查时间，适用时还有维修周转时间）、卸货和库存移动时间、车间加工时间等等。对平均数或中位数的交付周期建模是远远不足的；Lokad 的技术是直接对完整的延迟分布（即发生任何指定延迟的概率）建模。
最后，需求中还存在许多极其特殊的模式，对于这些模式需要采取相应的原生统计。举个例子，翻新时会在历史记录中引入需要予以考虑的多项偏差。另外，多种版型共存的部件还涉及互换规则，是完全可互换还是只能单向互换，这些使得问题变得愈发复杂。与传统方法不同，传统方法试图用时序解决所有问题，我们的技术则是通过专门针对这些挑战量身定制的统计模式来深入解决问题。
重新思考负责库存的从业者的用户体验。
统筹库存优化与航空航天成本
为了避免 AOG（飞机停航待修）事件，必须对部件进行维修，但就这个方面而言，并非所有部件都是同等的。一个部件是否有必要具备 No-Go、Go-If 和 Go 变量对未供应必要部件的成本影响极大。许多解决方案对按照百分比（例如 MAPE：平均绝对比例误差）或按照某些其他任意单位（例如 MAD：平均绝对偏差）表示的指定预测误差进行了不当优化。相反，我们的技术核心则是最大限度降低预测误差金额。我们的方法与对财务变量“视而不见”的传统统计系统截然不同。在航空航天工业中高估和低估所涉及的成本极不对称，这一点对我们的技术影响很大。顾名思义，可维修的高成本部件不仅价格昂贵，而且对于航空公司的每次采购具有“棘轮”效应。实际上，由于许多部件的废品率极低，所以所采购的任何部件将在库存中保存多年。虽然有时可以转售部件，但相比原始价格来说其折扣价要低得多。因此，我们的预测有意引入了原生的偏差，从而准确反映这些非对称的商业情形。我们的目标并非从抽象的统计角度提供最佳库存估计，而是做出实用的估计，来帮助企业最大限度降低因估计不准确而导致的成本。
此外，如果不需要多持有存货就能实现更高的服务水平自然是好，但传统解决方案是面向任意服务水平，并且常常采用 ABC 分析或其他类似的变化形式来进行原生库存分类。我们的统计技术的核心则是迎接挑战，充分利用投入库存中的每一分钱。举例来说，即使一种部件的服务水平只有 90%，而公司寻求的总体服务水平是 98%，那么如果这种部件的成本要低 100 倍，并且比另一种部件的需求频率高 100 倍的话，将另一种部件的服务水平由 98% 提高到 99% 会更有利。ABC 分析过于简化了航空航天库存情况，在这方面必须考虑多种不同因素，例如单价、供应延迟、必要性、AOG 采购开销、ATA 条款、潜在的过时等等。
Lokad 不会提供“精确但不正确的”数据，而是力求提供“接近于真实”的数据。在预测模式中纳入所有财务和运营限制虽然很有挑战，但我们发现，依赖于对这些因素“视而不见”的传统方法只会产生极不准确的结果。
重新思考与客户的关系以提供预期的 ROI。
面向航空航天的大数据方法
我们的技术基于的原则是：在有数据可用，并且数据与相应的库存优化问题相关的情况下，将尽可能利用更多的数据。这种观点与“严重”依赖于特定数据的传统方法截然不同。实际上，如果因故无法提供一定量的数据，这种情况将无从处理，并且在缺乏某些数据时预测质量理论上也会大幅降低。通过运用比传统库存优化模式更多的尺度，Lokad 能够提供更接近于商业实际情形的结果。Lokad 库存优化可以利用的数据很多。最常用的数据包括部件采购历史记录、部件申请次数、部件更换次数、维修次数、报废、部件返回次数等等。此外通常还会利用有关机队的说明、机队的历史组合、所有相关的飞行时间和飞行周期。最后，与部件（或耗材）本身相关的数据及其属性，例如重要性、ATA 条款、严重程度、体积大小、危险程度对于库存优化也很重要。此外，关于部件采购成本，是以更低的价格大宗采购还是在面临 AOG 问题时高价采购，也是提高预测模式“财务”准确度的一些重要因素。
即便简单如存货状态，也需要使用相对不同的数据集。库存不仅包括现有存货和订购存货，也包括将来维修返回的项目、返回的可维修部件、借给其他航空公司的部件以及从其他航空公司借来的部件。通过运用比传统库存优化模式更多的尺度，Lokad 能够提供更接近于商业实际情形的结果。
由 OEM 提供的第三方数据如 MTBUR 值（非例行拆换平均时间）当然也可以加以利用。但我们的技术不会完全依赖单一数据源，而是会充分利用所有可用的数据。
如果某个组件更换超过 100 次，基于历史数据的 MTBUR 估计值几乎总比 OEM 估计值准确。另一方面，对于很少更换的组件，OEM 估计值将是唯一相关的信息。Lokad 技术会利用必要信息的最佳组合，来最大限度降低因不确定导致的财务成本。