Wie man die Nachfrage für industrielle MRO-Bedarfsartikel prognostiziert
Eine Maschine steht still. Das benötigte Ersatzteil hat eine OEM-Lieferzeit von 20 Wochen. Unregelmäßiger, ausfallgetriebener Verbrauch macht Standardprognoseverfahren unzuverlässig, daher benötigen Sie ein Framework, das auf Kritikalität und Ausfalldaten basiert.
Die meisten Beschaffungsteams scheitern daran, dass sie MRO-Prognosen wie Prognosen für Fertigwaren behandeln. Wir sehen die Folgen täglich: Einkäufer, die verzweifelt nach veralteten Komponenten suchen, während ihre SAP-Systeme gesunde Lagerbestände von Teilen anzeigen, die sie nie wieder verwenden werden.
Warum Standardprognosen für MRO-Ersatzteile versagen
Die Extrapolation des historischen Verbrauchs berücksichtigt nicht die unregelmäßige, ausfallgetriebene Natur industrieller Teile. Ein Teil, das nur alle 18 Monate ausfällt, folgt keiner Normalverteilungskurve.
Traditionelle Modelle für hochfrequente Transaktionen gehen von stetigen, wiederholbaren Käufen aus. Die MRO-Nachfrage ist anders. Wie Verusens Analyse der MRO-Nachfragetrends feststellt, ist die Nachfrage unregelmäßig und ausfallgetrieben, wodurch diese verbraucherbasierten Modelle unwirksam werden. Nicht Verbrauchsmuster, sondern Ereignisse der vorausschauenden Wartung sollten Ihre Prognosen steuern. Ohne diesen Wandel halten Sie entweder übermäßige Sicherheitsbestände oder laufen Gefahr, bei geschäftskritischen Komponenten einen Lagerausfall zu erleiden.
Beginnen Sie mit Kritikalität, nicht mit der Verbrauchshistorie
Die Priorisierung des Bestands auf Basis der Anlagenkritikalität ist der grundlegende Schritt. Ein Sensor für 50 $, der eine Produktionslinie stilllegt, ist wichtiger als ein Antrieb für 5.000 $ mit redundanter Absicherung. Klassifizieren Sie jedes Teil nach den betrieblichen Auswirkungen seines Ausfalls, bevor Sie ein Prognosemodell zuweisen.
Das widerspricht dem Instinkt, sich auf hochpreisige Artikel zu konzentrieren. Wenn eine Komponente kritisch ist, sollte ihre Prognose Verfügbarkeit über Lagerumschlag stellen.
Schritt 1: Klassifizieren Sie Ihren Bestand mit der ABC-XYZ-Analyse
Die ABC-XYZ-Klassifizierung ist das Rückgrat jedes ernsthaften MRO-Prognoseframeworks. Sie kombiniert den Verbrauchswert (ABC) mit der Nachfrageschwankung (XYZ).
ABC-Analyse ordnet Artikel nach dem jährlichen Verbrauchswert. XYZ-Analyse ordnet Artikel nach der Nachfrageschwankung. Ihre Schnittmenge zeigt Ihnen genau, wie jedes SKU zu steuern ist.
| Klasse | Nachfragemuster | Prognoseansatz | Nachschubstrategie |
| AX | Hoher Wert, stetige Nachfrage | Statistische Prognose, geringer Sicherheitsbestand | Regelmäßige Wiederbestellpunkte |
| AY | Hoher Wert, moderate Schwankung | Zeitreihen mit Glättung | Höherer Sicherheitsbestand, Trends überwachen |
| AZ | Hoher Wert, unregelmäßige Nachfrage | Ausfallgetriebene oder ML-Modelle | Bestandsniveaus basierend auf Kritikalität |
| BX | Mittlerer Wert, stetige Nachfrage | Einfacher gleitender Durchschnitt | Standard-Wiederbestellpunkte |
| CY | Niedriger Wert, variable Nachfrage | Manuelle Prüfung | Chargenbestellung |
| CZ | Niedriger Wert, unregelmäßige Nachfrage | Keine Prognose erforderlich | Bei Ausfall nachbestellen oder Request Board |
Dieses Framework hilft Ihnen, zu vermeiden, ein einziges Modell auf jedes SKU anzuwenden. Für CZ-Artikel ist Prognose eine Zeitverschwendung. Für AZ-Artikel ist sie eine Frage des operativen Überlebens.
Schritt 2: Ausfallgetriebene Nachfragesignale modellieren
Sobald Sie Ihren Bestand klassifiziert haben, ersetzen Sie verbrauchsbasierte Prognosen durch ausfallgetriebene. Der Auslöser für die Wiederbeschaffung sollte ein Wartungsereignis sein, nicht eine periodische Bestandsprüfung.
Das Ziel ist, Daten zur mittleren Zeit zwischen Ausfällen (MTBF) mit Ihren Wiederbeschaffungsauslösern zu verknüpfen. Wenn ein Servoantrieb eine bekannte MTBF von 5 Jahren hat und Sie 10 im Einsatz haben, sollten Sie mit ungefähr 2 Ausfällen pro Jahr planen. Dieser stochastische Modellierungsansatz ist weitaus genauer, als auf das zu schauen, was Sie im letzten Jahr gekauft haben. Forschung zu Prognosemethoden und -modellen für Wartungsbestände bestätigt, dass maßgeschneiderte Prognose-unterstützende Systeme die Ergebnisse im Wartungsbestandsmanagement verbessern.
Die Mathematik der ausfallgetriebenen Nachfrage
Für Komponenten mit einer konstanten Ausfallrate ist die Poisson-Verteilung das Standardmodell. Die Wahrscheinlichkeit, genau k Ausfälle in einem gegebenen Zeitraum zu beobachten, ist:
P(k) = (λ^k * e^-λ) / k!
Dabei ist λ die erwartete Anzahl von Ausfällen in diesem Zeitraum. Wenn Sie 10 Antriebe mit einer MTBF von 5 Jahren haben, beträgt Ihre erwartete Ausfallrate 2 pro Jahr. Die Wahrscheinlichkeit, in einem einzigen Jahr 3 oder mehr Ausfälle zu erleben, liegt bei ungefähr 32 %. Das ist kein Tail-Risk; über einen Horizont von 3 Jahren ist es nahezu sicher. Ihre Sicherheitsbestandsberechnung muss diese Varianz abdecken, nicht nur den Durchschnitt.
Ein häufiger Fehler ist, die Variabilität der Lieferzeit zu ignorieren. Ein Teil mit einer Lieferzeit von 20 Wochen erfordert andere Bestandsniveaus als eines mit einer Lieferzeit von 2 Wochen.
Die Formel für die Nachfrage während der Lieferzeit
Die Standardberechnung für den Wiederbestellpunkt unter Unsicherheit lautet:
Wiederbestellpunkt = (Erwartete tägliche Nachfrage × Lieferzeit in Tagen) + Sicherheitsbestand
Für ausfallgetriebene Teile ist die erwartete tägliche Nachfrage Ihre jährliche Ausfallrate geteilt durch 365. Der Sicherheitsbestand ist eine Funktion der Standardabweichung der Nachfrage während der Lieferzeit und Ihres gewünschten Servicegrads. Für einen Servicegrad von 95 % beträgt der z-Wert 1,65. Für 99 % beträgt er 2,33.
Betrachten Sie einen Siemens 6SE7021-8EB87-0AA1-Antrieb mit einer Lieferzeit von 20 Wochen vom OEM. Ihr Werk betreibt 12 dieser Antriebe, jeder mit einer dokumentierten MTBF von 6 Jahren. Ihre erwartete Ausfallrate beträgt 2 pro Jahr. Die Lieferzeit beträgt 140 Tage. Die erwartete Nachfrage während der Lieferzeit beträgt 0,77 Einheiten. Wenn die Standardabweichung der Nachfrage während der Lieferzeit 0,9 beträgt, ist Ihr Sicherheitsbestand für einen Servicegrad von 95 % 1,65 × 0,9 = 1,5 Einheiten. Aufrunden: Sie benötigen einen Wiederbestellpunkt von 2 Einheiten auf Lager. Wenn Sie nur 1 Stück vorrätig haben, besteht eine ungefähr 30%ige Wahrscheinlichkeit eines Lagerausfalls, bevor der Ersatz eintrifft.
Prognosen während der Volatilität der Lieferkette
Die obige Ausfallraten-Mathematik setzt eine stabile Lieferzeit voraus. Wenn globale Logistik gestört ist, kann sich eine Lieferzeit von 20 Wochen ohne Vorwarnung auf 30 oder 40 Wochen verlängern. Ihre Prognose muss einen Lieferzeit-Inflationsfaktor enthalten, der auf der aktuellen Lieferantenleistung basiert.
Wenn Ihr OEM 20 Wochen angegeben hat, aber bei den letzten drei Bestellungen 26 Wochen geliefert hat, beträgt Ihre Planungsdurchlaufzeit 26 Wochen und nicht 20. Berechnen Sie Ihren Meldebestand mit der tatsächlichen Durchlaufzeit neu.
Bei Teilen, die bereits als veraltet oder abgekündigt gekennzeichnet sind, erübrigt sich die Frage nach der Durchlaufzeit. Ihre Prognose sollte eine Beschaffungsentscheidung auslösen, bevor das letzte Teil verbraucht ist. Wenn Ihr Modell einen kritischen Antrieb mit einer effektiven Durchlaufzeit von 26 Wochen und nur 1 Stück auf Lager identifiziert, hat die Prognose ihren Zweck erfüllt. Der nächste Schritt ist das Finden einer verifizierten alternativen Quelle.
Schritt 3: Machine Learning für intermittierende Nachfrage nutzen
Standardstatistische Modelle versagen bei intermittierender Nachfrage. Machine-Learning-Algorithmen, insbesondere Support Vector Machines (SVM), haben sich bei der Bewältigung dieser sporadischen Nachfragemuster als wirksam erwiesen. Eine Fallstudie zu SVM für [MRO inventory(https://automa.net/blog/best-strategies-managing-mro-inventory) demand forecasting | researchgate.net] zeigt, wie diese Modelle mit den unregelmäßigen Daten umgehen, an denen traditionelle Methoden scheitern.
Für die meisten Werke liegen diese Daten im CMMS, im ERP und in den Wartungsprotokollen.
Die Lücke, die kein Algorithmus schließt: der Mensch im Prozess
Jedes in europäischen Werken eingesetzte ML-Modell hat denselben blinden Fleck: Es ignoriert das implizite Wissen von Instandhaltungstechnikern, die seit 15 Jahren an der Linie arbeiten. Sie wissen, dass der KUKA-Roboter an Linie 3 im August häufiger ausfällt, wenn die Umgebungstemperatur steigt.
Ein reiner ML-Ansatz behandelt diese Erkenntnisse als Rauschen. Ein Human-in-the-Loop-Ansatz behandelt sie als Merkmale.
Ein praktischer Workflow zur Kombination von ML-Ergebnissen mit dem Urteil der Techniker
Richten Sie ein monatliches Review-Meeting mit dem Instandhaltungsteam ein, nicht nur mit dem Einkauf. Prüfen Sie die ML-Prognose für die nächsten 90 Tage für Ihre 20 wichtigsten kritischen Teile. Stellen Sie eine Frage: Entspricht das dem, was Sie in der Produktion sehen?
Der VFD an der Verpackungslinie gibt seit zwei Wochen ein hohes Pfeifen von sich. Das Ersatzteil, das Sie für die CNC-Spindel eingelagert haben, hat die falsche Revision; die Maschine wurde letztes Jahr nachgerüstet. Das sind Nachfragesignale, die kein historischer Datensatz enthält, weil sie gerade jetzt auftreten.
Erfassen Sie diese Anpassungen im CMMS als strukturierte Notizen. Mit der Zeit bauen Sie einen Feedback-Loop auf: Das ML-Modell lernt aus den Korrekturen des Technikers, und der Techniker sieht, dass sich sein Input in einer besseren Teileverfügbarkeit widerspiegelt.
Die Daten, die Sie benötigen, damit ML funktioniert
Bevor Sie in ein ML-Tool investieren, prüfen Sie die Qualität Ihrer Daten. Der minimal brauchbare Datensatz für ein einzelnes Teil umfasst:
- Datum und Uhrzeit des Ausfalls
- Anlagenkennzeichen und Standort
- Teilenummer und Hersteller
- Fehlermodus (aus Ihren CMMS-Codes)
- Instandhaltungsmaßnahme durchgeführt (Reparatur vs. Austausch)
- Lieferzeit von der Bestellung bis zum Wareneingang
- Techniker-Notizen (Freitext)
Die meisten Werke haben diese Daten verstreut über das CMMS, das ERP und Excel-Tabellen. Das ML-Modell ist nur so gut wie Ihre Fähigkeit, diese Tabellen zusammenzuführen. Beginnen Sie damit, Ihre Fehlercodes zu standardisieren und das Instandhaltungsteam dazu zu verpflichten, aus einem Dropdown-Menü auszuwählen, statt Freitext einzugeben.
Wann ML das falsche Werkzeug ist
Für CZ-klassifizierte Teile mit nahezu null Verbrauch bringt ML nichts. Die Nachfrage ist so spärlich, dass kein Algorithmus ein Muster erkennen kann. Die richtige Prognose ist einfach: bei Ausfall nachbestellen oder bei Eintritt des Ausfalls ein Marktplatz-Anfrageboard nutzen.
Für AZ-Teile mit einer echten Ausfallhistorie zahlt sich ML aus. Aber wenn Ihre MTBF-Daten unzuverlässig sind, weil Instandhaltungsereignisse zwei Jahre lang nicht erfasst wurden, erzeugt das Modell selbstbewussten Unsinn.
Schritt 4: BOM-Analyse für die Instandhaltungsbeschaffung anwenden
Die BOM-Analyse für die Instandhaltungsbeschaffung hilft Ihnen zu verstehen, welche Komponenten über mehrere Anlagen hinweg gemeinsam genutzt werden. Wenn eine einzelne Teilenummer in 15 verschiedenen Maschinen-BOMs auftaucht, ist ihre Kritikalität höher, als ihre individuelle Ausfallrate vermuten lässt.
Sie können die Nachfrage für ein Teil, das im Katalog Ihres Lieferanten nicht mehr existiert, nicht prognostizieren, aber Sie können das Risiko prognostizieren, es zu benötigen. Dieses Risiko sollte eine Entscheidung auslösen: eine verifizierte Alternative finden, die letzten verfügbaren Einheiten auf Lager legen oder eine Nachrüstung planen.
Die Luftfahrt-MRO-Umfrage von Oliver Wyman hebt hervor, dass die Belastung der Lieferkette branchenübergreifend zunimmt, wobei die Prognose der Nachfrage nach Ersatzteilen zu einer Priorität im Kostenmanagement wird. Für obsolet gewordene Teile ist der Prognosehorizont kein Quartal. Es ist die verbleibende Lebensdauer der Anlage.
Schritt 5: Verwaltung des Lagerbestands obsoleter Automatisierungskomponenten
Obsolete Bestände erfordern einen anderen Entscheidungsrahmen als aktive Lagerbestände. Das Ziel ist, sowohl die Kosten für die Haltung von Ladenhütern als auch die Kosten für einen Maschinenstillstand ohne verfügbare Ersatzteile zu minimieren.
Für Komponenten in aktiven Produktionsanlagen stellt sich die Frage, ob der letzte Beschaffungszeitpunkt bevorratet oder eine verifizierte Alternative gesucht werden soll. Für bereits ersetzte Komponenten sollte überschüssiger Bestand monetarisiert werden statt abgeschrieben zu werden. Wenn Ihre Prognose ein Teil aufgrund von Obsoleszenz als hohes Risiko identifiziert, ist die Lösung kein besseres statistisches Modell. Es ist eine verifizierte Quelle für das physische Teil.
Der Prognoserahmen in der Praxis
Der vollständige Rahmen ist unkompliziert: nach Kritikalität klassifizieren, anhand von Ausfalldaten modellieren, ML auf intermittierende Nachfrage anwenden und BOM-Analysen nutzen, um gemeinsame und obsolet gewordene Komponenten zu erkennen. Das Ergebnis ist eine Reihe von Nachschubauslösern und Beschaffungsstrategien, die auf jede Bestandsklasse zugeschnitten sind.
| Schritt | Maßnahme | Ergebnis |
| 1 | ABC-XYZ-Klassifizierung | Bestandssegmentierung |
| 2 | Ausfallgetriebene Bedarfsmodellierung | MTBF-basierte Nachschubauslöser |
| 3 | ML für intermittierende Nachfrage | Verbesserte Prognosegenauigkeit bei kritischen Ersatzteilen |
| 4 | BOM-Analyse | Risikoübersicht für gemeinsame Komponenten und Obsoleszenz |
| 5 | Strategie für veraltete Bestände | Entscheidungen zwischen Letztkauf und verifizierter Alternative |
Die Zahlen zeigen, warum das wichtig ist. Die weltweiten Ausgaben für Aviation-MRO werden laut der MRO-Ausgabenprognose der IATA bis 2034 voraussichtlich 119 Milliarden US-Dollar erreichen, und die globale Flugzeugflotte wird laut der Flottenwachstumsanalyse von Oliver Wyman bis 2036 voraussichtlich um 37 % wachsen. Der Druck auf die Verfügbarkeit von Ersatzteilen nimmt weiter zu.
Der schwierige Teil ist nicht die Prognosemethode. Wenn Ihre Analyse ein veraltetes Antriebsteil mit einer Vorlaufzeit von 20 Wochen meldet, brauchen Sie keine besseren Daten. Sie brauchen heute eine verifizierte Quelle für das physische Teil. Genau hier verbindet AutomaSEARCH Ihre Prognose mit realem, lagerndem Bestand über ein verifiziertes Lieferantennetzwerk.
Häufig gestellte Fragen
Wie unterscheiden Sie zwischen unabhängiger und abhängiger Nachfrage für MRO-Teile?
Die unabhängige Nachfrage nach MRO-Teilen entsteht durch unvorhersehbare Ereignisse wie Maschinenausfälle oder vorbeugende Wartungspläne. Die abhängige Nachfrage ist an einen bestimmten Produktionsplan gebunden, etwa einen Filter, der jedes Mal gewechselt wird, wenn eine Maschine einen Batch fährt. Behandeln Sie sie für die Prognose getrennt: Verwenden Sie Ausfalldaten und Wartungspläne für die unabhängige Nachfrage und verknüpfen Sie die abhängige Nachfrage direkt mit Ihrer Produktionsprognose.
Was sind die größten Herausforderungen bei der Nachfrageprognose für abgekündigte SPS- und Antriebskomponenten?
Für abgekündigte Komponenten gibt es keine historischen Verbrauchsdaten und keine vorhersehbare Ausfallrate. Die größten Herausforderungen sind lange Vorlaufzeiten (oft 20 Wochen oder mehr), das Risiko von Fehlbeständen an einer kritischen Maschine und die hohen Lagerhaltungskosten für ein Teil, das möglicherweise nie verwendet wird. Hier erfordert die Verwaltung veralteter Bestände einen anderen Ansatz als die Standardprognose.
Wie beeinflusst die Kritikalität einer Maschine die MRO-Bestandsprognose?
Die Kritikalität einer Maschine bestimmt die Kosten eines Fehlbestands. Bei einer kritischen Maschine übersteigen die Kosten eines Stillstands die Lagerhaltungskosten eines Ersatzteils bei Weitem. Ihre Prognose muss diese Artikel mit höherem Sicherheitsbestand und schnelleren Nachschubauslösern priorisieren. Bei nicht kritischen Maschinen können Sie ein höheres Fehlbestandsrisiko akzeptieren und niedrigere Lagerbestände halten.