Come prevedere la domanda di forniture MRO industriali

Una macchina è ferma. Il pezzo di ricambio di cui hai bisogno ha un lead time OEM di 20 settimane. Il consumo intermittente, guidato dai guasti, rende inaffidabili i metodi di previsione standard, quindi ti serve un framework basato sulla criticità e sui dati di guasto.

La maggior parte dei team di approvvigionamento fallisce perché tratta le previsioni MRO come le previsioni dei prodotti finiti. Vediamo ogni giorno le conseguenze: buyer che si affannano per componenti obsoleti mentre i loro sistemi SAP mostrano livelli di stock sani di parti che non utilizzeranno mai più.

Perché le previsioni standard falliscono per i ricambi MRO

L'extrapolazione del consumo storico non tiene conto della natura intermittente e guidata dai guasti dei componenti industriali. Un componente che si guasta una volta ogni 18 mesi non segue una curva di distribuzione normale.

I modelli tradizionali ad alta frequenza delle transazioni presuppongono acquisti costanti e ripetibili. La domanda MRO è diversa. Come osserva l'analisi di Verusen sulle tendenze della domanda MRO, la domanda è intermittente e guidata dai guasti, rendendo inefficaci quei modelli basati sui consumatori. Sono gli eventi di manutenzione predittiva, non i modelli di consumo, a dover guidare le tue previsioni. Senza questo cambiamento, manterrai scorte di sicurezza eccessive oppure affronterai il rischio di stock-out su componenti mission-critical.

Inizia dalla criticità, non dallo storico dei consumi

Dare priorità all'inventario in base alla criticità dell'asset è il passo fondamentale. Un sensore da 50 $ che ferma una linea di produzione è più importante di un drive da 5.000 $ con un backup ridondante. Classifica ogni componente in base all'impatto operativo del suo guasto prima di assegnare qualsiasi modello di previsione.

Questo contraddice l'istinto di concentrarsi sugli articoli di alto valore. Se un componente è critico, la sua previsione dovrebbe privilegiare la disponibilità rispetto al turnover di magazzino.

Passo 1: Classifica il tuo inventario con l'analisi ABC-XYZ

La classificazione ABC-XYZ è la spina dorsale di qualsiasi framework serio di previsione MRO. Combina il valore del consumo (ABC) con la variabilità della domanda (XYZ).

L'analisi ABC classifica gli articoli in base al valore del consumo annuo. L'analisi XYZ classifica gli articoli in base alla variabilità della domanda. La loro intersezione ti dice esattamente come gestire ogni SKU.

Questo framework ti aiuta a evitare di applicare un unico modello a ogni SKU. Per gli articoli CZ, fare previsioni è una perdita di tempo. Per gli articoli AZ, è una questione di sopravvivenza operativa.

Passo 2: segnali di domanda guidati dai guasti del modello

Una volta classificato il tuo inventario, sostituisci le previsioni basate sul consumo con quelle guidate dai guasti. Il trigger per il riapprovvigionamento dovrebbe essere un evento di manutenzione, non un controllo periodico delle scorte.

L'obiettivo è collegare i dati sul tempo medio tra i guasti (MTBF) ai trigger di riapprovvigionamento. Se un servoazionamento ha un MTBF noto di 5 anni e ne hai 10 in esercizio, dovresti pianificare circa 2 guasti all'anno. Questo approccio di modellazione stocastica è molto più accurato che guardare ciò che hai acquistato l'anno scorso. La ricerca sui metodi di previsione e sui modelli per l'inventario di manutenzione conferma che sistemi di supporto alle previsioni su misura migliorano i risultati della gestione dell'inventario di manutenzione.

La matematica della domanda guidata dai guasti

Per i componenti con un tasso di guasto costante, la distribuzione di Poisson è il modello standard. La probabilità di osservare esattamente k guasti in un dato periodo è:

P(k) = (λ^k * e^-λ) / k!

Dove λ è il numero atteso di guasti in quel periodo. Se hai 10 azionamenti con un MTBF di 5 anni, il tuo tasso di guasto atteso è 2 all'anno. La probabilità di avere 3 o più guasti in un singolo anno è circa il 32%. Non si tratta di un rischio di coda; è quasi una certezza su un orizzonte di 3 anni. Il calcolo della tua scorta di sicurezza deve coprire questa variabilità, non solo la media.

Un errore comune è ignorare la variabilità del lead time. Un componente con un lead time di 20 settimane richiede livelli di scorta diversi rispetto a uno con un lead time di 2 settimane.

La formula della domanda durante il lead time

Il calcolo standard del punto di riordino in condizioni di incertezza è:

Punto di riordino = (domanda giornaliera attesa × lead time in giorni) + scorta di sicurezza

Per i componenti guidati dai guasti, la domanda giornaliera attesa è il tasso di guasto annuo diviso per 365. La scorta di sicurezza è funzione della deviazione standard della domanda durante il lead time e del livello di servizio desiderato. Per un livello di servizio del 95%, lo z-score è 1,65. Per il 99%, è 2,33.

Considera un azionamento Siemens 6SE7021-8EB87-0AA1 con un lead time di 20 settimane dall'OEM. Il tuo impianto utilizza 12 di questi azionamenti, ciascuno con un MTBF documentato di 6 anni. Il tuo tasso di guasto atteso è 2 all'anno. Il lead time è di 140 giorni. La domanda attesa durante il lead time è 0,77 unità. Se la deviazione standard della domanda durante il lead time è 0,9, la tua scorta di sicurezza per un livello di servizio del 95% è 1,65 × 0,9 = 1,5 unità. Arrotonda per eccesso: ti serve un punto di riordino di 2 unità disponibili a magazzino. Se ne tieni in stock solo 1, hai circa il 30% di probabilità di andare in stock-out prima che arrivi il ricambio.

Previsioni durante la volatilità della supply chain

La matematica del tasso di guasto sopra assume un lead time stabile. Quando la logistica globale viene interrotta, un lead time di 20 settimane può allungarsi a 30 o 40 settimane senza preavviso. La tua previsione deve includere un fattore di inflazione del lead time basato sulle prestazioni attuali del fornitore.

Se il tuo OEM ha quotato 20 settimane ma ha consegnato in 26 per gli ultimi tre ordini, il tuo lead time di pianificazione è di 26 settimane, non 20. Ricalcola il tuo punto di riordino con il lead time effettivo.

Per i componenti già segnalati come obsoleti o a fine vita, la questione del lead time diventa irrilevante. La tua previsione dovrebbe attivare una decisione di approvvigionamento prima che venga consumata l'ultima unità. Quando il tuo modello identifica un drive critico con un lead time effettivo di 26 settimane e solo 1 unità a magazzino, la previsione ha fatto il suo lavoro. Il passo successivo è trovare una fonte alternativa verificata.

Passo 3: usare il Machine Learning per la domanda intermittente

I modelli statistici standard falliscono sulla domanda intermittente. Gli algoritmi di machine learning, in particolare le Support Vector Machines (SVM), si sono dimostrati efficaci nell'affrontare questi pattern di domanda sparsi. Un caso di studio sulle SVM per la previsione della domanda di [MRO inventory(https://automa.net/blog/best-strategies-managing-mro-inventory) | researchgate.net] dimostra come questi modelli gestiscano i dati irregolari che mettono in crisi i metodi tradizionali.

Per la maggior parte degli impianti, questi dati si trovano nel CMMS, nell'ERP e nei registri di manutenzione.

Il divario che nessun algoritmo colma senza l'intervento umano

Ogni modello ML implementato negli impianti europei condivide lo stesso punto cieco: ignora la conoscenza tacita dei tecnici di manutenzione che hanno lavorato sulla linea per 15 anni. Sanno che il robot KUKA sulla linea 3 si guasta più spesso in agosto, quando la temperatura ambiente aumenta.

Un approccio puramente ML tratta queste informazioni come rumore. Un approccio human-in-the-loop le tratta come caratteristiche.

Un flusso di lavoro pratico per combinare l'output del ML con il giudizio dei tecnici

Organizza una riunione di revisione mensile con il team di manutenzione, non solo con gli acquisti. Esamina la previsione ML per i prossimi 90 giorni per i tuoi 20 componenti critici principali. Fai una domanda: corrisponde a ciò che vedi in reparto?

Il VFD sulla linea di confezionamento emette da due settimane un fischio acuto. Il ricambio che avevi in stock per il mandrino CNC è della revisione sbagliata; la macchina è stata ammodernata l'anno scorso. Questi sono segnali di domanda che nessun dataset storico contiene perché stanno accadendo ora.

Registra questi aggiustamenti nel CMMS come note strutturate. Col tempo, costruisci un ciclo di feedback: il modello ML impara dalle correzioni del tecnico e il tecnico vede il proprio input riflesso in una migliore disponibilità di magazzino.

I dati di cui hai bisogno per far funzionare il ML

Prima di investire in qualsiasi strumento ML, verifica la qualità dei tuoi dati. Il dataset minimo praticabile per un singolo componente include:

• Data e ora del guasto
• Identificativo dell'asset e ubicazione
• Codice componente e produttore
• Modalità di guasto (dai codici del tuo CMMS)
• Azione di manutenzione eseguita (riparazione vs. sostituzione)
• Tempo di consegna dall'ordine alla ricezione
• Note del tecnico (testo libero)

La maggior parte degli impianti ha questi dati sparsi tra il CMMS, l'ERP e i fogli di calcolo Excel. Il modello ML è valido solo quanto la tua capacità di unire queste tabelle. Inizia standardizzando i codici di guasto e imponendo al team di manutenzione di selezionare da un menu a discesa invece di digitare testo libero.

Quando l'ML è lo strumento sbagliato

Per i ricambi classificati CZ con consumo quasi nullo, l'ML non aggiunge nulla. La domanda è così sporadica che nessun algoritmo può trovare un pattern. La previsione corretta è semplice: riordino al guasto, oppure utilizzo di una bacheca di richieste sul marketplace quando si verifica il guasto.

Per i ricambi AZ con una reale storia di guasti, l'ML vale il suo peso. Ma se i tuoi dati MTBF non sono affidabili perché gli eventi di manutenzione non sono stati registrati per due anni, il modello produrrà assurdità con grande sicurezza.

Passo 4: applicare l'analisi BOM agli acquisti di manutenzione

L'analisi BOM per gli acquisti di manutenzione ti aiuta a capire quali componenti sono condivisi tra più asset. Quando un singolo codice articolo compare in 15 distinte BOM di macchine, la sua criticità è superiore a quanto suggerisca il suo tasso di guasto individuale.

Non puoi prevedere la domanda di un componente che non esiste più nel catalogo del tuo fornitore, ma puoi prevedere il rischio di averne bisogno. Quel rischio dovrebbe attivare una decisione: trovare un'alternativa verificata, mettere a stock le ultime unità disponibili oppure pianificare un retrofit.

L'indagine sull'MRO aeronautico di Oliver Wyman evidenzia che la pressione sulla supply chain sta aumentando in tutti i settori, con la previsione della domanda di ricambi che diventa una priorità di gestione dei costi. Per i ricambi obsoleti, l'orizzonte di previsione non è un trimestre. È il ciclo di vita residuo dell'asset.

Passo 5: gestione dell'inventario dei componenti di automazione obsoleti

L'inventario obsoleto richiede un quadro decisionale diverso rispetto allo stock attivo. L'obiettivo è ridurre al minimo sia il costo di mantenimento di scorte morte sia il costo di una macchina ferma senza alcun ricambio disponibile.

Per i componenti in asset di produzione attivi, la domanda è se mettere a stock l'ultimo acquisto o cercare un'alternativa verificata. Per i componenti già sostituiti, lo stock in eccesso dovrebbe essere monetizzato invece di essere svalutato. Quando la tua previsione identifica un componente come ad alto rischio a causa dell'obsolescenza, la soluzione non è un modello statistico migliore. È una fonte verificata del componente fisico.

Il framework di previsione nella pratica

Il framework completo è semplice: classificare per criticità, modellare in base ai dati di guasto, applicare l'ML alla domanda intermittente e usare l'analisi BOM per individuare componenti condivisi e obsoleti. Il risultato è un insieme di trigger di riapprovvigionamento e strategie di sourcing adattati a ciascuna classe di inventario.

I numeri mostrano perché questo è importante. La spesa globale per l'MRO dell'aviazione dovrebbe raggiungere 119 miliardi di dollari entro il 2034 secondo la previsione della spesa MRO di IATA, e la flotta aerea globale dovrebbe crescere del 37% entro il 2036 secondo l'analisi sulla crescita della flotta di Oliver Wyman. La pressione sulla disponibilità dei ricambi è in continuo aumento.

La parte difficile non è il metodo di previsione. Quando la tua analisi segnala un drive obsoleto con un lead time di 20 settimane, non hai bisogno di dati migliori. Hai bisogno di una fonte verificata per il componente fisico, oggi. È qui che AutomaSEARCH collega la tua previsione all'inventario reale disponibile a magazzino in una rete verificata di fornitori.

Domande frequenti

Come si distingue tra domanda indipendente e dipendente per i ricambi MRO?

La domanda indipendente per i ricambi MRO deriva da eventi imprevedibili come guasti delle macchine o programmi di manutenzione preventiva. La domanda dipendente è legata a un piano di produzione specifico, come un filtro sostituito ogni volta che una macchina esegue un lotto. Per le previsioni, trattale separatamente: usa i dati sui guasti e i programmi di manutenzione per la domanda indipendente, e collega la domanda dipendente direttamente alla tua previsione di produzione.

Quali sono le principali sfide nella previsione della domanda per componenti PLC e drive fuori produzione?

I componenti fuori produzione non hanno dati storici di consumo e presentano un tasso di guasto imprevedibile. Le principali sfide sono i lunghi lead time (spesso 20 settimane o più), il rischio di stock-out su una macchina critica e l'elevato costo di mantenimento di un componente che potrebbe non essere mai utilizzato. È qui che la gestione dell'inventario obsoleto richiede un approccio diverso rispetto alla previsione standard.

In che modo la criticità della macchina influenza la previsione dell'inventario MRO?

La criticità della macchina determina il costo di uno stock-out. Per una macchina critica, il costo del fermo supera di gran lunga il costo di mantenimento di un ricambio. La tua previsione deve dare priorità a questi articoli con scorte di sicurezza più elevate e trigger di reintegro più rapidi. Per le macchine non critiche, puoi accettare un rischio di stock-out più alto e mantenere livelli di inventario più bassi.