Die Ersatzteilbedarfsprognose für Militärflotten ist die quantitative Disziplin, die vorhersagt, wie viele Einheiten jeder National Stock Number (NSN) von einer Fahrzeug- oder Geräteflotte in einem zukünftigen Planungshorizont verbraucht werden — und diese Teile vor der Bedarfsentstehung vorpositioniert, anstatt erst zu reagieren, nachdem eine Plattform ausgefallen ist. Die operativen Einsätze sind direkt: Ein Fahrzeug, das aufgrund einer fehlenden Dichtung im Wert von 40 Dollar Not Mission Capable Supply (NMCS) ist, trägt nichts zur Bereitschaft bei, egal wie gut der Rest der Flotte gewartet wird. Dieser Leitfaden behandelt den vollständigen technischen Stack — Artikelstammdatenarchitektur, Bedarfsklassifizierung, stochastische Prognosemodelle, bereitschaftsgetriebener Sicherheitsbestand, ERP-Integration und geschlossenes Genauigkeitsmanagement — in der erforderlichen Tiefe, um ein Produktionssystem für eine Verteidigungslogistikorganisation zu entwerfen oder zu bewerten.
Warum Ersatzteilprognosen für die Militärbereitschaft wichtig sind
Militärische Fahrzeug- und Geräteflotten werden an einem Bereitschaftsstandard gemessen — dem Prozentsatz der genehmigten Plattformen, die zu einem bestimmten Zeitpunkt vollständig einsatzbereit (FMC) sind. Eine typische Panzerbrigade auf Brigadeniveau kann eine 90-%-FMC-Anforderung für ihre organischen Bodenfahrzeuge haben, was bedeutet, dass in einer Formation von 100 Fahrzeugen nicht mehr als 10 zu einem beliebigen Zeitpunkt während eines Bereitschaftsmeldezyklus nicht einsatzbereit sein dürfen. Jedes Fahrzeug, das aufgrund eines fehlenden Teils ausgefallen ist, untergräbt direkt diese Kennzahl.
Die regulatorische Taxonomie unterscheidet zwei Arten von versorgungsgetriebener Nichtverfügbarkeit. NMCS (Not Mission Capable Supply) beschreibt eine Plattform, die wegen eines fehlenden erforderlichen Teils in der Lieferkette stillgelegt wurde — die Wartungsmaßnahme ist verstanden, der Techniker ist verfügbar, aber das Teil ist noch nicht eingetroffen. PMCS (Partially Mission Capable Supply) beschreibt eine Plattform, die einige, aber nicht alle zugewiesenen Missionen erfüllen kann, weil eine nicht kritische Komponente auf Bestellung ist; sie bleibt für Aufgaben mit reduziertem Umfang verfügbar. Die Unterscheidung ist operativ wichtig: NMCS-Ereignisse stellen einen absoluten Versorgungsausfall dar, während PMCS-Ereignisse einen degradierten, aber nicht null Beitrag zur Bereitschaft darstellen. Ein gut konzipiertes Prognosesystem zielt darauf ab, NMCS-Raten bei Artikeln mit hohem Wichtigkeitskoeffizienten auf null zu senken, während es kurze PMCS-Bedingungen bei weniger kritischen Teilen toleriert, bei denen das Vorhalten von überschüssigem Bestand wirtschaftlich nicht gerechtfertigt wäre.
Der Zusammenhang zwischen Ersatzteilverfügbarkeit und Bereitschaft hat auch eine Zeitdimension, die Militär- von kommerziellem Bestandsmanagement unterscheidet. Ein Einzelhändler, der ein Produkt nicht vorrätig hat, verliert einen Verkauf; eine Militäreinheit, die in einem Einsatzfenster keine erforderliche Fähigkeit einsetzen kann, kann ihre Mission verfehlen. Das Bedarfssignal in der Militärlogistik ist daher nicht rein kundengetrieben — es ist auch bereitschaftsgetrieben, was bedeutet, dass das erforderliche Serviceniveau durch die operative Anforderung und nicht durch eine Kostenminimierungsberechnung festgelegt wird. Diese Asymmetrie ist die grundlegende Tatsache, die jede Architekturentscheidung in einem militärischen Ersatzteilprognosesystem prägt. Hintergrundinformationen dazu, wie die Predictive Maintenance für Militärflotten mit der Versorgungsprognose integriert, um die Gesamtbelastung durch NMCS zu reduzieren, finden Sie im Begleitartikel zu CBM+-Plattformen.
Dateneingaben: NSN-Artikelstamm, FEDLOG und historische Bedarfssignale
Jede zuverlässige Ersatzteilprognose beginnt mit einem sauberen Artikelstamm. Im US-amerikanischen Verteidigungslogistiksystem ist der maßgebliche Artikelstamm der National Stock Number-Katalog, der von der Defense Logistics Agency (DLA) veröffentlicht und über FEDLOG (Federal Logistics Data) und die Weboberfläche WebFLIS (Web Federal Logistics Information Service) verteilt wird. Eine NSN ist eine 13-stellige Kennung, die als 4-stellige Federal Supply Class (FSC) gefolgt von einer 9-stelligen National Item Identification Number (NIIN) aufgebaut ist.
Die FSC bietet die erste Gruppierungsvariable für Prognosen: Artikel innerhalb derselben FSC sind aus funktionaler Wartungssicht weitgehend austauschbar, sodass FSC-Bedarfsaggregate zur Erstellung von Priori-Schätzungen für einzelne NIINs mit dünn besetzten Transaktionshistorien verwendet werden können. Relevante Artikelstammattribute für Prognosen sind:
| FEDLOG-Feld | Prognoseanwendung |
|---|---|
| Federal Supply Class (FSC) | Bedarfsbündelung; FSC-Priori für Bayes'sche Schrumpfung |
| Unit of Issue (UI) | Normalisierung der Bedarfseinheit über Transaktionen |
| Stückpreis | ABC-Bedarfswertklassifizierung; Berechnung der Haltekosten |
| Essentiality Code (EC) | Servicenivel-Überschreibung; NMCS-Risikoklassifizierung |
| Shelf Life Code | Maximale Lagerposition; Obsoleszenzrisiko-Kennzeichen |
| I&S-Gruppe (Interchangeable & Substitutable) | Bedarfsbündelung über Ersatz-NSNs; Füllratenberechnung |
| CIIC (Controlled Inventory Item Code) | Lagerungsbeschränkung; sicherheitsgetriebenes Nachschubwesen |
Das für die Prognose erforderliche Bedarfshistorienschema sollte auf Transaktionsgranularität zusammengestellt werden — eine Zeile pro Versorgungsanforderung — mit mindestens: NSN, anfragende Einheitenkennung, Transaktionsdatum, angefragte Menge, ausgegebene Menge (die von der angefragten abweichen kann, wenn Bestand nur teilweise verfügbar war) und ein Erfüllungskennzeichen, das angibt, ob die Anforderung zu einer Rückbestellung führte. Mindestens 36 Monate Verlauf sind erforderlich, um saisonale Muster und die niedrigfrequenten Überholungszyklen zu erfassen, die viele Bedarfsprofile von Klasse-IX-Artikeln dominieren. FEDLOG wird zweimonatlich aktualisiert; ein operatives System muss NSN-Ablösungen und -Streichungen bei jeder Aktualisierung abgleichen, damit die Bedarfshistorie für eine gestrichene NSN korrekt dem Nachfolger zugeordnet wird, bevor ein Modell angepasst wird.
Bedarfsklassifizierung: Langsamdreher vs. sporadisch vs. unregelmäßig
Vor der Auswahl eines Prognosemodells muss jeder Artikel nach seinem Bedarfsmuster klassifiziert werden. Das Syntetos-Boylan-Teunter (SBT)-Klassifizierungsrahmenwerk — der Standard in der Ersatzteilinventurmanagementforschung — verwendet zwei aus der Bedarfshistorie berechnete Statistiken:
Average Demand Interval (ADI): die mittlere Anzahl von Zeitperioden zwischen aufeinanderfolgenden positiven Bedarfsbeobachtungen. Ein ADI über 1,32 Perioden signalisiert sporadischen Bedarf.
Squared Coefficient of Variation der Bedarfsgrößen (SCV): die Varianz der positiven Bedarfsmengen geteilt durch das Quadrat der mittleren positiven Bedarfsmenge. Ein SCV über 0,49 signalisiert hohe Größenvariabilität.
Das Vier-Quadranten-Bedarfsklassifizierungsdiagramm mit diesen Schwellenwerten:
SCV ≤ 0.49 SCV > 0.49
─────────────────────────────────────
ADI ≤ │ SMOOTH │ ERRATIC │
1.32 │ (Holt-Winters) │ (SES + extra) │
├────────────────────┼─────────────────┤
ADI > │ INTERMITTENT │ LUMPY │
1.32 │ (SBA / Croston) │ (Compound │
│ │ Poisson) │
─────────────────────────────────────
In der Praxis werden militärische Klasse-IX-Ersatzteilbestände von sporadischen und unregelmäßigen Artikeln dominiert. Eine Überprüfung der autorisierten Lagerlisten der US Army zeigt durchgehend, dass mehr als 60 % der NSNs nach Zeilenanzahl in den sporadischen oder unregelmäßigen Quadranten fallen, wobei der reibungslose Quadrant hauptsächlich von Verbrauchsmaterialien mit hohem Umschlag (Batterien, Filter, Schmiermittel) und der erratische Quadrant von Artikeln mit gelegentlichem Großlosenbedarf durch Flottenübungen belegt wird.
Die ABC-XYZ-Matrix passt die SBT-Klassifizierung an, um den Wert einzubeziehen. A-Artikel (die 20 % der NSNs nach jährlichem Bedarfswert) die auch in der Z-Bedarfsvariabilitätsstufe liegen (hochgradig sporadisch oder unregelmäßig), sind die Artikel, die die anspruchsvollste Prognosebehandlung und die sorgfältigste Sicherheitsbestandskonfiguration erfordern. Sie sind typischerweise auch die Artikel, die am ehesten hohe Essentiality Codes tragen, da der hohe Stückpreis mit der Komponentenkomplexität und den langen Beschaffungsvorlaufzeiten korreliert, die Engpässe folgenschwer machen.
Stochastische Prognosemodelle
Die zentrale Erkenntnis hinter stochastischer Ersatzteilprognose ist, dass sporadischer Bedarf nicht durch eine einzelne Punktschätzung angemessen beschrieben werden kann — die Prognose muss die vollständige Verteilung des Bedarfs über die Wiederbeschaffungsvorlaufzeit charakterisieren, da der Sicherheitsbestand aus dem Schwanz dieser Verteilung und nicht aus dem Mittelwert berechnet wird.
Crostons Methode und die Syntetos-Boylan-Approximation (SBA). Crostons Methode, 1972 eingeführt, trennt das Prognoseproblem in zwei unabhängige Modelle mit exponentieller Glättung: eines für das Bedarfszwischenintervall q̂ und eines für die Bedarfsgröße ẑ bedingt auf ein positives Bedarfsereignis. Die Schätzung des mittleren Bedarfs pro Periode ist ẑ/q̂. Die SBA-Variante wendet eine Biaskorrektur an — Multiplikation der Croston-Schätzung mit (1 − α/2), wobei α der Glättungsparameter ist — die analytisch und empirisch nachgewiesen hat, den mittleren quadratischen Fehler bei sporadischen Bedarfsdatensätzen zu reduzieren. Für ein militärisches System sollte die SBA-Schätzung aus FSC-Priori für Artikel mit weniger als 12 nicht-null historischen Beobachtungen initialisiert werden:
# SBA demand rate estimate (Python pseudocode) alpha = 0.15 # smoothing parameter (tuned per item) z_hat = demand_size_ema # EMA of positive demand quantities q_hat = interval_ema # EMA of inter-demand intervals # Croston rate croston_rate = z_hat / q_hat # SBA bias-corrected rate sba_rate = (1 - alpha / 2) * croston_rate # Lead-time demand distribution: Poisson with mean = sba_rate * lead_time_periods import scipy.stats as stats lt_demand_dist = stats.poisson(mu=sba_rate * lead_time)
Zusammengesetzte Poisson-Modelle für unregelmäßigen Bedarf. Wenn sowohl ADI 1,32 überschreitet als auch SCV 0,49 überschreitet, ist der Bedarfsprozess unregelmäßig — die seltenen Ereignisse, die auftreten, beinhalten hochgradig variable Mengen. Das Standardmodell ist ein zusammengesetzter Poisson-Prozess: Das Auftreten von Bedarf folgt einem Poisson-Prozess mit Rate λ, und die Bedarfsmenge bedingt auf das Auftreten folgt einer sekundären Verteilung, typischerweise negativer Binomialverteilung für nicht-negative ganzzahlige Mengen. Die Vorlaufzeit-Bedarfsverteilung ist dann die Summe einer Poisson-verteilten Anzahl negativer Binomialziehungen, die eine geschlossene wahrscheinlichkeitserzeugende Funktion hat, aber numerische Integration für die Quantilberechnung erfordert. In einem Produktionssystem wird die Quantilfunktion typischerweise vorberechnet und als Nachschlagetabelle gespeichert, indiziert nach (λ, r, p, Vorlaufzeit), um die Runtime-Integration zu vermeiden.
Poisson-Modelle für Niedrigvolumen-Artikel mit Essentiality Code 1. Für Artikel, die höchstens einige Male pro Jahr benötigt werden und einen Essentiality Code tragen, der jeden Engpass inakzeptabel macht, wird oft ein einfaches Poisson-Modell bevorzugt — wobei der Ratenparameter als der Gesamtbeobachtungsbedarf geteilt durch die Gesamtbeobachtungsperioden geschätzt wird, zu den FSC-Priori hin geschrumpft — gegenüber SBA. Die Einfachheit des Poisson-Modells macht die Sicherheitsbestandsberechnung vollständig transparent und prüfbar, was wichtig ist, wenn ein Versorgungsoffizier eine Requisition rechtfertigen muss, die anscheinend einen selten benötigten Artikel überlagert. Transparenz ist eine unterschätzte Designanforderung in Verteidigungsinventarsystemen.
Bereitschaftsbasierte Sicherheitsbestandsberechnung
Kommerzielle Sicherheitsbestandsformeln leiten die Puffermenge aus einem Zielserviceniveau ab, das selbst aus einem wirtschaftlichen Kompromiss zwischen Haltekosten und Engpasskosten abgeleitet wird. Im militärischen Inventarmanagement wird das Serviceniveauziel durch die operative Anforderung festgelegt — eine durch das operative Konzept vorgeschriebene Bereitschaftsrate — und die Haltekostenbeschränkung ist sekundär. Diese Umkehrung hat erhebliche praktische Konsequenzen für den Sicherheitsbestand.
Die bereitschaftsbasierte Sicherheitsbestandsberechnung für eine einzelne NSN über eine Wiederbeschaffungsvorlaufzeit L (in Perioden) läuft wie folgt ab:
1. Geben Sie die erforderliche Flottenbereitschaftsrate R an (z. B. 0,90 für eine 90-%-FMC-Anforderung).
2. Identifizieren Sie die Menge der NSNs, die als missionskritisch für den Plattformtyp eingestuft sind. Diese Menge habe die Kardinalität n.
3. Verteilen Sie das zulässige Engpasswahrscheinlichkeitsbudget auf die n Artikel. Die gemeinsame Wahrscheinlichkeit, dass kein Artikel im Engpass ist, ist das Produkt der pro-Artikel-Nichtengpasswahrscheinlichkeiten, sodass das pro-Artikel-Füllratenziel P_i die folgende Bedingung erfüllt:
Product(P_i for i in 1..n) >= R # Equal allocation (conservative baseline): P_i = R^(1/n) # Example: R=0.90, n=20 mission-essential NSNs # P_i = 0.90^(1/20) = 0.9947 # Each NSN must achieve 99.47% fill rate
4. Berechnen Sie den Sicherheitsbestand SS_i für jede NSN als das Quantil der Vorlaufzeit-Bedarfsverteilung auf Niveau P_i minus dem mittleren Vorlaufzeitbedarf:
mu_LT = sba_rate * L # mean lead-time demand SS_i = quantile(dist, P_i) - mu_LT # Reorder point: ROP_i = mu_LT + SS_i
Der oben genannte Gleichverteilungsansatz ist konservativ: Er behandelt jede NSN als unabhängig verantwortlich für den gesamten Bereitschaftsfehlbetrag. Ein ausgefeilterer Ansatz verwendet Wichtungsgewichte, die aus dem Essentiality Code und den erwarteten Ausfallzeitkosten pro Engpassereignis abgeleitet werden, um das Budget asymmetrisch zuzuteilen — mehr vom Engpassbudget für günstigere, leichter zu beschaffende Artikel und weniger für langfristige, hochpreisige Artikel. Die asymmetrische Zuteilung reduziert den Gesamtinventurinvestitionen typischerweise um 10–20 % im Vergleich zur Gleichverteilung bei gleichbleibender aggregierter Bereitschaftsrate.
Es ist auch erwähnenswert die Wechselwirkung zwischen Ersatzteilprognose und militärischer Inventarverwaltungssoftware: Die hier berechneten Sicherheitsbestandsmengen müssen als autorisierte Lagermengen an das Versorgungsmanagementsystem zurückgeschrieben werden, und die Nachschublogik in diesem System muss dann den Meldebestand durchsetzen. Ein Prognosemodell, das korrekte Sicherheitsbestandsziele produziert, diese aber nicht an das Ausführungssystem weitergeben kann, bietet keinen operativen Nutzen.
Integration mit ERP- und Instandhaltungsmanagementsystemen
Ein Ersatzteilprognosesystem, das isoliert vom Versorgungsausführungssystem läuft, ist eine akademische Übung. Der Produktionswert erfordert eine bidirektionale Integration: Das Prognosesystem verbraucht Daten aus ERP- und Instandhaltungssystemen, und seine Ausgaben treiben Nachschubmaßnahmen in denselben Systemen an.
GCSS-Army (Global Combat Support System — Army) ist das primäre Einheitenversorgungs- und Instandhaltungssystem für US-Armeeformationen. Es stellt Transaktionshistorie über SFTP-basierte Batch-Dateiexporte in Festformatdateien (das Legacy-SARSS/ULLS-G-Format) und in neueren Versionen über Web-Service-APIs bereit. Eine Prognosepipeline, die GCSS-Army-Daten verbraucht, muss folgendes verarbeiten: NSN-Ablösung (wenn DLA eine NSN ersetzt, können offene Requisitionen und Lagerbestände vorübergehend die alte NSN tragen); Einheitenreorganisationsereignisse (wenn eine Einheit umstrukturiert wird, ändert sich ihre Gerätedichte und historische Bedarfsraten werden nicht mehr repräsentativ); und die Unterscheidung zwischen Bedarfen (Versorgungsanforderungen) und tatsächlichen Ausgaben (erfüllte Anforderungen), da die Bedarfsmenge das eigentliche Prognoseziel ist, aber nur Ausgaben in Standardtransaktionsprotokollen erscheinen, sofern nicht spezifisch angefordert.
LMP (Logistics Modernization Program) umfasst Depotversorgung, Instandhaltung und Beschaffung für die US Army. Die Integration mit LMP ist notwendig, um Depotüberholzykluszeiten in Vorlaufzeitschätzungen einzubeziehen — eine Komponente mit einer 90-tägigen Depotüberholungspipeline erzeugt eine sehr andere Vorlaufzeit-Bedarfsverteilung als eine mit einer 5-tägigen kommerziellen Beschaffung. LMP stellt Daten über SFTP-gelieferte Flachdateien und für autorisierte Partner über SAP-Standard-BAPIs bereit. Die AWRDS (Army War Reserve Deployment System)-Schnittstelle fügt Vorpositionierungsmengen des Kriegsreservematerials auf Theaterebene hinzu, die von Einheitenvorratsmengenbergechnungen ausgeschlossen werden müssen, um eine Doppelzählung verfügbaren Bestands zu vermeiden.
Das Datensynchronisationsmuster, das in der Praxis zuverlässig funktioniert, ist eine Extract-Transform-Load-Pipeline, die täglich läuft, mit einem ereignisgesteuerten Supplement, das sofort eine Positionsaktualisierung auslöst, wenn eine große Bedarfstransaktion (über einer Mengenschwelle) eintrifft. Der tägliche Zyklus hält die Inventarpositionsgenauigkeit für normale Bedarfsmuster aufrecht; das ereignisgesteuerte Supplement verhindert, dass das System auf veralteten Positionen operiert, wenn ein Instandhaltungsereignis auf Bataillonsebene einen Bedarfsanstieg erzeugt, der sonst bis zum nächsten täglichen Batch nicht widergespiegelt würde.
Die Integration mit dem Instandhaltungsmanagement ermöglicht auch die Bedarfserfassung — die Nutzung offener Arbeitsaufträge als Frühindikator für bevorstehenden Teilebedarf. Wenn ein Instandhaltungsmanagementsystem aufzeichnet, dass ein Techniker einen Arbeitsauftrag für eine bestimmte Reparaturmaßnahme eröffnet hat, kann das Ersatzteilsystem die Stückliste für diesen Reparaturtyp nachschlagen und eine Abrufanforderung für die erforderlichen NSNs vorbereiten, bevor die Teile formal angefordert werden. Dieses Muster, im kommerziellen Luft- und Raumfahrt-MRO etabliert, reduziert die effektive Vorlaufzeit für hochpriorisierte Instandhaltungsmaßnahmen und ist direkt auf den Verteidigungskontext übertragbar mit GCSS-Army-Arbeitsauftragsdaten. Der breitere Kontext für diese Art von KI-getriebenem Bedarfsvorausgriff ist im Artikel über KI-Optimierung in der Militärlogistik detailliert behandelt.
Kontinuierliche Verbesserung: geschlossener Kreislauf der Prognosegenauigkeit
Ein Ersatzteilprognosesystem, das nicht kontinuierlich gemessen und aktualisiert wird, wird sich verschlechtern, wenn sich die Flottenkomposition ändert, das operative Tempo sich verschiebt und der Bedarfsprozess von den statistischen Mustern in den Trainingsdaten abweicht. Geschlossenes Genauigkeitsmanagement ist keine optionale Verbesserung — es ist der Mechanismus, der die Ausgaben des Modells über die Zeit operativ gültig hält.
Die primären Genauigkeitsmetriken für Artikel mit sporadischem Bedarf sind der Mean Absolute Scaled Error (MASE) und die Periodic Fill Rate. MASE skaliert den absoluten Prognosefehler durch den In-Sample-naiven-Prognosefehler (unter Verwendung des zuletzt beobachteten positiven Bedarfs als naive Prognose), macht ihn über Artikel mit sehr unterschiedlichen Bedarfsvolumina vergleichbar und vermeidet das undefinierte Verhalten von MAPE bei Null-Bedarfsperioden. Periodic Fill Rate misst den Anteil der Bedarfstransaktionen, die ohne Rückbestellung während des Messfensters erfüllt wurden, und entspricht direkt den bereitschaftsbasierten Serviceniveauzielen, die im Sicherheitsbestandsberechnungsschritt festgelegt wurden.
Ein praktischer Überwachungsrahmen für ein militärisches Ersatzteilsystem:
Monitoring cadence:
Monthly: MASE and Fill Rate by NSN and by FSC aggregate
Monthly: Bias tracking (signed error, to detect systematic over/underforecast)
Quarterly: Full model re-selection and parameter re-estimation
Event-driven: Retraining trigger when:
- Fill rate drops >5 pp below target for 2 consecutive months
- Equipment density table changes by >10%
- New platform variant added to the fleet
- Overhaul cycle event recorded in maintenance system
Escalation routing:
FSC fill rate < target - 5 pp → Supply analyst review
NSN MASE > 2.0 for 3 months → Model class reassignment
Systematic positive bias (>20% of mean) → Check for demand shift
Systematic negative bias → Check for population growth or tempo increase
Das geschlossene Feedback erfordert auch die Verfolgung manueller Überschreibungen. Versorgungsoffiziere überschreiben häufig modellgenerierte Nachschubempfehlungen auf Basis lokalen Wissens — eine erwartete Übung, eine bekannte Lieferantenunterbrechung, ein kürzlich beobachtetes Fehlermuster, das in den historischen Daten noch nicht sichtbar ist. Diese Überschreibungen sollten im System mit einem Grundcode erfasst werden, und das Ergebnis (ob die Überschreibung durch den nachfolgenden Bedarf gerechtfertigt war) sollte in die Trainingsdaten des Modells zurückgeführt werden. Überschreibungsergebnisse sind eine reichhaltige Wissensquelle, die sonst verloren geht; ein System, das sie ignoriert, kann nicht aus dem operativen Urteil des Versorgungsoffiziers lernen.
Modelldriftdetektion ist das letzte Element des geschlossenen Kreislaufsystems. Militärische Bedarfsprozesse sind nicht stationär: Flottengrößen ändern sich mit Einheitenaktivierungen und -deaktivierungen, das operative Tempo variiert mit dem Trainingskalender und Einsatzzyklen, und die Instandhaltungsdoktrin ändert sich, wenn neue technische Handbücher herausgegeben werden. Ein Cumulative Sum (CUSUM)-Regelkarte, die auf den vorzeichenbehafteten Prognosefehler auf NSN-Ebene angewendet wird, signalisiert eine Bedarfsniveauverschiebung innerhalb weniger Perioden nach ihrem Auftreten und löst eine Parameterneuschätzung aus, bevor der Sicherheitsbestand unter das erforderliche Mindestniveau fällt. Der CUSUM-Schwellenwert sollte so kalibriert werden, dass die erwartete Detektionszeit eines 50-prozentigen Bedarfsanstiegs weniger als eine Wiederbeschaffungsvorlaufzeit beträgt, sodass die Modellaktualisierung eine Nachschubmaßnahme auslösen kann, bevor ein Engpass auftritt.
Die Disziplin des geschlossenen Kreislaufs der Prognosegenauigkeit ist das, was ein Ersatzteilprognosesystem, das seine anfängliche Genauigkeit über eine mehrjährige Bereitstellung beibehält, von einem trennt, das zu einem teuren Regal-Software-Einsatz degradiert. Verteidigungslogistikorganisationen, die in die Überwachungs- und Umschulungsinfrastruktur investieren, berichten durchgehend von anhaltenden Bereitschaftsratenverbesserungen, während diejenigen, die den anfänglichen Modellanpassung als Endpunkt des Programms behandeln, typischerweise sehen, wie die Genauigkeit innerhalb von 12 bis 18 Monaten erodiert, wenn sich der zugrunde liegende Bedarfsprozess entwickelt.