Prognozowanie zapotrzebowania na części zamienne dla flot wojskowych

Prognozowanie zapotrzebowania na części zamienne dla flot wojskowych to ilościowa dyscyplina przewidywania, ile jednostek każdego Krajowego Numeru Magazynowego (NSN) zostanie zużytych przez flotę pojazdów lub sprzętu w przyszłym horyzoncie planowania — i wstępne rozmieszczenie tych części zanim popyt się zmaterializuje, zamiast reagowania po unieruchomieniu platformy. Operacyjna stawka jest bezpośrednia: pojazd w stanie Niezdolny do Misji z Powodu Zaopatrzenia (NMCS) z powodu braku uszczelki za 40 dolarów nie wnosi niczego do gotowości, niezależnie od tego, jak dobrze utrzymana jest reszta floty. Niniejszy przewodnik obejmuje pełny stos techniczny — architekturę danych głównych pozycji, klasyfikację popytu, stochastyczne modele prognozowania, zapas bezpieczeństwa oparty na gotowości, integrację z systemem ERP i zarządzanie dokładnością w pętli zamkniętej — w głębokości wymaganej do zaprojektowania lub oceny systemu produkcyjnego dla organizacji logistyki obronnej.

Dlaczego prognozowanie części zamiennych ma znaczenie dla gotowości wojskowej

Floty pojazdów i sprzętu wojskowego oceniane są według standardu gotowości — procentu autoryzowanych platform, które są w pełni zdolne do misji (FMC) w danym momencie. Typowa brygadowa formacja pancerna może mieć wymóg FMC na poziomie 90% dla swoich organicznych pojazdów naziemnych, co oznacza, że w formacji 100 pojazdów nie więcej niż 10 może być niezdolnych do misji w dowolnym momencie cyklu sprawozdawczości gotowości. Każdy pojazd unieruchomiony z powodu brakującej części bezpośrednio obniża tę wartość.

Taksonomia regulacyjna rozróżnia dwa rodzaje niedostępności spowodowanej zaopatrzeniem. NMCS (Niezdolny do Misji z Powodu Zaopatrzenia) opisuje platformę, która została unieruchomiona, ponieważ wymagana część jest niedostępna w łańcuchu dostaw — czynność konserwacyjna jest znana, konserwator jest dostępny, ale część nie dotarła. PMCS (Częściowo Zdolny do Misji z Powodu Zaopatrzenia) opisuje platformę, która może wykonywać niektóre, ale nie wszystkie przypisane misje, ponieważ niekrytyczny komponent jest na zamówieniu uzupełniającym; pozostaje dostępna do zadań o ograniczonym zakresie. Różnica ma znaczenie operacyjne: zdarzenia NMCS stanowią absolutną porażkę zaopatrzeniową, podczas gdy zdarzenia PMCS stanowią zdegradowany, ale niezerowy wkład w gotowość. Dobrze zaprojektowany system prognozowania dąży do zerowania wskaźników NMCS dla pozycji o wysokim Kodzie Istotności, tolerując jednocześnie krótkie stany PMCS dla części o niższej krytyczności, gdzie utrzymywanie nadmiernych zapasów nie byłoby ekonomicznie uzasadnione.

Związek między dostępnością części zamiennych a gotowością ma również wymiar czasowy, który odróżnia logistykę wojskową od komercyjnego zarządzania zapasami. Komercyjny sprzedawca detaliczny, który wyczerpie zapas produktu, traci sprzedaż; jednostka wojskowa, która nie może wystawić wymaganej zdolności w oknie operacyjnym, może nie wykonać misji. Sygnał popytu w logistyce wojskowej nie jest zatem czysto napędzany przez klienta — jest również napędzany przez gotowość, co oznacza, że wymagany poziom obsługi jest definiowany przez wymóg operacyjny, a nie przez obliczenie minimalizacji kosztów. Ta asymetria jest fundamentalnym faktem, który kształtuje każdą decyzję architektoniczną w wojskowym systemie prognozowania części zamiennych. Informacje o tym, jak predykcyjne utrzymanie flot wojskowych integruje się z prognozowaniem zaopatrzenia w celu zmniejszenia ogólnego obciążenia NMCS, można znaleźć w towarzyszącym przewodniku dotyczącym platform CBM+.

Dane wejściowe: dane główne NSN, FEDLOG i historyczne sygnały popytu

Każda wiarygodna prognoza części zamiennych zaczyna się od czystych danych głównych pozycji. W systemie logistyki obronnej USA autorytarne dane główne pozycji to katalog Krajowych Numerów Magazynowych publikowany przez Agencję Logistyki Obronnej (DLA) i dystrybuowany przez FEDLOG (Federalne Dane Logistyczne) oraz jego interfejs internetowy WebFLIS (Web Federal Logistics Information Service). NSN to 13-cyfrowy identyfikator zbudowany z 4-cyfrowej Federalnej Klasy Dostaw (FSC) i 9-cyfrowego Krajowego Numeru Identyfikacji Pozycji (NIIN).

FSC zapewnia pierwszą zmienną grupującą dla prognozowania: pozycje w tej samej FSC są szeroko wymienne z punktu widzenia funkcji konserwacyjnej, więc zagregowany popyt na poziomie FSC może być wykorzystany do konstruowania rozkładów a priori dla poszczególnych NIIN o rzadkiej historii transakcji. Istotne atrybuty danych głównych pozycji dla prognozowania obejmują:

Pole FEDLOG	Zastosowanie w prognozowaniu
Federalna Klasa Dostaw (FSC)	Łączenie popytu; rozkład a priori na poziomie FSC dla skurczu bayesowskiego
Jednostka Wydania (UI)	Normalizacja jednostek popytu w transakcjach
Cena jednostkowa	Klasyfikacja ABC według wartości popytu; obliczanie kosztów przechowywania
Kod Istotności (EC)	Nadpisanie celu poziomu obsługi; klasyfikacja ryzyka NMCS
Kod Okresu Przydatności	Maksymalna pozycja zapasów; flaga ryzyka przestarzałości
Grupa I&S (Wymienne i Zastępcze)	Łączenie popytu w ramach zastępczych NSN; obliczanie wskaźnika realizacji
CIIC (Kod Pozycji Kontrolowanego Inwentarza)	Ograniczenie magazynowania; routing uzupełniania wynikający z bezpieczeństwa

Schemat historii popytu wymagany do prognozowania powinien być zestawiony na poziomie granularności transakcji — jeden wiersz na wniosek o zaopatrzenie — z co najmniej: NSN, identyfikatorem jednostki wnioskującej, datą transakcji, zamówioną ilością, wydaną ilością (która może różnić się od zamówionej, jeśli zapasy były częściowo dostępne) oraz flagą realizacji wskazującą, czy wniosek spowodował zamówienie uzupełniające. Wymagane jest co najmniej 36 miesięcy historii, aby uchwycić wzorce sezonowe i niskoczęstotliwościowe cykle remontów, które dominują w wielu profilach popytu na pozycje Klasy IX. FEDLOG jest odświeżany co dwa miesiące; system operacyjny musi uzgadniać zastąpienia i anulowania NSN przy każdym cyklu odświeżania, aby historia popytu dla anulowanego NSN była poprawnie przypisana do jego następnika przed dopasowaniem jakiegokolwiek modelu.

Klasyfikacja popytu: wolnorotujące vs sporadyczne vs nieregularne

Przed wyborem modelu prognozowania każda pozycja musi być sklasyfikowana według jej wzorca popytu. Ramy klasyfikacji Syntetos-Boylan-Teunter (SBT) — standard w badaniach zarządzania zapasami części zamiennych — wykorzystują dwie statystyki obliczone z historii popytu:

Średni Interwał Popytu (ADI): średnia liczba okresów między kolejnymi pozytywnymi obserwacjami popytu. ADI powyżej 1,32 okresu sygnalizuje popyt sporadyczny.

Kwadratowy Współczynnik Zmienności rozmiarów popytu (SCV): wariancja pozytywnych ilości popytu podzielona przez kwadrat średniej pozytywnej ilości popytu. SCV powyżej 0,49 sygnalizuje wysoką zmienność rozmiaru.

Diagram klasyfikacji popytu czterech kwadrantów z tymi progami:

          SCV ≤ 0.49          SCV > 0.49
          ─────────────────────────────────────
ADI ≤     │  SMOOTH            │  ERRATIC        │
1.32      │  (Holt-Winters)    │  (SES + extra)  │
          ├────────────────────┼─────────────────┤
ADI >     │  INTERMITTENT      │  LUMPY          │
1.32      │  (SBA / Croston)   │  (Compound      │
          │                    │   Poisson)      │
          ─────────────────────────────────────

W praktyce inwentarze wojskowych części zamiennych Klasy IX zdominowane są przez pozycje sporadyczne i nieregularne. Przegląd autoryzowanych list magazynowania US Army konsekwentnie pokazuje, że ponad 60% NSN według liczby linii spada do kwadrantu sporadycznego lub nieregularnego, a kwadrant gładki jest zajęty głównie przez szybkorotujące materiały eksploatacyjne (baterie, filtry, smary), a kwadrant erratyczny obejmuje pozycje z okazjonalnymi zamówieniami dużych partii napędzanymi ćwiczeniami flotowymi.

Macierz ABC-XYZ dostosowuje klasyfikację SBT tak, aby uwzględniała wartość. Pozycje A (górne 20% NSN według rocznej wartości popytu), które znajdują się również w poziomie zmienności popytu Z (wysoce sporadyczne lub nieregularne), to pozycje wymagające najbardziej wyrafinowanego podejścia do prognozowania i najstaranniejszej konfiguracji zapasów bezpieczeństwa. Są to zazwyczaj również pozycje z największym prawdopodobieństwem posiadania wysokich Kodów Istotności, ponieważ wysoka cena jednostkowa koreluje ze złożonością komponentu i długimi terminami realizacji zamówień, które sprawiają, że braki w zapasach mają poważne konsekwencje.

Stochastyczne modele prognozowania

Centralnym wnioskiem stochastycznego prognozowania części zamiennych jest to, że sporadycznego popytu nie można odpowiednio opisać pojedynczym szacunkiem punktowym — prognoza musi charakteryzować pełny rozkład popytu w czasie uzupełnienia zapasów, ponieważ zapas bezpieczeństwa oblicza się z ogona tego rozkładu, a nie ze średniej.

Metoda Crostona i Aproksymacja Syntetos-Boylan (SBA). Metoda Crostona, wprowadzona w 1972 roku, dzieli problem prognozowania na dwa niezależne modele wygładzania wykładniczego: jeden dla interwału między popytem q̂ i jeden dla rozmiaru popytu ẑ warunkowego na pozytywnym zdarzeniu popytu. Szacunek średniego popytu na okres wynosi ẑ/q̂. Wariant SBA stosuje korektę obciążenia — mnożąc szacunek Crostona przez (1 − α/2), gdzie α jest parametrem wygładzania — co zostało wykazane analitycznie i empirycznie, że redukuje średni błąd kwadratowy w zbiorach danych o sporadycznym popycie. Dla systemu wojskowego, szacunek SBA powinien być inicjalizowany z rozkładów a priori na poziomie FSC dla pozycji z mniej niż 12 niezerowymi obserwacjami historycznymi:

# 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)

Złożone modele Poissona dla nieregularnego popytu. Gdy zarówno ADI przekracza 1,32, jak i SCV przekracza 0,49, proces popytu jest nieregularny — rzadkie zdarzenia, które faktycznie wystąpią, dotyczą wysoce zmiennych ilości. Standardowym modelem jest złożony proces Poissona: wystąpienie popytu podąża za procesem Poissona z szybkością λ, a ilość popytu warunkowa na wystąpieniu podąża za rozkładem wtórnym, zazwyczaj ujemnym dwumianowym dla nieujemnych liczb całkowitych. Rozkład popytu w czasie realizacji jest wówczas sumą rozkładu Poissona z ujemnymi losowymi rysunkami dwumianowymi, która ma zamkniętą funkcję generującą prawdopodobieństwo, ale wymaga numerycznej integracji do obliczenia kwantyla. W systemie produkcyjnym funkcja kwantyla jest zazwyczaj wstępnie obliczana i przechowywana jako tabela przeglądowa indeksowana przez (λ, r, p, czas_realizacji), aby uniknąć integracji w czasie wykonywania.

Modele Poissona dla niskowolumenowych pozycji Kodu Istotności 1. Dla pozycji, na które popyt wynosi co najwyżej kilka razy w roku i posiadają Kod Istotności sprawiający, że jakikolwiek brak zapasów jest niedopuszczalny, prosty model Poissona — gdzie parametr szybkości jest szacowany jako całkowite zaobserwowane żądania podzielone przez całkowite zaobserwowane okresy, skurczony w kierunku rozkładu a priori FSC — jest często preferowany nad SBA. Prostota modelu Poissona sprawia, że obliczenie zapasu bezpieczeństwa jest w pełni przejrzyste i możliwe do skontrolowania, co ma znaczenie, gdy oficer zaopatrzenia musi uzasadnić zamówienie, które wydaje się nadmiernie zamawiać rzadko żądaną pozycję. Przejrzystość jest niedocenianym wymaganiem projektowym w systemach inwentaryzacyjnych obronności.

Obliczanie zapasu bezpieczeństwa opartego na gotowości

Komercyjne formuły zapasu bezpieczeństwa wyprowadzają ilość bufora z docelowego poziomu obsługi, który sam jest wyprowadzony z kompromisu ekonomicznego między kosztami przechowywania a kosztami braku zapasów. W wojskowym zarządzaniu zapasami cel poziomu obsługi jest ustawiany przez wymóg operacyjny — wskaźnik gotowości nakazany przez koncepcję operacyjną — a ograniczenie kosztów przechowywania jest wtórne. To odwrócenie ma istotne praktyczne konsekwencje dla poziomów zapasów bezpieczeństwa.

Obliczanie zapasu bezpieczeństwa opartego na gotowości dla pojedynczego NSN w czasie realizacji zamówienia L (w okresach) przebiega następująco:

1. Określ wymagany wskaźnik gotowości floty R (np. 0,90 dla wymogu FMC na poziomie 90%).

2. Zidentyfikuj zestaw NSN sklasyfikowanych jako krytyczne dla misji dla danego typu platformy. Niech ten zestaw ma liczność n.

3. Rozdziel dopuszczalny budżet prawdopodobieństwa braku zapasów na n pozycji. Wspólne prawdopodobieństwo, że żadna pozycja nie ma braku zapasów, jest iloczynem indywidualnych prawdopodobieństw braku zapasów, więc indywidualny cel wskaźnika realizacji P_i spełnia ograniczenie:

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. Oblicz zapas bezpieczeństwa SS_i dla każdego NSN jako kwantyl rozkładu popytu w czasie realizacji na poziomie P_i, minus średni popyt w czasie realizacji:

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

Podejście równego podziału opisane powyżej jest konserwatywne: traktuje każdy NSN jako niezależnie odpowiedzialny za pełny niedobór gotowości. Bardziej wyrafinowane podejście wykorzystuje wagi ważności wyprowadzone z Kodu Istotności i oczekiwanych kosztów przestoju na zdarzenie braku zapasów, aby asymetrycznie alokować budżet — dając więcej dozwolonego braku zapasów tańszym, łatwiej pozyskiwanym pozycjom i mniej pozycjom o długim terminie realizacji i wysokich kosztach. Asymetryczna alokacja zazwyczaj zmniejsza całkowite nakłady inwestycyjne na zapasy o 10–20% w porównaniu z równą alokacją, przy zachowaniu tego samego zagregowanego wskaźnika gotowości.

Warto również zwrócić uwagę na interakcję między prognozowaniem części zamiennych a oprogramowaniem do zarządzania zapasami wojskowymi: poziomy zapasów bezpieczeństwa obliczone tutaj muszą być zapisane z powrotem do systemu zarządzania zaopatrzeniem jako autoryzowane ilości na liście magazynowania, a logika uzupełniania zapasów w tym systemie musi następnie egzekwować punkt ponownego zamówienia. Model prognozowania, który generuje poprawne cele zapasów bezpieczeństwa, ale nie może propagować ich do systemu wykonawczego, nie zapewnia żadnych korzyści operacyjnych.

Integracja z systemem ERP i systemami zarządzania utrzymaniem

Model prognozowania części zamiennych działający w izolacji od systemu wykonywania dostaw jest ćwiczeniem akademickim. Wartość produkcyjna wymaga dwukierunkowej integracji: system prognozowania konsumuje dane z systemów ERP i utrzymania, a jego wyniki napędzają działania uzupełniające w tych samych systemach.

GCSS-Army (Global Combat Support System — Army) to główny system zaopatrzenia i utrzymania na poziomie jednostki dla formacji US Army. Udostępnia historię transakcji poprzez eksporty plików wsadowych opartych na SFTP w plikach płaskich o stałym formacie (starszy format SARSS/ULLS-G) i, w nowszych wersjach, poprzez API usług sieciowych. Potok prognozowania konsumujący dane GCSS-Army musi obsługiwać: zastępowanie NSN (gdy DLA zastępuje NSN, otwarte zamówienia i zapisy na stanie mogą tymczasowo zawierać stary NSN); zdarzenia reorganizacji jednostki (gdy jednostka się restrukturyzuje, jej gęstość sprzętu zmienia się i historyczne wskaźniki popytu stają się niereprezentywne); oraz rozróżnienie między żądaniami (wnioski o zaopatrzenie) a faktycznymi wydaniami (zrealizowane wnioski), ponieważ zamówiona ilość jest prawdziwym celem prognozy, ale tylko wydania pojawiają się w standardowych dziennikach transakcji, jeśli nie zostały specjalnie zażądane.

LMP (Logistics Modernization Program) obejmuje zaopatrzenie na poziomie składnicy, utrzymanie i zakupy dla US Army. Integracja z LMP jest konieczna, aby włączyć czasy cyklu naprawy w składnicy do szacunków czasu realizacji — komponent z 90-dniowym potokiem remontu składnicy generuje bardzo inny rozkład popytu w czasie realizacji niż komponent z 5-dniowym zakupem komercyjnym. LMP udostępnia dane poprzez pliki płaskie dostarczane przez SFTP i, dla autoryzowanych partnerów, poprzez standardowe BAPI SAP. Interfejs AWRDS (Army War Reserve Deployment System) dodaje pozycje zapasów wojennych wstępnie rozmieszczonych na poziomie teatru działań wojennych, które muszą być wykluczone z obliczeń magazynowania na poziomie jednostki, aby uniknąć podwójnego liczenia dostępnych zapasów.

Wzorzec synchronizacji danych, który niezawodnie sprawdza się w praktyce, to potok ekstrakcji-transformacji-ładowania działający w cyklu dziennym, z uzupełnieniem sterowanym zdarzeniami, które wyzwala natychmiastową aktualizację pozycji, gdy nadejdzie duża transakcja popytu (powyżej progowej ilości). Cykl dzienny utrzymuje dokładność pozycji zapasów dla normalnych wzorców popytu; uzupełnienie sterowane zdarzeniami zapobiega działaniu systemu na nieaktualnych pozycjach, gdy zdarzenie konserwacyjne na poziomie batalionu generuje skok popytu, który inaczej nie zostałby odzwierciedlony do następnej partii dziennej.

Integracja z zarządzaniem utrzymaniem umożliwia również wykrywanie popytu — wykorzystanie otwartych zleceń roboczych jako wskaźnika wyprzedzającego zbliżającego się popytu na części. Gdy system zarządzania utrzymaniem rejestruje, że technik otworzył zlecenie robocze dla określonej czynności naprawczej, system części zamiennych może wyszukać zestawienie materiałów dla tego typu naprawy i wstępnie przygotować żądanie pobrania wymaganych NSN przed formalnym zgłoszeniem zapotrzebowania na części. Ten wzorzec, dobrze ugruntowany w komercyjnym lotnictwie MRO, skraca efektywny czas realizacji dla wysokopriorytetowych działań konserwacyjnych i jest bezpośrednio przeniesiony do kontekstu obronnego przy użyciu danych zleceń roboczych GCSS-Army. Szerszy kontekst tego rodzaju antycypacji popytu napędzanego przez AI jest szczegółowo omówiony w artykule na temat optymalizacji AI w logistyce wojskowej.

Ciągłe doskonalenie: dokładność prognoz w pętli zamkniętej

System prognozowania części zamiennych, który nie jest stale mierzony i aktualizowany, ulegnie degradacji wraz ze zmianą składu floty, zmianami tempa operacyjnego i dryfem procesu popytu z dala od wzorców statystycznych zaobserwowanych w danych treningowych. Zarządzanie dokładnością w pętli zamkniętej nie jest opcjonalnym ulepszeniem — to mechanizm, który utrzymuje wyniki modelu operacyjnie ważne w czasie.

Podstawowe wskaźniki dokładności dla pozycji o sporadycznym popycie to Średni Absolutny Błąd Skalowany (MASE) i Okresowy Wskaźnik Realizacji. MASE skaluje bezwzględny błąd prognozy przez błąd naiwnej prognozy próby wewnętrznej (używając ostatnio zaobserwowanego pozytywnego popytu jako naiwnej prognozy), dzięki czemu jest porównywalny między pozycjami o bardzo różnych wolumenach popytu i unika niezdefiniowanego zachowania MAPE przy zerowych okresach popytu. Okresowy Wskaźnik Realizacji mierzy odsetek transakcji popytu zaspokojonych bez zamówienia uzupełniającego w oknie pomiarowym, bezpośrednio mapując na cele poziomu obsługi oparte na gotowości ustalone w kroku obliczania zapasu bezpieczeństwa.

Praktyczne ramy monitorowania dla wojskowego systemu części zamiennych:

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

Sprzężenie zwrotne w pętli zamkniętej wymaga również śledzenia ręcznych nadpisań. Oficerowie zaopatrzenia często nadpisują rekomendacje uzupełniające generowane przez model na podstawie lokalnej wiedzy — przewidywane ćwiczenie, znane zakłócenie u dostawcy, niedawno zaobserwowany wzorzec awarii niewidoczny jeszcze w danych historycznych. Te nadpisania powinny być przechwytywane w systemie z kodem przyczyny, a wynik (czy nadpisanie zostało uzasadnione przez późniejszy popyt) powinien być zwrotnie wprowadzany do danych treningowych modelu. Wyniki nadpisań są bogatym źródłem wiedzy dziedzinowej, która inaczej zostałaby utracona; system, który je ignoruje, nie może uczyć się na podstawie operacyjnego osądu oficera zaopatrzenia.

Wykrywanie dryfu modelu jest ostatnim elementem systemu pętli zamkniętej. Wojskowe procesy popytu nie są stacjonarne: rozmiary flot zmieniają się wraz z aktywacjami i dezaktywacjami jednostek, tempo operacyjne zmienia się wraz z kalendarzem szkoleniowym i cyklami rozmieszczenia, a doktryna konserwacji zmienia się, gdy wydawane są nowe podręczniki techniczne. Wykres kontrolny Kumulatywnej Sumy (CUSUM) zastosowany do podpisanego błędu prognozy na poziomie NSN zasygnalizuje zmianę poziomu popytu w ciągu kilku okresów od jej wystąpienia, wyzwalając re-estymację parametrów przed tym, jak zapas bezpieczeństwa spadnie poniżej wymaganego minimalnego poziomu. Próg CUSUM powinien być skalibrowany tak, aby oczekiwany czas wykrycia 50% wzrostu popytu był krótszy niż jeden czas realizacji uzupełnienia zapasów, zapewniając, że aktualizacja modelu może napędzić działanie uzupełniające przed wystąpieniem braku zapasów.

Dyscyplina zarządzania dokładnością prognoz w pętli zamkniętej oddziela system prognozowania części zamiennych, który utrzymuje swoją początkową dokładność przez wieloletnią eksploatację, od systemu, który degraduje się do kosztownej instalacji niedostosowanej do potrzeb. Organizacje logistyki obronnej, które inwestują w infrastrukturę monitorowania i ponownego trenowania, konsekwentnie raportują trwałe poprawy wskaźnika gotowości, podczas gdy te, które traktują wstępne dopasowanie modelu jako punkt końcowy programu, zazwyczaj obserwują degradację dokładności w ciągu 12 do 18 miesięcy wraz z ewolucją bazowego procesu popytu.