Прогнозування потреби у запасних частинах для військових парків техніки

Прогнозування попиту на запасні частини для військових парків техніки — це кількісна дисципліна, яка визначає, скільки одиниць кожного National Stock Number (NSN) буде витрачено парком транспортних засобів або обладнання за майбутній плановий горизонт, та дозволяє заздалегідь підготувати ці частини до того, як попит реалізується, а не реагувати після того, як платформа вийде з ладу. Операційні ставки є прямими: транспортний засіб, що перебуває в стані Not Mission Capable Supply (NMCS) через відсутність сальника вартістю $40, не робить жодного внеску в готовність — незалежно від того, наскільки добре обслуговується решта парку. Цей посібник охоплює повний технічний стек — архітектуру даних номенклатури виробів, класифікацію попиту, стохастичні моделі прогнозування, страховий запас на основі готовності, інтеграцію з ERP та управління точністю у замкненому циклі — на глибині, необхідній для розробки або оцінки виробничої системи для оборонної логістичної організації.

Чому прогнозування запасних частин важливе для військової готовності

Військові парки транспортних засобів та обладнання оцінюються за стандартом готовності — відсотком дозволених платформ, які є повністю боєздатними (FMC) в будь-який момент часу. Типове бронетанкове з'єднання на рівні бригади може мати вимогу 90% FMC для своїх наземних транспортних засобів, тобто в парку зі 100 машин не більше 10 можуть бути небоєздатними протягом звітного циклу готовності. Кожен транспортний засіб, що простоює через відсутність деталі, безпосередньо знижує цей показник.

Регуляторна таксономія розрізняє два типи недоступності через проблеми з постачанням. NMCS (Not Mission Capable Supply) описує платформу, яку виведено з ладу через відсутність необхідної деталі в ланцюгу постачання — технічна дія зрозуміла, технік доступний, але деталь ще не надійшла. PMCS (Partially Mission Capable Supply) описує платформу, яка може виконувати деякі, але не всі призначені місії через відсутність некритичного компонента; вона залишається доступною для завдань зі зменшеним обсягом. Це розмежування є операційно важливим: події NMCS являють собою абсолютний збій постачання, тоді як події PMCS — деградований, але ненульовий внесок у готовність. Добре спроектована система прогнозування прагне звести показники NMCS до нуля для позицій з високим Кодом критичності, водночас допускаючи короткочасні умови PMCS для деталей нижчої критичності, де накопичення надлишкового запасу економічно не виправдане.

Зв'язок між наявністю запасних частин і готовністю також має часовий вимір, що відрізняє військову логістику від комерційного управління запасами. Комерційний ритейлер, що вичерпав товар, втрачає продаж; військовий підрозділ, який не може виставити необхідну боєздатність у вікні розгортання, може не виконати місію. Сигнал попиту у військовій логістиці тому є не лише споживчим — він також визначається готовністю, тобто необхідний рівень обслуговування встановлюється операційною вимогою, а не розрахунком мінімізації витрат. Ця асиметрія є основоположним фактом, що визначає кожне архітектурне рішення у військовій системі прогнозування запасних частин. Щодо того, як прогностичне технічне обслуговування військових парків інтегрується з прогнозуванням постачання для зниження загального навантаження NMCS, дивіться супутній посібник з платформ CBM+.

Вхідні дані: номенклатура NSN, FEDLOG та історичні сигнали попиту

Кожен надійний прогноз запасних частин починається з чистої номенклатури виробів. У системі логістики оборони США авторитетною номенклатурою є каталог National Stock Number, що публікується Агентством оборонної логістики (DLA) та поширюється через FEDLOG (Federal Logistics Data) та його веб-інтерфейс WebFLIS (Web Federal Logistics Information Service). NSN — це 13-значний ідентифікатор, що складається з 4-значного Федерального класу постачання (FSC) та 9-значного Національного ідентифікаційного номера позиції (NIIN).

FSC надає першу групову змінну для прогнозування: позиції в одному FSC є широко взаємозамінними з точки зору функції обслуговування, тому агрегати попиту на рівні FSC можна використовувати для побудови апріорних значень для окремих NIIN з рідкісними транзакційними історіями. Відповідні атрибути номенклатури для прогнозування включають:

Поле FEDLOG	Використання для прогнозування
Федеральний клас постачання (FSC)	Об'єднання попиту; апріорне значення рівня FSC для байєсівського стиснення
Одиниця видачі (UI)	Нормалізація одиниць попиту між транзакціями
Ціна одиниці	Класифікація ABC за вартістю попиту; розрахунок витрат на зберігання
Код критичності (EC)	Перевизначення цільового рівня обслуговування; класифікація ризику NMCS
Код терміну зберігання	Максимальна позиція запасу; прапорець ризику застарівання
Група I&S (взаємозамінні та замінні)	Об'єднання попиту між замінними NSN; розрахунок рівня виконання
CIIC (Код контрольованої позиції запасу)	Обмеження зберігання; маршрутизація поповнення з міркувань безпеки

Схема історії попиту, необхідна для прогнозування, повинна збиратися на рівні транзакцій — один рядок на запит постачання — з мінімальним набором полів: NSN, ідентифікатор підрозділу-запитувача, дата транзакції, кількість запитана, кількість видана (яка може відрізнятися від запитаної, якщо запас був частково доступний) та прапорець виконання, що вказує, чи призвів запит до затримки. Для виявлення сезонних патернів та низькочастотних циклів капітального ремонту, що домінують у профілях попиту на багато позицій класу IX, необхідно мінімум 36 місяців історії. FEDLOG оновлюється раз на два місяці; операційна система повинна узгоджувати заміни та скасування NSN при кожному циклі оновлення, щоб історія попиту за скасованим NSN правильно приписувалася його наступнику перед підгонкою будь-якої моделі.

Класифікація попиту: повільний, переривчастий або нерівномірний

Перш ніж обирати модель прогнозування, кожну позицію необхідно класифікувати за патерном попиту. Класифікаційна система Syntetos-Boylan-Teunter (SBT) — стандарт у дослідженнях управління запасами запасних частин — використовує дві статистики, розраховані з історії попиту:

Середній інтервал попиту (ADI): середня кількість часових періодів між послідовними позитивними спостереженнями попиту. ADI вище 1,32 periods сигналізує про переривчастий попит.

Квадратичний коефіцієнт варіації обсягів попиту (SCV): дисперсія позитивних кількостей попиту, поділена на квадрат середнього позитивного попиту. SCV вище 0,49 сигналізує про високу варіабельність обсягу.

Діаграма класифікації попиту у чотирьох квадрантах за цими порогами:

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

На практиці військові запаси запасних частин класу IX домінуються переривчастими та нерівномірними позиціями. Огляди авторизованих списків запасів Армії США стабільно показують, що понад 60% NSN за кількістю рядків потрапляють у квадрант переривчастого або нерівномірного попиту, при цьому квадрант рівномірного попиту заповнений переважно витратними матеріалами з великим оборотом (батареї, фільтри, мастила), а квадрант хаотичного попиту охоплює позиції з випадковим великим попитом, що генерується навчаннями парку.

Матриця ABC-XYZ адаптує класифікацію SBT з урахуванням вартості. Позиції класу A (перші 20% NSN за річною вартістю попиту), що також потрапляють у рівень Z варіабельності попиту (дуже переривчастий або нерівномірний), потребують найдосконалішого підходу до прогнозування та найретельнішого налаштування страхового запасу. Зазвичай вони також мають найвищі Коди критичності, оскільки висока ціна одиниці корелює зі складністю компонента та тривалими строками виконання закупівель, що роблять дефіцит особливо критичним.

Стохастичні моделі прогнозування

Центральна думка стохастичного прогнозування запасних частин полягає в тому, що переривчастий попит неможливо адекватно описати єдиною точковою оцінкою — прогноз повинен характеризувати повний розподіл попиту протягом часу поповнення запасу, оскільки страховий запас розраховується з хвоста цього розподілу, а не з середнього значення.

Метод Кростона та апроксимація Syntetos-Boylan (SBA). Метод Кростона, запроваджений у 1972 році, розділяє задачу прогнозування на дві незалежні моделі експоненційного згладжування: одну для інтервалу між попитами q̂ та одну для обсягу попиту ẑ за умови настання позитивної події попиту. Оцінка середнього попиту за період становить ẑ/q̂. Варіант SBA застосовує корекцію зміщення — множачи оцінку Кростона на (1 − α/2), де α — параметр згладжування — що аналітично та емпірично показало зниження середньоквадратичної похибки на наборах даних переривчастого попиту. Для військової системи оцінку SBA слід ініціалізувати від апріорних значень рівня FSC для позицій з менш ніж 12 ненульовими спостереженнями в минулому:

# 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)

Складені пуасонівські моделі для нерівномірного попиту. Коли і ADI перевищує 1,32, і SCV перевищує 0,49, процес попиту є нерівномірним — рідкісні події, що все ж трапляються, містять дуже мінливі кількості. Стандартною моделлю є складений пуасонівський процес: виникнення попиту слідує пуасонівському процесу зі швидкістю λ, а кількість попиту за умови його виникнення слідує допоміжному розподілу, зазвичай від'ємному біноміальному для невід'ємних цілих кількостей. Розподіл попиту протягом часу виконання є тоді сумою пуасоновсько розподіленої кількості від'ємних біноміальних вибірок, що має замкнуту форму виробляючої функції ймовірностей, але потребує чисельного інтегрування для розрахунку квантилей. У виробничій системі квантильна функція зазвичай попередньо обчислюється та зберігається як таблиця підстановки, індексована (λ, r, p, lead_time), щоб уникнути інтегрування під час виконання.

Пуасонівські моделі для позицій з малим обсягом та Кодом критичності 1. Для позицій, що затребуються щонайбільше кілька разів на рік та мають Код критичності, який робить будь-який дефіцит неприйнятним, проста пуасонівська модель — де параметр швидкості оцінюється як загальний спостережений попит, поділений на загальну кількість спостережуваних періодів, стиснутий до апріорного значення FSC — часто надається перевага перед SBA. Простота пуасонівської моделі робить розрахунок страхового запасу повністю прозорим та перевіреним, що важливо, коли офіцер постачання повинен обґрунтувати заявку, яка, здається, надлишково запасає рідко затребувану позицію. Прозорість є недооціненою вимогою до проектування у системах оборонних запасів.

Розрахунок страхового запасу на основі готовності

Комерційні формули страхового запасу визначають буферну кількість від цільового рівня обслуговування, який, у свою чергу, виводиться з економічного компромісу між витратами на зберігання та витратами на дефіцит. У військовому управлінні запасами цільовий рівень обслуговування встановлюється операційною вимогою — нормою готовності, визначеною операційною концепцією — а обмеження витрат на зберігання є вторинним. Це інвертування має суттєві практичні наслідки для рівнів страхового запасу.

Розрахунок страхового запасу на основі готовності для окремого NSN протягом часу поповнення L (у periodах) виглядає наступним чином:

1. Визначте необхідну норму готовності парку R (наприклад, 0,90 для вимоги 90% FMC).

2. Визначте набір NSN, класифікованих як місієво-критичні для типу платформи. Нехай цей набір має кардинальність n.

3. Розподіліть допустимий бюджет ймовірності дефіциту між n позиціями. Спільна ймовірність того, що жодна позиція не матиме дефіциту, є добутком ймовірностей відсутності дефіциту для кожної позиції, тому цільовий рівень виконання на позицію P_i задовольняє обмеження:

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. Обчисліть страховий запас SS_i для кожного NSN як квантиль розподілу попиту протягом часу виконання на рівні P_i мінус середній попит протягом часу виконання:

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

Підхід рівного розподілу, описаний вище, є консервативним: він розглядає кожен NSN як самостійно відповідальний за весь дефіцит готовності. Більш досконалий підхід використовує вагові коефіцієнти важливості, похідні від Коду критичності та очікуваних витрат на простій за кожною подією дефіциту, для асиметричного розподілу бюджету — виділяючи більшу частину допустимого дефіциту дешевшим позиціям з простим джерелом та меншу — позиціям з тривалим строком виконання та високою вартістю. Асиметричний розподіл зазвичай знижує загальні інвестиції в запаси на 10–20% порівняно з рівним розподілом, підтримуючи при цьому однаковий сукупний рівень готовності.

Варто також зазначити взаємодію між прогнозуванням запасних частин та програмним забезпеченням для управління військовими запасами: рівні страхового запасу, розраховані тут, повинні бути записані назад у систему управління постачанням як авторизовані кількості запасу, а логіка поповнення в цій системі повинна потім застосовувати точку повторного замовлення. Модель прогнозування, яка видає правильні цілі страхового запасу, але не може передати їх до системи виконання, не дає жодної операційної вигоди.

Інтеграція з ERP та системами управління технічним обслуговуванням

Модель прогнозування запасних частин, що працює ізольовано від системи виконання постачання, є академічною вправою. Виробнича цінність потребує двостороннього інтегрування: система прогнозування споживає дані з систем ERP та технічного обслуговування, а її результати управляють діями з поповнення в цих самих системах.

GCSS-Army (Global Combat Support System — Army) є основною системою постачання та технічного обслуговування на рівні підрозділу для формувань Армії США. Вона надає транзакційну історію через пакетні файлові експорти на основі SFTP у файлах із фіксованим форматом (застарілий формат SARSS/ULLS-G) і, у більш нових версіях, через API веб-сервісів. Конвеєр прогнозування, що споживає дані GCSS-Army, повинен обробляти: заміни NSN (коли DLA замінює NSN, відкриті заявки та записи про наявний запас можуть тимчасово містити старий NSN); події реорганізації підрозділу (коли підрозділ реструктурується, щільність його обладнання змінюється та минулі норми попиту стають нерепрезентативними); а також відмінність між попитами (запитами на постачання) та фактичними видачами (виконаними запитами), оскільки кількість попиту є справжньою ціллю прогнозування, але лише видачі з'являються у стандартних журналах транзакцій, якщо спеціально не запитано.

LMP (Logistics Modernization Program) охоплює постачання, технічне обслуговування та закупівлі на рівні депо для Армії США. Інтеграція з LMP необхідна для включення часів циклу ремонту в депо до оцінок часу виконання — компонент з 90-денним конвеєром капітального ремонту в депо дає зовсім інший розподіл попиту протягом часу виконання, ніж той, що має 5-денне комерційне забезпечення. LMP надає дані через файли з фіксованим форматом, що доставляються через SFTP, і, для авторизованих партнерів, через стандартні SAP BAPI. Інтерфейс AWRDS (Army War Reserve Deployment System) додає позиції попередньо розміщених театральних резервів на воєнний час, які повинні бути виключені з розрахунків запасу на рівні підрозділу, щоб уникнути подвійного обліку наявного запасу.

Шаблон синхронізації даних, що надійно працює на практиці, — це конвеєр вилучення-перетворення-завантаження, що працює щодобово, з доповненням, керованим подіями, що запускає негайне оновлення позиції, коли надходить велика транзакція попиту (вище порогової кількості). Щоденний цикл підтримує точність позиції запасу для нормальних патернів попиту; доповнення, кероване подіями, запобігає роботі системи на застарілих позиціях, коли подія технічного обслуговування на рівні батальйону генерує сплеск попиту, який інакше не буде відображено до наступного пакетного запуску наступного дня.

Інтеграція з управлінням технічним обслуговуванням також уможливлює зондування попиту — використання відкритих замовлень на роботи як провідного індикатора неминучого попиту на деталі. Коли система управління технічним обслуговуванням фіксує, що технік відкрив замовлення на роботу для конкретної дії з ремонту, система запасних частин може переглянути перелік матеріалів для цього типу ремонту та підготувати запит на витягування необхідних NSN до того, як деталі будуть офіційно запитані. Цей шаблон, добре відпрацьований у комерційному авіаційному MRO, знижує ефективний час виконання для пріоритетних технічних дій та безпосередньо застосовується до оборонного контексту з використанням даних замовлень на роботи GCSS-Army. Ширший контекст для такого типу передбачення попиту за допомогою ШІ детально розглянуто у статті про оптимізацію військової логістики за допомогою ШІ.

Безперервне вдосконалення: точність прогнозів у замкненому циклі

Система прогнозування запасних частин, яка не вимірюється і не оновлюється безперервно, буде деградувати зі зміною складу парку, зміщенням оперативного темпу та дрейфом процесу попиту від статистичних патернів, спостережуваних у навчальних даних. Управління точністю у замкненому циклі є не необов'язковим покращенням — це механізм, що підтримує операційну валідність результатів моделі з плином часу.

Основними показниками точності для позицій з переривчастим попитом є середня абсолютна масштабована похибка (MASE) та Periodic Fill Rate. MASE масштабує абсолютну похибку прогнозу на вибіркову похибку наївного прогнозу (використовуючи останній спостережений позитивний попит як наївний прогноз), роблячи її порівнянною між позиціями з дуже різними обсягами попиту та уникаючи невизначеної поведінки MAPE при нульових periodах попиту. Periodic Fill Rate вимірює частку транзакцій попиту, задоволених без затримки протягом вікна вимірювання, безпосередньо відповідаючи цільовим рівням обслуговування на основі готовності, встановленим на кроці розрахунку страхового запасу.

Практична система моніторингу для військової системи запасних частин:

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

Зворотний зв'язок у замкненому циклі також потребує відстеження ручних перевизначень. Офіцери постачання часто перевизначають сформовані моделлю рекомендації з поповнення на основі місцевих знань — очікуваного навчання, відомого зриву постачальника, нещодавно спостережуваного патерну відмов, ще невидимого в historical даних. Ці перевизначення слід фіксувати в системі з кодом причини, а результат (чи виправдалося перевизначення наступним попитом) слід передавати назад у навчальні дані моделі. Результати перевизначень є цінним джерелом знань предметної галузі, що інакше втрачаються; система, яка ігнорує їх, не може навчатися на операційних судженнях офіцера постачання.

Виявлення дрейфу моделі є останнім елементом системи замкненого циклу. Військові процеси попиту не є стаціонарними: розмір парків змінюється з активацією та деактивацією підрозділів, оперативний темп варіюється з навчальним календарем та циклами розгортання, а доктрина технічного обслуговування змінюється при виданні нових технічних посібників. Контрольна карта кумулятивних сум (CUSUM), застосована до знакової похибки прогнозу на рівні NSN, позначатиме зрушення рівня попиту протягом кількох periodів після його виникнення, запускаючи повторну оцінку параметрів до того, як страховий запас впаде нижче мінімально необхідного рівня. Поріг CUSUM слід калібрувати так, щоб очікуваний час виявлення збільшення попиту на 50% був менше одного часу поповнення запасу, забезпечуючи можливість оновлення моделі для ініціювання дії з поповнення до виникнення дефіциту.

Дисципліна управління точністю прогнозів у замкненому циклі відрізняє систему прогнозування запасних частин, що зберігає початкову точність протягом багаторічного розгортання, від тієї, що деградує у дорогостоячу інсталяцію. Оборонні логістичні організації, що інвестують у інфраструктуру моніторингу та перенавчання, стабільно звітують про стійке поліпшення норм готовності, тоді як ті, що розглядають початкову підгонку моделі як кінцеву точку програми, зазвичай спостерігають деградацію точності протягом 12–18 місяців у міру еволюції базового процесу попиту.

Прогнозування попиту на запасні частини для військових парків техніки