Управление запасами запасных частей для оборудования с нерегулярными отказами

Оборудование, которое ломается нерегулярно, создаёт прерывистый спрос на запасные части: периоды нулевого спроса чередуются с одиночными или небольшими запросами. Традиционные модели прогнозирования, основанные на среднем спросе и нормальном распределении, дают смещённые результаты — либо избыточные запасы, увеличивающие издержки хранения и риск устаревания, либо частые простои из‑за отсутствия нужной детали. Ниже описан практический подход, который помогает подобрать оптимальный уровень запасов, минимизировать простои и контролировать затраты.

Особенности спроса на запасные части при нерегулярных отказах

Прерывистый спрос характеризуется тремя основными свойствами:

• Низкая средняя интенсивность — часто менее одной единицы в период (день, неделю, месяц).
• Высокая доля нулевых периодов — доля дней без спроса может превышать 80 %.
• Вариативность размеров запросов — когда спрос возникает, он может быть единичным, двойным или редко более крупным.

Эти свойства делают непригодными простые скользящие средние и экспоненциальное сглаживание: они либо «запаздывают», реагируя на спрос с задержкой, либо генерируют ложные сигналы пополнения в периоды покоя.

Классификация запасных частей как основа выбора политики

Перед применением конкретных методов полезно разделить номенклатуру на группы, для которых будут подходить разные уровни сервиса и сложность расчётов.

Критерий критичности

• Критические — отказ приводит к простою всей линии, угрозе безопасности или значительным штрафам. Требуют высокого уровня готовности (service level 95‑99 %).
• Полукритические — простой возможен, но допустим кратковременный запас или перераспределение нагрузки. Service level 85‑95 %.
• Некритические — запас можно поддерживать на минимальном уровне или заказывать по факту отказа. Service level 70‑85 %.

Критерий спроса (ABC‑XYZ анализ)

• Группа A — высокая стоимость или важность, но низкая частота спроса (прерывистый).
• Группа B — средняя важность, умеренная частота.
• Группа C — низкая стоимость, частый спрос (часто уже не прерывистый).
• Внутри каждой группы дополнительно оценивают вариативность спроса (X — низкая, Y — средняя, Z — высокая). Для прерывистых частей типично сочетание A‑Z или B‑Z.

Критические A‑Z части обычно требуют наиболее тщательного прогнозирования и большего страхового запаса, тогда как C‑X части можно управлять простыми политиками пополнения при достижении минимального уровня.

Методы прогнозирования прерывистого спроса

Выбор метода зависит от доступности данных (длительность истории, частота нулевых периодов) и требуемой точности.

Модель Кростона (Croston’s method)

Разделяет спрос на две независимые последовательные серии: интервалы между nonzero спросами и размеры этих спросов. Затем применяет экспоненциальное сглаживание к каждой серии отдельно. Прогноз спроса на период t рассчитывается как:

Forecast_t = (сглаженное среднее спроса) / (сглаженное среднее интервала)

Модель проста в реализации, требует лишь параметров сглаживания (обычно α = 0,1‑0,3). Она хорошо работает, когда спрос действительно редок и размеры запросов варьируются в узком диапазоне (часто 1‑2 единицы).

Сглаженная Кростон (SBA, Syntetos‑Boylan Approximation)

Корректирует систематическое смещение классической Кростона, умножая результат на коэффициент (1 ‑ α/2). Уменьшает завышение запасов при очень низкой частоте спроса.

Теория запасов на основе распределения Пуассона

Если можно предположить, что отказы следуют потоку Пуассона (постоянная интенсивность λ), то количество запросов за период распределено по Пуассону. Тогда прогноз спроса за lead time L — это Пуассон с параметром λ·L. Метод полезен, когда отказы действительно случайны и независимы, а размер запроса всегда равен единице.

Отрицательное биномиальное распределение (Negative Binomial, NB)

Обобщает Пуассон, позволяя учитывать overdispersion (вариацию больше среднего). Подходит, когда наблюдается кластеризация отказов (периоды повышенной активности seguido тишины). Требует оценки двух параметров (среднее и дисперсия).

Машинное обучение и комбинированные подходы

Для длинных исторических рядов (более 2‑3 лет) можно пробовать регрессионные модели с признаками: сезонность, температура, нагрузка, количество циклов работы. Однако такие методы требуют значительных объёмов чистых данных и часто не превосходят простых стохастических моделей для сильно прерывистого спроса.

На практике рекомендуется начинать с Кростона/SBA, проверять остатки на autocorrelation и, если остатки показывают значительную структуру, переходить к NB или Пуассону с учетом ковариат.

Расчёт страхового запаса и точки заказа

После получения прогноза среднего спроса за период поставки (lead time demand) необходимо определить запас, который обеспечит выбранный уровень обслуживания (service level, β). Для прерывистого спроса распределение lead time demand обычно не является нормальным; используют непосредственно смоделированное распределение (Пуассон, NB или эмпирическое из истории).

Шаги расчёта

1. Оценить средний спрос за единицу времени (d) и его вариацию (σ²) выбранной моделью.
2. Умножить на среднее время поставки (L) → среднее lead time demand (μLT = d·L).
3. Оценить дисперсию lead time demand (σ²LT). Для Пуассона σ²LT = μLT; для NB σ²LT = μLT + (μLT²/k), где k — параметр дисперсии.
4. Выбрать коэффициент запаса (z) из таблицы стандартного нормального распределения, соответствующий целевому service level (например, z = 1,65 для 95 %).
5. Страховой запас SS = z · √σ²LT.
6. Точка заказа (reorder point, ROP) = μLT + SS.

Если используется политика периодического обзора (review period T), то целевой уровень запаса после заказа (order‑up‑to level, S) считается аналогично, но с учётом спроса за период T + L.

Выбор политики пополнения

Для запасных частей с прерывистым спросом наиболее распространены две политики:

Непрерывный обзор (s, Q)

• При падении уровня запаса ниже s (точка заказа) запускается фиксированный заказ объёма Q.
• Подходит, когда стоимость размещения заказа значительна и есть возможность отслеживать запас в реальном времени (например, через WMS или ERP).
• Q можно определить через модифицированную EOQ, учитывающую ожидаемый спрос и стоимость дефицита, либо просто установить фиксированный размер, основанный на среднем размере заказа поставщика.

Периодический обзор (R, S)

• Запас проверяется каждые R периодов (например, раз в неделю). Если текущий уровень меньше S, делается заказ до уровня S.
• Удобно, когда невозможен непрерывный мониторинг, но есть регулярные инвентаризации или подведение итогов смен.
• Параметр R выбирается исходя из компромисса между трудозатратами на проверку и допустимым увеличением страхового запаса из‑за более длинного периода защиты.

Для критически важных деталей иногда применяют политику «базовый запас» (base‑stock): после каждого снятия сразу делается заказ на единицу, тем самым поддерживая постоянный уровень на складе. Эта политика оправдана, когда срок поставки очень короткий (один‑два дня) и стоимость размещения заказа пренебрежимо мала.

Учёт времени поставки и его вариабельности

Время поставки (lead time) само по себе может быть случайным: зависит от графика поставщика, таможенного оформления, доступности транспортных средств. Игнорирование его вариабельности приводит к занижению страхового запаса.

Практический подход:

1. Собрать исторические данные о фактических сроках поставки для каждого поставщика/детали.
2. Оценить среднее L и стандартное отклонение σL.
3. Если σL существенно (> 20 % от среднего), включить его в расчёт дисперсии lead time demand: σ²LT = d²·σ²L + L·σ²d (где σ²d — дисперсия спроса за единицу времени).
4. При отсутствии достаточной истории использовать консервативный запас, увеличивая współczynник z на 0,2‑0,5.

Баланс затрат: хранение vs простои

Определение оптимального уровня запаса сводится к минимизации суммарных ожидаемых затрат:

• Стоимость хранения (h) — включает аренду, амортизацию, страхование, риск устаревания.
• Стоимость дефицита (p) — потеря производства, штрафы, стоимость срочной доставки.

Оптимальный коэффициент запаса z* можно получить из условия:

h / (h + p) = Φ(z*), где Φ — функция распределения стандартного нормального.

На практике, если точные значения h и p неизвестно, используют ориентиры:

• Для дешёвых, легко заменяемых частей — низкий service level (80‑85 %).
• Для дорогих или критически важных — высокий service level (95‑99 %).
• При значительном риске устаревания (например, электронные компоненты) — дополнительно вводят лимит максимального возраста запаса и периодически списывают старые позиции.

Пошаговый процесс внедрения управления запасами

Ниже представлен последовательный алгоритм, который можно адаптировать под конкретное производство или сервисную службу.

1. Сбор и очистка данных
2. Ежемесячные (или еженедельные) записи о выдачах запасных частей за минимум 12‑18 месяцев.
3. Информация о сроках поставки от каждого поставщика (дата заказа — дата поступления).
4. Классификация деталей по стоимости, критичности и частоте отказа.
5. Анализ паттерна спроса
6. Вычисление доли нулевых периодов, среднего размера спроса, коэффициента вариации.
7. Построение гистограммы интервалов между nonzero спросом.
8. Выбор модели прогнозирования
9. Если доля нулевых периодов > 70 % и размеры запросов в основном 1‑2 — попробовать Кростона/SBA.
10. Если размер запроса всегда равен единице и есть основания предполагать постоянную интенсивность — Пуассон.
11. Если наблюдается overdispersion — отрицательное биномиальное.
12. Проверить остатки на отсутствие autocorrelation (например, с помощью Ljung‑Box теста).
13. Оценка параметров lead time
14. Рассчитать среднее и стандартное отклонение сроков поставки.
15. При необходимости скорректировать дисперсию lead time demand.
16. Расчёт точки заказа и объёма заказа
17. Определить целевой service level для каждой группы критичности.
18. Вычислить страховой запас и ROP (или S) согласно выбранной политике.
19. Установить объём заказа Q (если используется непрерывный обзор) на основе экономических соображений или минимального лота поставщика.
20. Настройка информационной системы
21. Ввести параметры (ROP, Q, review period) в WMS/ERP.
22. Настроить оповещения о приближении к точке заказа и о превышении максимального срока хранения.
23. Запустить еженедельный/ежемесячный отчет по исполнению (service level, средний запас, число срочных заказов).
24. Мониторинг и корректировка
25. Сравнивать фактический service level с целевым.
26. При систематическом недоборе — увеличить z или пересмотреть прогноз модели.
27. При постоянном избытке — уменьшить z, пересмотреть порог устаревания или рассмотреть переход на политику заказа по факту.
28. Ежеквартально переобучать модели на актуальных данных.

Типичные ошибки и как их избежать

При управлении прерывистым спросом часто встречаются следующие недочёты:

• Использование среднего спроса без учёта вариабельности. Это приводит к занижению страхового запаса и частым простоям. Решение: всегда оценивать дисперсию спроса и lead time.
• Применение EOQ формулы, разработанной для стабильного спроса. EOQ предполагает постоянный спрос и линейные затраты на хранение; при прерывистом спросе она даёт ложно экономичный объём заказа. Решение: использовать модифицированные формулы или фиксированный лота, основанный на минимальном заказе поставщика.
• Игнорирование срока годности или технологического устаревания. Даже если деталь редко востребована, её хранение может привести к потере свойств. Решение: ввести лимит максимального возраста запаса и периодически проводить аудит.
• Неучёт зависимости между отказами разных узлов. Иногда отказ одного компонента провоцирует немедленную необходимость в нескольких других. Решение: анализировать совместные выдачи и, при сильной корреляции, рассматривать комплекты запасов.
• Редкая пересмотр политики. Изменения в режиме работы оборудования, поставщиках или сезонных нагрузках делают старые параметры неактуальными. Решение: планировать пересмотр не реже одного раза в квартал.

Сценарии принятия решений

В зависимости от сочетания критичности детали, длительности поставки и характера спроса можно выбрать один из следующих типичных подходов.

Ситуация	Рекомендуемая политика	Комментарий
Критичная деталь, средний lead time ≤ 2 дня, спрос крайне редок (≤ 0,1 единиц/неделя)	Базовый запас (base‑stock) с уровнем S = 1‑2 единицы	Быстрое пополнение компенсирует низкий запас; стоимость размещения заказа мала.
Полукритичная деталь, lead time 1‑3 недели, спрос прерывистый, средний размер заказа 1‑3 ед.	Непрерывный обзор (s, Q) с Q = средний размер заказа × 1,5, s рассчитан через Croston + страховой запас	Оптимален баланс между частотой заказов и уровнем запаса.
Не критичная деталь, длительный lead time > 4 недели, спрос очень низкий	Периодический обзор (R, S) с R = 1 месяц, S = страховой запас, рассчитанный на 95 % service level	Снижает трудозатраты на контроль; запас хранится дольше, но стоимость дефицита приемлема.
Деталь с высоким риском устаревания (например, микросхема)	Минимальный запас + контракт с поставщиком на «just‑in‑time» delivery при подтверждённом отказе	Сокращает риск хранения устаревшего компонента; требует надёжной связи с поставщиком и быстрой обработки заявки.

Практический следующий шаг

Для начала внедрения рекомендуется выполнить пилотный проект на ограниченной номенклатуре (10‑20 позиций), представляющей разные группы критичности и спроса. Следуйте пунктам из пошагового процесса, соберите результаты за один‑два цикла поставки и оцените изменение показателей:

• Процент выполнения заказов без простоев (service level).
• Средний уровень запаса (в днях потребления).
• Число срочных заказов и связанные с ними расходы.
• Доля устаревших списаний.

На основе полученных данных скорректируйте параметры моделей и политики, затем масштабируйте подход на всю номенклатуру.

Заключительные рекомендации

• Начинайте с простого метода (Кростон или SBA) и только при доказательной необходимости переходите к более сложным моделям.
• Всегда учитывайте вариабельность lead time — она часто является главным источником неопределённости.
• Сопоставляйте выбранный service level с реальной стоимостью простоев; не стремитесь к 100 % готовности, если это ведёт к непропорционально высоким издержкам.
• Регулярно пересматривайте классицию деталей: изменение режима работы или обновление оборудования может перевести позицию из группы C в группу A и наоборот.
• Документируйте все допущения и источники данных; это упрощает аудит и упрощает передачу знаний новым сотрудникам.