Optimale levering van reserveonderdelen door inzet van AI

Eén van de grootste uitdagingen binnen supply chains: de beschikbaarheid van de juiste onderdelen en/of grondstoffen op het juiste moment. Dit is een belangrijke factor bij de fabricage van blikjes frisdrank, en zelfs cruciaal als het gaat om onderhoud van en spoedreparaties aan vliegtuigen. In het laatste geval is vooral het voorspellen van die behoefte aan reserveonderdelen complex. Zeker als het gaat om nieuwe machines waar slechts weinig historische data over beschikbaar zijn. Veel leveranciers hanteren bovendien hun eigen voorspellende modellen rond levensduur van onderdelen die niet per se aansluiten op de praktijk van de afnemer. Vliegtuigen of drones die veel vliegen bij extreme weeromstandigheden, slijten bijvoorbeeld sneller dan voorspeld en dat heeft gevolgen voor de inzetbaarheid en veiligheid. Er zijn nauwkeurige, flexibele voorspellingsmodellen nodig die rekening houden met omgevingsfactoren en gebruikerspatronen. Kortom, bij uitstek een uitdaging waar Artificial Intelligence het verschil kan maken.

Er zijn volop kansen om met AI en data-analyse reserveonderdelenmanagement te optimaliseren. Denk bijvoorbeeld aan:

• kosten besparen door beter voorraadbeheer en minder verspilling;
• proactief onderhoud (predictive maintenance), waardoor systemen, materialen, producten, machines en/of apparatuur langer meegaan;
• sensor- en onderhoudsdata combineren om patronen in slijtage te herkennen;
• modellen en methodes vergelijken voor de meest nauwkeurige voorspellingen van het voorraadbeheer.

Een extra kans is het verbeteren van datakwaliteit; vaak zijn die data immers versnipperd of incompleet. Dit vraagt om een helder databeleid (identificeren welke datapunten relevant zijn) en AI die ontbrekende informatie aanvult en inzichten verrijkt.

Vanuit KPMG adviseren we om niet slechts voor één model te kiezen, maar voor de combinatie van een aantal verschillende AI-modellen. Zoals een combinatie van logistieke regressie (gaat een onderdeel binnen een bepaalde tijd kapot, ja of nee), Poisson (hoe vaak gaat een onderdeel kapot binnen een bepaalde tijd) en survival analyse (hoe lang duurt het tot een onderdeel kapotgaat binnen een bepaalde tijd). Samen geven deze drie een compleet beeld van welke onderdelen waarschijnlijk nodig zijn en wanneer ze vervangen moeten worden. Ook wordt duidelijk welke factoren de levensduur beïnvloeden. Datakwaliteit en -beheer spelen hierin een belangrijke rol. Derhalve is het zaak om te zorgen voor heldere governance en processen om deze datakwaliteit te verbeteren. Daarbij gaat het vooral om het verzamelen van de juiste data, zoals onderdeelnummers, onderhoudsgeschiedenis en levertijd. Het resultaat is een nauwkeuriger datamodel dat veiliger en betrouwbaarder is. De gecombineerde AI-modellen zorgen voor betere voorspellingen rondom reserveonderdelen en voorraden. Hierdoor wordt de downtime van machines teruggedrongen en dat maakt de algehele supply chain sneller en efficiënter.