Optimale levering van reserveonderdelen door inzet van AI

Binnen veel supply chains is het beschikbaar hebben van de juiste onderdelen op het juiste moment een van de grootste uitdagingen. Dat geldt voor uiteenlopende sectoren, van de productie van frisdrankblikjes tot het onderhoud van vliegtuigen en drones. Vooral in het laatste geval is het voorspellen van de vraag naar reserveonderdelen complex.

Onderhoudsbehoeften zijn namelijk afhankelijk van verschillende factoren, zoals gebruiksintensiteit, weersomstandigheden en operationele belasting, of geopolitieke onrust. Voor nieuwe machines of systemen is bovendien vaak weinig historische data beschikbaar, waardoor traditionele voorspellingsmethoden tekortschieten.

Daar komt bij dat leveranciers vaak hun eigen modellen gebruiken om de levensduur van onderdelen te voorspellen. Deze sluiten niet altijd aan bij de praktijk van de organisatie die de machines gebruikt. Wanneer vliegtuigen bijvoorbeeld intensief worden ingezet in extreme omstandigheden, kan slijtage sneller optreden dan verwacht. Dit heeft directe gevolgen voor veiligheid, beschikbaarheid en operationele efficiëntie.

Organisaties hebben daarom behoefte aan flexibele en nauwkeurige voorspellingsmodellen die rekening houden met zowel technische data als operationele omstandigheden.

Artificial Intelligence biedt nieuwe mogelijkheden om reserveonderdelenmanagement slimmer en proactiever te organiseren. Door data uit verschillende bronnen te combineren ontstaat beter inzicht in slijtagepatronen en onderhoudsbehoeften.

Binnen deze aanpak worden onder meer sensorinformatie, onderhoudsgegevens en historische gebruiksdata geanalyseerd om patronen in slijtage en storingen te herkennen. Dit maakt het mogelijk om onderhoud beter te plannen en onderdelen tijdig beschikbaar te hebben. 

In plaats van te vertrouwen op één voorspellingsmodel adviseert KPMG om meerdere AI-methoden te combineren. Zo kan logistieke regressie worden gebruikt om te bepalen of een onderdeel binnen een bepaalde periode waarschijnlijk defect raakt. Poisson-modellen helpen bij het voorspellen hoe vaak een onderdeel binnen een bepaalde tijd kan falen. Survival-analyse geeft vervolgens inzicht in de verwachte levensduur van een onderdeel.

Door deze modellen te combineren ontstaat een completer beeld van wanneer onderdelen waarschijnlijk vervangen moeten worden en welke factoren de levensduur beïnvloeden. 

Datakwaliteit speelt hierbij een cruciale rol. Veel organisaties beschikken over waardevolle data, maar deze is vaak versnipperd of onvolledig. Door duidelijke governance en dataprocessen in te richten en AI te gebruiken om ontbrekende informatie te identificeren of aan te vullen, kan de kwaliteit van de onderliggende datasets aanzienlijk worden verbeterd.

Met behulp van AI kunnen organisaties hun voorraadbeheer en onderhoudsplanning aanzienlijk verbeteren.

Betere voorspellingen zorgen ervoor dat reserveonderdelen tijdig beschikbaar zijn, terwijl overbodige voorraden en verspilling worden verminderd. Tegelijkertijd maakt predictive maintenance het mogelijk om onderhoud proactief uit te voeren, waardoor machines langer inzetbaar blijven.

Het resultaat is een betrouwbaardere supply chain met minder downtime, efficiënter voorraadbeheer en een hogere operationele efficiëntie.

Een multidisciplinair team van KPMG Nederland ondersteunde organisaties bij het ontwikkelen van AI-gedreven oplossingen voor reserveonderdelenmanagement. Door expertise in AI & Data te combineren met kennis van supply chain processen en Digital Process Excellence werd een aanpak ontwikkeld die zowel voorspellend onderhoud als voorraadbeheer optimaliseert.

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.