ВОПРОС № 5: Расчет потребности в запасных частях.

В общем случае для определения потребности в запасных частях и заказа промышленности потребуются следующие ис­ходные данные:

1. Ожидаемый парк машин на прогнозируемый период.

2. Ожидаемый остаток запасных частей на складе на начало прогнозируемого периода.

3. Объем совокупного запаса.

4. Коэффициент расхода запасных частей в зависимости от года эксплуатации техники.

5. Зональные поправочные коэффициенты к нормам расхода деталей.

6. Статистические данные о расходе деталей за истекшие 3—5 лет.

7. Код или номер стандарта деталей.

8. Наименование деталей.

9. Среднезональные нормы расхода деталей на 100 машин в год.

10. Количество одноименных деталей на машине.

11. Применяемость детали на других машинах.

12. Цена детали.

Детерминированные методы основываются на обработке числовых массивов данных (как значительных по объему, так и сравнительно небольших). К ним относят метод временных рядов, он основывается на допущении, в соответствие с которым происшедшее в про-шлом дает хорошее приближение в оценке будущего, он является способом выявления тен- денции прошлого и продления их в будущее. Метод временных рядов разделяется на следующие: подвижное (скользящее) среднее, экспоненциальное сглаживание и проецирование тренда.

Метод подвижного (скользящего) среднего состоит в том, что расчет показателя на прогнозируемый момент времени строится путем усреднения значений этого показателя за несколько предшествующих моментов времени. При строительстве тренда важно учитывать стадии и главным является то, что при его использовании всем наблюдениям по периодам придается одинаковая значимость. К тому же в данном методе используются только данные последних наблюдений и при учете данных более ранних периодов ошибка прогнозирования возрастает.

Метод экспоненциального сглаживания основывается на учете отклонения предыдущего прогноза от реального показателя, он является простым при применении, к тому же достаточно точным. Он придает большую значимость последним наблюдениям и принимает в расчет данные за все имеющиеся периоды. В основе данного метода лежат предположения о стабильности причинно-следственных связей и о регулярности эволюции факторов внешней среды, что делает возможным использование приемов экстраполяции тенденции, наблюдаемой в прошлом, на будущее.

Метод проецирования тренда основывается на построении прямой, которая «в среднем» наименее уклоняется от массива точек, заданного временным рядом. Стохастические методы основываются на вероятностном характере, как прогноза, так и самой связи между исследуемыми показателями. Вероятность получения точного прогноза растет с ростом числа эмпирических данных. К таким методам относят метод логического дерева и метод среднемесячной потребности.

Метод логического дерева заключается в выявлении существенных факторов и разбиение диапазона значений соответствующих им параметров на диапазоны, внутри которых различиями значений параметров пренебрегают. Основными принципами метода являются определение полного ассортимента запасных частей, находящихся в текущей эксплуатации; выявление корреляции потребления запасных частей с другими факторами (например, состав парка автомобилей); использование выявленных корреляций для прогнозирования потребности в замене эксплуатируемых деталей в прогнозном периоде. Проверкой работоспособности полученного логистического дерева является применение полученной структуры на массиве проверочных данных и сравнение с реальными данными. Основными этапами прогнозирования методом логического дерева являются формирование массивов постоянных данных и формирование массивов тренировочных и проверочных данных. В массиве постоянных данных вносится информация о конкретных запасных частях (идентификатор, стоимость запасной части, код наименования, модификация, модель, дата эксплуатации, состав парка). Далее формируется тренировочный набор данных, который содержит информацию достаточно продолжительного прошлого периода о реализации запасных частей, парке автомобилей, других рассматриваемых факторах. Затем используется алгоритм логического дерева: строится последовательность предположений о значимости отдельных факторов на возникновение потребности в запасной части, и оценивается информационная ценность каждого предположения. При формировании логического дерева стоит задача создания логической структуры, не идеально классифицирующей тренировочный набор данных, а обладающей способностью столь же хорошо прогнозировать результат для проверочного набора. Дерево должно быть достаточно полным для того, чтобы учитывать имеющуюся информацию, и в то же время оно должно быть как можно более простым. В дереве должна быть использована та информация, которая улучшает точность прогноза, исключена информация, которая прогноза не улучшает.

Метод среднемесячной потребности используется, в случае если набор статистических данных не позволяет проводить сложный анализ с выявлением и учетом коррелирующих факторов, а также при необходимости провести оценочный прогноз для принятия оперативных управленческих решений. Данный метод является упрощенным методом прогнозирования потребности в запасных частях. Результатом прогноза для периодической потребности является параметр AMD (AverageMonthlyDemand-среднемесячный спрос), рассчитываемый суммированием потребности за выбранный период и делением на количество месяцев в периоде. Среднемесячный спрос определяется по формуле:

где Qпотр - суммарный объем потребности за выбранный период,

n - общее количество месяцев в рассматриваемом периоде.

Для учета таких изменений, как изменение числа потребителей товара (числа автомобилей, на которых рассматриваемая деталь может потребовать замены) вводится коэффициент потребления PCF (ProgramChangeFactor-коэффициент изменения программы), позво-ляющий повысить качество прогноза, но его использование предполагает увеличение числа вычислений. Данный коэффициент связывает потребление в прошлом и прогнозируемое потребление и компенсирует известные изменения будущей потребности относительно базового периода. PCF вычисляется как отношение средней базовой плотности товара к средней прогнозируемой плотности товара по формуле:

где Pбаз-средняя базовая плотность товара,

Pпрогн - средняя прогнозируемая плотность товара.

Используя среднемесячную потребность и коэффициент PCF путем их умножения, можно получить прогнозируемую среднемесячную потребность FAMD (ForecastedAverageMonthlyDemand), вычисляемую по формуле:

где AMD (AverageMonthlyDemand)-среднемесячный спрос,

PCF (ProgramChangeFactor)-коэффициент изменения программы.

Экспертные методы представляют собой процедуру, позволяющую группе экспертов приходить к согласию. К экспертным методам относят такие методы, как априорное ранжирование, метод Дельфи.

Априорное ранжирование основывается на оценке исследуемых факторов группой специалистов, компетентных в рассматриваемом вопросе. Преимущества априорного ранжирования: простота метода, небольшой объем работ, универсальность и оперативность. Недостатки: определенная субъективность, влияние квалификации экспертов на конечную оценку и т.д.

Метод Дельфи представляет собой итерационную процедуру, способную подвергнуть мнение каждого эксперта критическому анализу со стороны всех остальных. Преимуществами данного метода являются управляемая обратная связь, анонимность и мотивация оценки мнения эксперта. Основной недостаток метода-влияние мнения большинства наэкспертные оценки в последующих за первым туром итерациях.

Нормативный метод основывается на расчете удельных норм расхода запасных частей по весовому признаку, то есть по массе нетто за год. Проводится статистическое исследование по расходу запасных частей и выполняются расчеты с использованием математического аппарата. Исследуется определенная выборка автомобилей, эксплуатируемых не менее 10 лет в течение календарного года, составляются исходные данные и выполняются расчеты с использованием методов математической статистики.