A Dynamic Adaptive Fusion Transformer for Zero-Inflated Intermittent Spare Parts Demand Forecasting

In der komplexen Welt der Lieferketten ist die Aufrechterhaltung des richtigen Lagerbestands an Teilen ein ständiger Balanceakt. Wenn eine Fabrik oder eine Fluggesellschaft einem bestimmten Bauteil knapp wird, können die Betriebsabläufe zum Erliegen kommen, was kostspielige Verzögerungen verursacht. Aber wenn ein Lager voll mit Teilen ist, die nie verwendet werden, liegt Geld ungenutzt in den Regalen, und die Artikel könnten schließlich veralten. Diese Herausforderung ist besonders schwierig für Ersatzteile, die in Maschinen und Fahrzeugen verwendet werden. Im Gegensatz zur Nachfrage nach Alltagsgegenständen wie Brot oder Batterien, die Menschen regelmäßig kaufen, liegen Ersatzteile oft monatelang oder sogar jahrelang unberührt herum, nur um plötzlich benötigt zu werden, wenn eine Maschine ausfällt. Dieses Muster, bei dem lange Phasen der Stille durch seltene, unvorhersehbare Anfragen unterbrochen werden, schafft ein einzigartiges Prognoseproblem. Standard-Vorhersagewerkzeuge, die bei stetigem Absatz gut funktionieren, versagen hier oft. Sie neigen dazu, zu raten, dass ein Teil bald benötigt wird, einfach weil die Mathematik es sagt, was zu einem Anhäufen unnötiger Bestände führt, oder sie übersehen den seltenen Moment, in dem ein Teil tatsächlich benötigt wird.

Ein Team von Forschern vom Air Force Logistics College in China hat einen neuen Ansatz entwickelt, um dieses spezifische Rätsel zu lösen. Sie haben ein hochentwickeltes Computermodell entwickelt, das darauf ausgelegt ist, diese erratischen, „zero-inflated“ (null-inflations-behafteten) Nachfragemuster zu handhaben, bei denen in den meisten Monaten gar keine Nachfrage besteht. Die Forscher testeten ihr System anhand eines realen Datensatzes, der die Nachfragedaten für über 2.600 verschiedene Ersatzteile enthielt und deren Nutzung über einen Zeitraum von mehr als vier Jahren verfolgte. Das Ziel war es, vorherzusagen, ob ein Teil in den kommenden Monaten benötigt wird und, falls ja, wie viele Einheiten benötigt würden. Ihr neues Modell, das sie „Dynamic Adaptive Fusion Transformer“ nennen, arbeitet, indem es die Vorhersageaufgabe in zwei unterschiedliche Fragen aufteilt: Erstens, wird das Teil überhaupt benötigt? Und zweitens, falls es benötigt wird, wie viele Einheiten werden benötigt? Indem sie diese als separate Probleme behandeln und die Antworten dann sorgfältig kombinieren, lernt das Modell, den Unterschied zwischen einem echten Mangel an Bedarf und einem seltenen Anstieg der Nachfrage zu erkennen.

Die Forscher fanden heraus, dass dieser getrennte Ansatz, kombiniert mit einem Mechanismus, der es dem Modell ermöglicht, seine eigene Konfidenz anzupassen, die Genauigkeit erheblich verbesserte. In ihren Tests war das neue Modell viel besser darin, Fehlalarme zu vermeiden als bisherige Methoden. Wenn die tatsächliche Nachfrage nach einem Teil null war, sagte das neue Modell einen Bedarf nahe Null voraus, was effektiv verhindert, dass das Lager Teile bestellt, die dann nur im Regal verstauben würden. Insbesondere reduzierte das Modell den Fehler bei der Vorhersage von Monaten mit Null-Nachfrage auf ein sehr niedriges Niveau und übertraf damit traditionelle statistische Methoden und andere moderne Machine-Learning-Werkzeuge bei weitem. Die Studie zeigte jedoch auch einen Kompromiss auf. Während das Modell exzellent darin wurde, zu wissen, wann nicht bestellt werden sollte, wurde es gelegentlich etwas vorsichtiger bei der Vorhersage großer, plötzlicher Nachfragespitzen. Es unterdrückte erfolgreich das Rauschen falscher positiver Ergebnisse, unterschätzte aber manchmal den Umfang einer echten, dringenden Anfrage.

Um zu verstehen, wie dies funktioniert, stellen Sie sich das Modell als ein System vor, das zuerst einen Kalender und ein Protokoll prüft, um zu entscheiden, ob eine Anfrage wahrscheinlich ist. Wenn die Historie zeigt, dass das Teil seit langer Zeit nicht verwendet wurde, tendiert das System stark dazu, Null vorherzusagen. Wenn die Historie eine jüngere Aktivität zeigt, verlagert es seine Aufmerksamkeit auf die Schätzung der Menge. Die Forscher bauten ein „Gating“-System, das wie ein Verkehrskontrolleur fungiert und entscheidet, wie viel Gewicht der Wette „Wird es passieren?“ gegenüber der Wette „Wie viele?“ beigemessen wird. Dies ermöglicht es dem Modell, flexibel zu sein. In Monaten, in denen die Daten auf eine ruhige Phase hindeuten, sagt das Modell selbstbewusst Null voraus. In Monaten, in denen die Daten auf Aktivität hindeuten, öffnet es die Tür für die Vorhersage einer positiven Zahl. Diese dynamische Anpassung ist es, was es dem System ermöglicht, die extreme Unvorhersehbarkeit von Ersatzteilen zu handhaben, ohne durch die langen Phasen der Stille verwirrt zu werden.

Die Experimente zeigten, dass diese Methode besonders effektiv für Teile ist, die selten verwendet, aber im Bedarfsfall kritisch sind. Durch die Reduzierung der Anzahl der Fälle, in denen das Modell fälschlicherweise einen Bedarf für ein Teil vorhersagt, das eigentlich nicht benötigt wird, hilft das System Organisationen, Geld bei der Lagerung zu sparen und den Abfall durch die Bestellung veralteter Bestände zu vermeiden. Die Forscher merkten an, dass das Modell zwar nicht perfekt darin ist, die genaue Größe eines massiven, plötzlichen Nachfrageanstiegs vorherzusagen, seine Fähigkeit, Fehlalarme zu vermeiden, jedoch eine große Verbesserung darstellt. Im Kontext des Bestandsmanagements, in dem die Kosten für das Halten von Überbeständen hoch sein können, ist diese Präzision wertvoll. Die Studie legt nahe, dass für viele Ersatzteile die beste Strategie darin besteht, sehr vorsichtig bei der Vorhersage eines Bedarfs zu sein, es sei denn, die Beweise sind eindeutig, anstatt zu raten, dass eine Nachfrage erscheinen könnte, nur um auf der sicheren Seite zu sein.

Die Forscher testeten ihr Modell gegen mehrere andere Methoden, einschließlich älterer statistischer Techniken und neuerer Deep-Learning-Modelle. Die Ergebnisse waren eindeutig: Das neue Modell produzierte weniger Gesamteffekte und war viel besser darin, Monate zu identifizieren, in denen keine Nachfrage auftreten würde. Tatsächlich lagen die Vorhersagen des neuen Modells, speziell wenn es um die Monate ging, in denen keine Teile benötigt wurden, signifikant näher an Null als die der anderen Methoden. Das bedeutet, dass es erfolgreich das häufige Problem der „spuriösen positiven Vorhersagen“ vermied, bei denen ein Modell ein Muster sieht, das nicht existiert, und unnötigerweise Teile bestellt. Die Studie bestätigte auch, dass jeder Teil ihres neuen Systems eine entscheidende Rolle spielte. Das Entfernen des Teils, der das Auftreten der Nachfrage prüft, machte das Modell schlechter im Umgang mit Monaten ohne Nachfrage, während das Entfernen des Teils, der die Größe der Nachfrage prüft, es weniger genau machte, wenn Teile tatsächlich benötigt wurden. Die Kombination dieser Elemente, gesteuert durch den adaptiven Fusionsmechanismus, schuf ein System, das robuster war als jede einzelne Komponente allein.

Obwohl das Modell exzellent darin ist, Überbestellungen zu verhindern, räumten die Forscher ein, dass es in Bezug auf die Vorhersage der Größenordnung seltener, hochvolumiger Ereignisse noch Verbesserungspotenzial hat. In ihren Tests sagte das Modell manchmal eine geringere Anzahl an Teilen voraus, als während eines plötzlichen Anstiegs tatsächlich benötigt wurden. Dies deutet darauf hin, dass das System zwar großartig darin ist zu wissen, wann es ruhig bleiben soll, aber beim Eintreffen des Rauschens eines echten Nachfrageanstiegs manchmal etwas zu konservativ agiert. Die Autoren schlagen vor, dass zukünftige Arbeiten darin bestehen könnten, spezifische Regeln für diese extremen Spitzen hinzuzufügen oder die Ausgabe des Modells mit Sicherheitsbestandsrichtlinien zu kombinieren, um sicherzustellen, dass kritische Teile niemals fehlen. Für den Moment zeigt die Studie, dass es möglich ist, ein viel klügeres System für die Verwaltung der unvorhersehbaren Welt der Ersatzteile zu schaffen, indem man das Prognoseproblem in kleinere, handhabbarere Stücke zerlegt und das Modell entscheiden lässt, wie es diese gewichtet.

Die Auswirkungen dieser Arbeit erstrecken sich über die Bereiche Militär oder Luftfahrt, in denen die Forscher ansässig sind, hinaus. Jede Branche, die auf die Wartung von Ausrüstungen mit selten verwendeten Teilen angewiesen ist, kann von diesem Ansatz profitieren. Von der industriellen Fertigung bis zur Kfz-Reparatur ist die Herausforderung, die intermittierende Nachfrage vorherzusagen, universell. Der Erfolg des Dynamic Adaptive Fusion Transformer legt nahe, dass die Zukunft des Bestandsmanagements nicht darin liegt, eine einzige, einfache Vorhersage auf komplexe Daten zu erzwingen, sondern Systeme zu bauen, die in der Lage sind, die verschiedenen Zustände der Nachfrage zu verstehen und ihre Strategie entsprechend anzupassen. Indem sie lernen, zwischen einem echten Mangel an Bedarf und einem seltenen Moment hoher Aktivität zu unterscheiden, können diese Systeme Unternehmen helfen, effizienter zu arbeiten, indem sie ihre Lieferketten schlank halten, ohne die Verfügbarkeit der Teile zu gefährden, die sie am dringendsten benötigen.