‏🟡 ۲/۳

‏📌 چکیده

تا سال ۲۰۱۸ آمادگی سوپر‌هورنت‌های F/A‑18 نیروی هوایی نیروی دریایی زیر ۵۰٪ بود و وزیر دفاع هدف ۸۰٪ را برای پایان سال مالی ۲۰۱۹ تعیین کرد. با همکاری CNA و به‌کارگیری تحلیل پیش‌بینی‌کننده P2P، مدل‌هایی با دقت ۹۷٪ ساخته شد که دو عامل کلیدی—مقدار قطعات یدکی تولیدی و تعداد مکانیک‌ها و تکنسین‌ها—را شناسایی کردند و نیروی دریایی را به تمرکز بر این موارد سوق داد. مدل‌های پیشرفته‌تر با استفاده از امتیاز تجربه نگهدارنده (AMEX) توزیع بهینه نیروی انسانی را نشان داد و با جذب بهترین شیوه‌های نگهداری تجاری و اصلاح فرآیندهای نگهداری، تعداد هواپیماهای پروازی را از ۳۴۰ تا ۸۰٪ آمادگی افزایش داد. این موفقیت منجر به گسترش پروژه‌های P2P در حوزه‌های ناوگان‌سازی، نگهداری زیرسطحی و منابع انسانی شد.

تا سال ۲۰۱۸، کاهش یک دهه‌ساله در آمادگی، نیروی هوایی نیروی دریایی را در موقعیتی خطرناک قرار داده بود؛ کمتر از نیمی از سوپر‌هورنت‌های F/A‑18 این نیروی هوایی، قابلیت مأموریتی داشتند. جیمز ماتیس، وزیر دفاع، به خدمات نظامی دستور داد تا تا پایان سال مالی ۲۰۱۹ این مشکل را رفع کنند و هدف جاه‌طلبانه‌ای برابر با ۸۰٪ آمادگی برای جنگنده‌ها تعیین کرد.

به تعجب بسیاری، نیروی دریایی در واقع به آن هدف دست یافت؛ دستاوردی که فرمانده نیروی هوایی نیروی دریایی، معاون‌الامیر دِوولف میلر، آن را به داده‌ها نسبت داد. میلر گفت: «امروز ۳۴۰ هواپیمای بیشتر در حال پرواز هستند که یک سال پیش پرواز نمی‌کردند». او افزود: «این همان قدرت داده‌ها و تصمیم‌گیری مبتنی بر داده است».

همکار تحلیل داده‌های نیروی دریایی در این تحول چشمگیر، CNA بود.

حتی پیش از تعیین هدف ۸۰٪، دانشمندان داده در CNA به‌طور عمیق در ابتکاری که می‌خواست احیای نیروی هوایی را شتاب دهد، مشارکت داشتند: «عملکرد بر مبنای برنامه» (P2P). ایده این بود که با استفاده از تحلیل پیش‌بینی‌کننده، عملکرد آینده را پیش‌بینی کرده و عوامل مؤثر بر بهبود را شناسایی کنند. دکتر گرگ شِل، که رهبری تحلیل P2P سوپر‌هورنت‌ها را در CNA بر عهده داشت، می‌گوید: «وزیر دفاع از خوش‌بینی بی‌اساس خسته شده بود؛ از نگاه به نمودارهایی که بدون تحلیل، خط مستقیم بین وضعیت کنونی و هدف ما می‌کشیدند، خسته شده بود».

CNA داده‌های تاریخی مربوط به نگهداری، تدارکات و پرسنل را جمع‌آوری کرد و در یک مدل جدید گنجاند تا درصد سوپر‌هورنت‌های قابل مأموریت را با دقت ۹۷٪ پیش‌بینی کند. این مدل دو عامل کلیدی را از میان ۲۰ عامل موجود شناسایی کرد که بیشترین تأثیر را بر آمادگی داشتند: مقدار قطعات یدکی آماده تولید شده در دو مرکز اصلی آمادگی ناوگان و تعداد مکانیک‌ها و تکنسین‌ها در سطح گردان. نیروی هوایی نیروی دریایی شروع به تمرکز بر این مسایل کرد.

اما این مدل به نتیجه‌ای هراس‌انگیز نیز رسید. حتی اگر نیروی دریایی بتواند بهترین عملکرد تاریخی خود را در زمینه قطعات یدکی و نیروی انسانی تکرار کند، هنوز به هدف ۸۰٪ نخواهد رسید. کل فرآیند نگهداری نیاز به اصلاح داشت. این نتیجه‌گیری، نیروی دریایی را وادار به جذب تخصص بخش خصوصی کرد. نیروی دریایی مجموعه‌ای از بهترین شیوه‌های نگهداری هواپیماهای تجاری را به کار گرفت، در حالی که CNA تأثیر هر تغییر را زیر نظر داشت. تیم علم داده CNA مجبور شد با استفاده از مجموعه‌های داده عظیم که وضعیت هر هواپیمای منفرد را پیگیری می‌کرد، مدل‌های پیچیده‌تری توسعه دهد.

فرآیند P2P نیازمند برگزاری جلسات فصلی با حضور رهبران پنتاگون و نیروی هوایی نیروی دریایی بود؛ در این جلسات شِل آخرین اصلاحات مدل‌ها و نتایج آن‌ها را گزارش می‌داد. شِل می‌گوید: «وقتی اولین بار فهمیدند که به عنوان موش آزمایشی P2P انتخاب شده‌اند، هیجان‌زده نبودند». او ادامه می‌دهد: «اما با گذشت زمان، از حالت «این غیرممکن است» به «ما قطعاً می‌توانیم» تغییر یافتند».