Wenn Sie in der Industrie oder im Vertrieb leben, stehe die Chancen gut, dass sich Ihr Produktportfolio in den letzten zehn oder zwanzig Jahren vervielfacht hat. Marketingdifferenzierung, Personalisierung, kundenspezifische Elemente, Tiefe der Vertriebsnetzwerke: Jetzt haben Sie möglicherweise Zehntausende oder Hunderttausende Artikel, die verwaltet werden müssen.
Mit anderen Worten, Zehntausende oder Hunderttausende Artikel, deren Bestandshöhen gesteuert werden müssen, die Sie zum richtigen Zeitpunkt nachfüllen müssen, deren Ströme orchestriert werden müssen, damit Sie entsprechend Ihrer Zusagen die Verfügbarkeit für Ihre Kunden gewährleisten.
Komplexität kann Unternehmen dazu verleiten, komplexe Lösungen zu entwickeln. Kein Zweifel, solche Portfolios lassen sich nur mit automatisierten Prozessen verwalten.
Wenn Sie den verführerischen Worten der Technologieverfechter folgen, werden Sie vielleicht mit künstlicher Intelligenz arbeiten wollen, um Prognosen für Ihre unzähligen Artikel zu entwickeln, die Unsicherheit dieser Prognosen vorherzusagen und Sicherheitsbestände abzuleiten, die natürlich aus der Quadratwurzel der Variabilität der Vorlaufzeiten abgeleitet werden…
Ist es möglich, derartig komplexe Umgebungen zu steuern und dabei einfach zu bleiben?
Häufig konfrontierten mich Gesprächspartner mit Fragen, nachdem sie die DDMRP-Methodik studiert, eine Ausbildung durchlaufen oder eines der Standardwerke zu Thema gelesen hatten und ihnen Zweifel kamen, wie sie diesen Ansatz in großem Umfang anwenden könnten.
Einer der Einwände ist der Ansatz zur ungefähr richtigen Bestandsbemessung. Sie nehmen einen Vorlaufzeitfaktor, etwa X% für eine „mittlere Vorlaufzeit“, Sie kombinieren ihn mit einem Schwankungsfaktor von etwa Y% für „geringe Schwankung“, Sie erhalten Pufferprofile, Sie wenden diese an, Sie beobachten, was passiert und Sie korrigieren im Verlauf.
Ich stimme zu, dass das für naturwissenschaftlich orientierte Köpfe überraschend und sogar beunruhigend sein kann. Wenn Sie jahrelange operative Erfahrung im Supply Chain Management haben, wird es Sie weniger schockieren, denn Sie wissen, dass wir an der Kreuzung von Naturwissenschaft, Geisteswissenschaften und der Dynamik komplexer Systeme stehen – und dass all dies schwer in Gleichungen umzusetzen ist.
Der „ungefähr richtige“ Ansatz bedeutet, sich auf die Entwicklung eines Modells zu konzentrieren, das für das Unternehmen relevant und angemessen ist, aber es bedeutet nicht, sich dem Zufall anzuvertrauen.
Tatsächlich reimt sich Demand Driven mit Data Driven. Um Bestände zu dimensionieren und relevante Pufferprofile zuzuweisen, analysieren wir vergangene, tägliche Bedarfsverläufe, berechnen Standardabweichungen und Variabilitätskoeffizienten, bewerten Saisonalitäten und Trends, die Risiken, denen Versorgungsströme ausgesetzt sind, simulieren rückwirkend die Wirksamkeit von Puffern und nutzen möglicherweise sogar, ja, künstliche Intelligenz.
Zahlreiche Projekte, die Hunderte Standorte und Millionen von Artikeln betrafen, haben uns dazu gebracht, Standardeinstellungen zu entwickeln, die über einen Software-Assistenten, den „Smart Buffer Profiler“ angewendet werden. Mit nur wenigen Klicks hilft uns dieser Assistent, Tausenden von Elementen Pufferprofile zuzuweisen, die vorgeschlagenen Einstellung mit vorhandenen Beständen zu vergleichen und die Angemessenheit der Ergebnisse anhand von Stichproben zu überprüfen. Üblicherweise kann man mit diesem Ansatz, kombiniert mit dem Wissen der Planer, innerhalb weniger Tage ein gut kalibriertes DDMRP-Bestandsmodell.
Im Mittelpunkt der DDMRP-Methodik steht das Streben nach einfachen Lösungen, aber das bedeutet keine übermäßige Vereinfachung.
Die Elemente, mit denen das Modell vereinfacht werden kann, sind:
- Die Zusammenfassung von Artikeln zu Pufferprofilen, d. h. die Definition gemeinsamer Regeln für Artikelgruppen, die sich aufgrund ihrer Eigenschaften ähnlich verhalten sollten. Ein Datenwissenschaftler würde das als Clusterbildung bezeichnen.
- Die Einrichtung regelmäßiger Prozesse (während DDS&OP), mit denen die Pufferprofile an die Entwicklung der Artikeleigenschaften und an deren historisches Verhalten angepasst werden, geleitet von Software-Assistenten.
- Eine einfache Berücksichtigung der Versorgungsschwankungen durch Zonenanpassungsfaktoren auf Massendatenebene.
- Die dynamische Neuberechnung der Puffer im Zeitverlauf durch die Berechnungsformel, die beim Entwurf des Modells eingeführt wurde. Keine Kampagne der Neuberechnung von Sicherheitsbeständen mehr auf der Grundlage komplexer Formeln.
- Tägliche Überwachung auf Basis der Überwachung von Ausnahmen, sowohl für Planungsprioritäten als auch für Ausführungswarnungen.
- Die Vorbereitung auf Risikosituationen mit Hilfe von Simulationen.
Und vor allem… ein einfaches Verständnis des Modells durch die Teams, die es steuern und verbessern.
Wenn Sie also für große Portfolios an zu beschaffenden, herzustellenden oder zu verteilenden Artikeln verantwortlich sind , können Sie sich mit Zuversicht der Aufgaben stellen: Der DDMRP-Ansatz hat sich im industriellen Umfeld bewährt und entwickelt sich weiter, damit Sie immer komplexere Umgebungen mit Leichtigkeit steuern können.
