Qual è la domanda normale di un prodotto?va considerata anormale? Come ridimensionare
E quale domanda le scorte in base alla variabilità della domanda?
Chi si occupa di Supply Chain convive con questi problemi da sempre, anche prima dell’avvento del DDMRP. Però ora con il DDMRP può affrontare il problema in modo innovativo, attraverso un framework che integra la nozione di “domanda qualificata” nel calcolo dell’equazione del flusso netto e permette l’attivazione dell’ordine di replenishment.
Il fatto stesso di considerare questa “domanda qualificata” è ciò che distingue un buffer DDMRP da un punto di controllo convenzionale o un kanban, che in genere reagisce solamente quando il consumo avviene materialmente.
Bringing Demand Spikes Into the Flow
I tre componenti di questa “domanda qualificata” sono gli ordini cliente scaduti (past due), quelli che scadono oggi (due today) e i picchi di domanda del futuro (somma di domanda da ordini clienti in un dato giorno entro un orizzonte di tempo che è maggiore di una certa soglia).
- Backorders
- Requirements for today
- Demand spikes in the future
Integrando i picchi della domanda futura, l’equazione del flusso netto incorpora un’assunzione ragionata di rischio, qualificando richieste che potrebbero scomparire o essere modificate. Tuttavia, non anticipare queste richieste potrebbe esporre il buffer ad un pericoloso stockout, quindi è importante tenerle in considerazione.
Questo meccanismo di qualificazione dei picchi è spesso oggetto di molte domande quando si stabilisce un modello DDMRP. Qual è la soglia di qualificazione (order spike threshold) da utilizzare? Qual è l’orizzonte di qualificazione (order spike horizon)? Qual è la relazione tra le dimensioni della zona rossa e il meccanismo di qualificazione dei picchi? Qual è l’orizzonte di visibilità disponibile sugli ordini confermati?
Dalla nostra esperienza è necessario effettuare alcuni esperimenti per trovare l’ambiente giusto. Le simulazioni basate sullo storico della domanda ci consentono di porre buone domande e l’analisi critica dei picchi di domanda durante l’ottimizzazione del modello ci consente di regolare i parametri.
Planning For Demand Variability
La prima domanda da porsi è: qual è la domanda “normale” che il buffer deve essere in grado di soddisfare con un breve lead time?
Prendiamo l’esempio di un codice che presenta questo storico:
![chart showing spikes in demand](https://demanddriventech.com/wp-content/uploads/chart-1-1.png)
È chiaro che ci sono picchi di domanda, che si verificano circa una volta al mese.
Quando escludiamo questi picchi, la domanda è la seguente:
![chart excluding spikes in demand](https://demanddriventech.com/wp-content/uploads/chart-2-1.png)
La domanda è: il mio buffer DDMRP deve essere progettato per soddisfare l’intera domanda, inclusi i picchi, o solo questa domanda “base”?
La differenza tra le due opzioni rappresenta per questo singolo codice un investimento in stock di 10k€.
La risposta dipenderà dalla nostra conoscenza del contesto aziendale.
Questi picchi, quando gli ordini vengono ricevuti, devono essere soddisfatti immediatamente o riceviamo questi ordini in anticipo? Se questi ordini vengono resi noti in anticipo possiamo reagire attraverso il meccanismo di qualificazione dei picchi. In caso contrario, non abbiamo altra scelta che prenderli in considerazione per ridimensionare la zona rossa. Nel primo caso, dovremmo tenere conto di questi picchi per il calcolo dell’ADU (Average Daily Usage, usato per dimensionare il buffer), nel secondo caso è meglio escluderli.
Per questo esempio, dopo l’analisi, si è scoperto che i picchi su questo codice erano causati da un centro di distribuzione downstream all’interno della società, che aveva impostato un rifornimento mensile dall’hub di cui vediamo lo storico della domanda. La soluzione usata è stato di passare a un rifornimento settimanale in modalità VMI (Vendor Management Inventory), riducendo notevolmente la variabilità della domanda e quindi lo stock sull’hub. In questo modo si è eliminata la variabilità autoindotta!
Gli algoritmi di analisi dei dati ci aiutano a rilevare queste situazioni, ma è la conoscenza dei team che ci permetterà di definire il giusto design del modello, non aspettatevi una configurazione perfetta al primo colpo…
Calibrating Spike Detection
Nel caso seguente privilegeremo un settaggio in cui la soglia di qualificazione dei picchi è di circa 200, che ci porterà a qualificare 4 picchi in un periodo di 2 anni.
![chart showing demand variability](https://demanddriventech.com/wp-content/uploads/chart-3-1.png)
Ecco alcuni suggerimenti per aiutarti in questo processo:
- Quando rileviamo un picco, reagiamo “all’ordine”, a quell’evento, e quindi trasmettiamo la variabilità della domanda al nostro fornitore e/o alla produzione. Quindi più picchi rileviamo, maggiore è la variabilità e lo stress che trasferiamo a monte.
- Al contrario, più copriamo la variabilità della domanda con la zona rossa, più calmiamo il gioco… ma aumentiamo l’investimento in stock.
- Assicurati che la domanda “normale” sia coperta dalla zona rossa sui tuoi articoli strategici. Ad esempio, la domanda su un componente attivato dagli ordini di produzione articoli padre è determinata dalle dimensioni del lotto dei materiali padre. La zona rossa dovrebbe coprire questi requisiti senza rilevamento dei picchi.
- Assicurati quotidianamente che i picchi siano analizzati dai pianificatori. Un picco indica una domanda atipica. Una domanda atipica dovrebbe indurre una decisione: devo negoziare un programma di consegna con il mio cliente, devo spedire il mio stock a rischio di compromettere altre richieste, devo chiedere al mio fornitore uno sforzo?
- Identificare la frequenza dei picchi per elemento e rivedere nelle routine DDS&OP gli elementi con picchi frequenti.
- Nei tempi di consegna lunghi, accorciare l’orizzonte di rilevamento dei picchi – in tempi di consegna brevi, allungarlo (anche oltre il lead time disaccoppiato, soprattutto se la capacità è vincolata).
- La convenzione, che in molti casi funziona, è rilevare i picchi al 50% della zona rossa. Questa soglia può spesso essere aumentata per rendere il modello meno nervoso.
L’impostazione corretta della qualificazione dei picchi richiede un po ‘di sperimentazione e dovrebbe far parte degli sforzi di miglioramento continuo. Questo processo ti darà una migliore comprensione della tua domanda quotidiana e quindi delle opportunità per ridurre la variabilità della tua domanda.