Miglioramento continuo, intelligenza artificiale e DDMRP

By Bernard Milian
AI and DDMRP

Decenni di iniziative lean e di miglioramento continuo hanno profondamente cambiato il modo in cui operano molte aziende.

Siamo passati da un’organizzazione tradizionale con una struttura gerarchica di leader che prendono decisioni e implementatori che obbediscono, a una rete di uomini e donne che portano ciascuno le loro conoscenze per migliorare le prestazioni ogni giorno un po’di più.

Alla fine degli anni ’90, avevo partecipato a una presentazione di un leader giapponese che paragonava gli approcci dominanti dell’epoca nei paesi occidentali e quelli in uso in Giappone. Sottolineava come nell’Occidente stiamo progredendo principalmente attraverso balzi successivi: grandi investimenti, nuove tecnologie, che ogni volta ci hanno portato a un nuovo livello, ma che una volta raggiunto un certo livello, c’è la tendenza a rimanere fermi, come in attesa della prossima innovazione rivoluzionaria. Investiamo in nuove attrezzature, ma le lasciamo deteriorare, sporcarsi e arrugginire. Al contrario, sosteneva con un pizzico di arroganza, noi giapponesi quando raggiungiamo un livello non smettiamo mai di cercare di migliorare, il che ci assicura di stare davanti al resto del mondo, e che il prossimo passo per saltare al livello successivo sarà più basso.

Oggi però anche nei paesi occidentali si riconosce la validità di questo approccio, che è ormai ampiamente adottato. Siamo più intelligenti insieme. Riconosciamo anche il potere della formazione e del supporto manageriale per aiutare tutti i nostri team a progredire, da un lato attraverso la conoscenza di metodi e strumenti – problem solving, statistiche, 5S, DDMRP, ecc. – e dall’altro condividendo visioni chiare sui valori comuni e sulla direzione in cui l’azienda si sta dirigendo.

Ci stavo pensando di recente quando ho sentito l’obiezione di un’azienda al DDMRP: il dimensionamento dei buffer, e in particolare della zona rossa, sembra troppo semplice, persino semplicistico. Questa azienda preferisce esplorare tecniche più sofisticate:approcci probabilistici, intelligenza artificiale. Sembra più rassicurante per loro, più scientifico.

Inoltre, questa azienda gestisce decine di migliaia di part numbers, quindi è necessaria l’automazione per gestire in modo produttivo questa complessità. Questo è legittimo.

Quelli che mi conoscono sanno che sono un po ‘un nerd. Sono interessato alle reti neurali sin dagli anni ’90, ho cercato di imparare le basi della data science, e mi piace rendere popolari questi approcci attraverso strumenti come Power BI per far parlare i set di dati. Qualsiasi processo di miglioramento continuo inizia con l’osservazione e la misurazione, e siamo sempre meglio attrezzati per fare questo.

Sono convinto che l’intelligenza artificiale possa contribuire a migliorare un modello di gestione della supply chain. Il nostro lavoro presso Demand Driven Technologies lo conferma, ma non pensiamo che sarà l’alfa e l’omega della supply chain! Quand’anche l’intelligenza artificiale dimostrasse appieno il suo valore, rimarrà un ruolo critico per l’intelligenza umana e il coinvolgimento.

Ad esempio, l’industria ha già sperimentato i fenomeni della scatola nera che i pianificatori si trovano spesso ad affrontare e che li portano a elaborare una logica incomprensibile, al di fuori del sistema, in Excel. L’intelligenza artificiale comporta questo rischio. Non siamo arrivati fino a questo punto dell’evoluzioneper sostituire il “boss che sa tutto” con “intelligenza artificiale che sa tutto”.

Non dimentichiamo che i dati che manipoliamo non sono solo scientifici. Ad esempio, le prestazioni di consegna di un fornitore possono dipendere da elementi immateriali: la qualità della visibilità che gli diamo, l’attenzione che gli prestiamo, la qualità del rapporto tra interlocutori di entrambe le parti. Se applichi un algoritmo di machine learning alla cronologia delle consegne del tuo fornitore per valutare la variabilitào alla domanda del cliente, ti racconterà l’intera storia e ti ridarà le vere leve per il miglioramento?

Non ho dubbi che l’intelligenza artificiale possa aiutare nel processo decisionale, principalmente aiutando i pianificatori a identificare le eccezioni da analizzare e dando indizi sulle impostazioni da regolare.

Tuttavia, il vero motore del progresso è la visibilità, che alimenta i cicli di miglioramento guidati dal team (PDCA). Non aver paura se l’impostazione iniziale dei buffer è “approssimativamente giusta”. Questa è esattamente la logica che ha portato notevoli progressi attraverso il metodo Kanban: si inizia pragmaticamente, e poi si migliora.

Usiamo uno “Smart Buffer Profiler” nelle nostre soluzioni. Questa procedura guidata analizza le cronologie e propone profili buffer per tutti gli elementi bufferizzati. L’esperienza dimostra che questo processo è molto efficiente, anche sui set di dati contenenti decine di migliaia di elementi e stabilisce un dimensionamento ragionevole. Non esatto, ma tendenzialemente giusto!

Ma questo è solo l’inizio! ! Il software non è così “intelligente”, non conosce davvero i tuoi fornitori, i tuoi mezzi di produzione, la vita dei tuoi articoli, i pregiudizi comportamentali deattori della tua supply chain, non sa come mettere in discussione i vincoli delle dimensioni del lotto o del lead time, ecc. Devi fare affidamento sui tuoi team che hanno questa conoscenza.

Molto più degli algoritmi di dimensionamento o previsione dell’inventario, ciò di cui hai bisogno è visibilità, facilità di lettura e analisi,collaborazione euna visione condivisa di ciò che è importante per i tuoi team per promuovere il miglioramento continuo, il tuo miglior alleato per una supply chain sempre più efficiente e adattabile.

Get in Touch

Share This Story, Choose Your Platform!

Condividi su facebook
Facebook
Condividi su twitter
Twitter
Condividi su linkedin
LinkedIn

Recent Posts

sustainable supply chain - shipping containers

You may also enjoy

Stay informed with our latest updates

Name*
Questo campo serve per la convalida e dovrebbe essere lasciato inalterato.