Continue verbetering, kunstmatige intelligentie en DDMRP

By Bernard Milian
AI and DDMRP

Decennia van LEAN en continue verbeteringsinitiatieven hebben de manier waarop veel bedrijven werken ingrijpend veranderd.

We zijn van een traditionele organisatie met een hiërarchische structuur van leiders die beslissingen nemen en uitvoerders die gehoorzamen, naar een netwerk van mannen en vrouwen die elk hun kennis brengen om het bedrijf elke dag een beetje meer te verbeteren.

Eind jaren negentig heb ik een presentatie bijgewoond van een Japanse leider die de toen dominante benaderingen in de Westerse-landen vergeleek met die in Japan. Hij wees erop dat we in het Westen vooral vooruitgang boekten door opeenvolgende pauzes: grote investeringen, nieuwe technologieën, die ons telkens naar een nieuw niveau brachten, maar als we eenmaal op niveau waren, we de neiging hadden om te stagneren, terwijl we ons voorbereidden op de volgende baanbrekende innovatie. We zouden investeren in nieuwe apparatuur, maar we zouden het verwaarlozen, zodat deze vies werden en begonnen te roesten. Omgekeerd zei hij met een vleugje arrogantie, wij Japanners wanneer we een niveau bereiken dat we nooit stoppen met proberen te verbeteren, wat ervoor zorgt dat we je voorblijven en dat de stap om naar het volgende niveau te komen lager zal zijn.

In de westerse landen erkennen we nu de kracht van deze benadering en hebben we deze op grote schaal toegepast. Samen zijn we slimmer. We erkennen ook de kracht van training en managementondersteuning om al onze teams vooruit te helpen, enerzijds door de kennis van methoden en tools – probleemoplossing, statistieken, 5S, DDMRP, enz. – en aan de andere kant door duidelijke visies te delen over gemeenschappelijke waarden en de richting waarin het bedrijf zich bevindt.

Ik dacht hier onlangs aan toen ik het bezwaar van een bedrijf tegen DDMRP hoorde: het dimensioneren van de buffers, en in het bijzonder de rode zone, lijkt te eenvoudig, zelfs simplistisch. Dit bedrijf geeft er de voorkeur aan om meer geavanceerde technieken te verkennen: probabilistische benaderingen, kunstmatige intelligentie. Het lijkt hen geruststellender, wetenschappelijker.

Daarnaast beheert dit bedrijf tienduizenden referenties, dus automatisering is nodig om deze complexiteit productief aan te kunnen. Dit is legitiem.

Degenen die me kennen, weten dat ik een beetje een nerd ben. Ik ben al sinds de jaren 90 geïnteresseerd in neurale netwerken, ik heb geprobeerd de basisprincipes van “data science” te leren en ik vind het leuk om deze benaderingen te populariseren via tools zoals Power BI om datasets hun verhaal te laten doen. Elk proces van continue verbetering begint met observatie en meting, en daar zijn we beter en beter op toegerust.

Ik ben ervan overtuigd dat kunstmatige intelligentie kan helpen bij het verbeteren van een supply chain managementmodel. Het werk bij Demand Driven Technologies bevestigt dit, maar we denken niet dat het de alfa en omega van de supply chain zal zijn! Hoewel kunstmatige intelligence de prestaties van de toeleveringsketen zal bewijzen, zal er een cruciale rol blijven spelen voor menselijke intelligentie en betrokkenheid.

Een voorbeeld: De industrie heeft bijvoorbeeld al de black box-fenomenen meegemaakt waarmee planners vaak worden geconfronteerd en die ertoe leiden dat ze een begrijpelijke logica uitwerken, buiten het systeem, in Excel. Kunstmatige intelligentie brengt dit risico met zich mee. We zijn niet helemaal hierheen gekomen om de “baas die het weet” te vervangen door “kunstmatige intelligentie die het weet”.

Laten we niet vergeten dat de gegevens die we manipuleren niet alleen wetenschappelijk zijn. De leveringsprestaties van een leverancier kunnen bijvoorbeeld afhangen van immateriële elementen: de kwaliteit van de zichtbaarheid die we het geven, de aandacht die we eraan besteden, de kwaliteit van de relatie tussen gesprekspartners van beide partijen. Als u een “machine learning”-algoritme toepast op de leveringsgeschiedenis van uw leverancier om de variabiliteit te beoordelen, of op de vraag van de klant, zal het dan het hele verhaal vertellen, en zal het u de echte hefbomen voor verbetering geven?

Ik twijfel er niet aan dat kunstmatige intelligentie kan helpen bij het nemen van beslissingen, voornamelijk door planners te helpen uitzonderingen te identificeren om te analyseren en door aanwijzingen te geven over instellingen om aan te passen.

De echte drijfveer voor vooruitgang is echter zichtbaarheid, die wordt ingevoerd in team gestuurde verbeterlussen (PDCA). Wees niet bang als de eerste instelling van uw buffers “ongeveer goed” is. Dit is precies de logica die aanzienlijke vooruitgang heeft gebracht bij de Kanban-methode: je begint pragmatisch en vervolgens verbeter je.

We gebruiken een “Smart Buffer Profiler” in onze oplossingen. Deze wizard analyseert de geschiedenissen en stelt bufferprofielen voor alle voorraad producten voor. De ervaring leert dat dit proces zeer efficiënt is, zelfs op datasets die tienduizenden items bevatten en relevante dimensionering tot stand brengen. Niet exact, maar relevant!

Maar dit is nog maar het begin! De software is niet zo “slim”, het kent niet echt uw leveranciers, uw productiemiddelen, de levensduur van uw items, de gedragsvooroordelen van de spelers in uw toeleveringsketen, het weet niet hoe u de beperkingen van batchgrootte of doorlooptijd in twijfel moet trekken, enz. U moet vertrouwen op uw teams die deze kennis wel hebben.

Veel meer dan het dimensioneren of voorspellen van algoritmen, wat u nodig hebt is zichtbaarheid,leesgemak en analyse, samenwerking en een gedeelde visie op wat belangrijkis voor uw teams om continue verbetering te stimuleren, uw beste bondgenoot voor een steeds efficiëntere en aanpasbare supply chain.

Get in Touch

Share This Story, Choose Your Platform!

Facebook
Twitter
LinkedIn

You may also enjoy

DDMRP vs (Re-) Order Point 

De oorsprong van Order Point  Hoe zag het voorraadbeheer eruit vóór MRP?  Voordat MRP werd ingevoerd, was de meest populaire aanpak van voorraadbeheer: Order Point.