Als u in een industriële of distributieomgeving werkt, is de kans groot dat uw productportfolio’s zich de afgelopen tien of twintig jaar hebben vermenigvuldigd. Marketingdifferentiatie, personalisatie, geconfigureerde items, diepte van distributienetwerken: dit zijn mogelijk tientallen of honderdduizenden unieke items om te beheren.
Met andere woorden, tientallen of honderdduizenden items waarvan de voorraad hoogtes moeten worden vastgesteld, die op het juiste moment moeten worden aangevuld, waarvan de stromen moeten worden gedefinieerd om de beschikbaarheid voor uw klanten in overeenstemming met uw leververplichtingen te garanderen.
Complexiteit kan bedrijven ertoe brengen complexe oplossingen te ontwikkelen. Om dergelijke portefeuilles te beheren is er geen twijfel mogelijk dat dat processen moeten worden geautomatiseerd.
Als je luistert naar de sirene klank van de technologie misschien zul je worden gevraagd om kunstmatige intelligentie modules te implementeren om sets van voorspellingen te ontwikkelen op uw talloze items, om de onzekerheid van deze voorspellingen te onderzoeken en daarvan de veiligheidsvoorraden af te leiden, gemoduleerd van de vierkantswortel van de variabiliteit van de doorlooptijden, natuurlijk …
Is het mogelijk om deze complexiteit te beheren en het tegelijktijdig simpel te houden?
Bij verschillende netwerkmeetings heb ik deze vragen gehad van gesprekspartners die de DDMRP-methodologie hadden bestudeerd, een opleiding hadden gevolgd of een van de naslagwerken hadden gelezen, en die twijfelden over de mogelijkheid om deze aanpak op grote schaal te gebruiken.
Een van de bezwaren is de “ongeveer goed” benadering van de voorraad hoogte. Je neemt een doorlooptijd factor, ongeveer X percentage voor “medium lead time”, je combineert het met een variabiliteit factor van ongeveer Y percentage voor “lage variabiliteit”, het geeft je de buffer profielen, je past deze toe, zie je wat er gebeurt, en je corrigeert als je verder gaat.
Het klopt: voor de wetenschappers kan het verrassend en zelfs zorgwekkend klinken. Als je jarenlange operationele ervaring hebt in supply chain management, zal dat minder schokkend zijn, omdat je weet dat we op het kruispunt staan van wetenschap, filosofie en de dynamiek van complexe systemen – en dat dit alles moeilijk in vergelijkingen onder te brengen is.
De “ongeveer goed” benadering betekent focussen op het ontwerpen van een model dat relevant en geschikt is voor het bedrijf, maar het betekent dobbelt op de uitkomst.
In feite rijmt Vraag gedreven op Data gedreven Om voorraden te vergroten en relevante bufferprofielen toe te wijzen, analyseren we de dagelijkse vraag historie, berekenen we standaarddeviaties en variabiliteitscoëfficiënten, evalueren we seizoensinvloeden en trends, beoordelen we de risico’s op de leveringsstromen, simuleren we met terugwerkende kracht de efficiëntie van buffers en gebruiken we zelfs, ja, eventueel kunstmatige intelligentie.
In de loop van projecten die op honderden locaties en miljoenen items zijn uitgevoerd, heeft dit ons ertoe gebracht om sets met basisvariabelen te ontwikkelen, die worden toegepast via een “Slimme Buffer Profiler” softwarewizard. Met slechts een paar klikken stelt deze wizard ons in staat om bufferprofielen toe te wijzen aan duizenden items, de voorgestelde instelling te vergelijken met bestaande profielen en de relevantie van de grootte te valideren door middel van steekproeven. Het is nu gebruikelijk met deze aanpak in combinatie met de kennis van de planners binnen een paar dagen een goed gekalibreerd DDMRP voorraad model te krijgen.
Eenvoud staat centraal in de DDMRP-methodologie, maar dat betekent niet dat er van een simplificatie sprake is.
De elementen die het mogelijk maken om dit te simplificeren zijn:
- Het groeperen van items op bufferprofiel, d.w.z. de definitie van gemeenschappelijke regels voor gelijksoortige items die zich op dezelfde manier zouden moeten gedragen vanwege hun kenmerken. Een data expert zou dit clustering noemen.
- Het opzetten van regelmatige processen (tijdens DDS&OP) om de toewijzing van bufferprofielen aan te passen aan de evolutie van artikelkenmerken en historisch gedrag, geleid door softwarewizards.
- Gemakkelijk, massa overweging van leveringsvariabiliteit door de factoren van de zone aanpassing.
- De dynamische herberekening van buffers in de loop van de tijd, door middel van de berekeningsformule geïntegreerd tijdens het ontwerp van het model. Geen herberekeningscampagnes meer van veiligheidsvoorraden op basis van ad-hoc formules.
- Dagelijkse monitoring procesmatig gebaseerd op uitzondering, management zowel voor planningsprioriteiten als uitvoeringswaarschuwingen.
- Het gebruik van simulatie om bij uitzondering te anticiperen op risicosituaties.
En vooral… het gemakkelijk begrijpen van het model door de teams die het beheren en verbeteren.
Dus als u grote portfolio’s van gekochte, vervaardigde of gedistribueerde artikelen hebt, kunt u daar met vertrouwen op anticiperen: de DDMRP-aanpak is nu geïndustrialiseerd en blijft verbeteren, zodat u steeds complexere omgevingen met gemak kunt beheren.
