Jak z łatwością zarządzać dziesiątkami lub setkami tysięcy indeksów (produktów)?

By Bernard Milian

Jeśli żyjesz biznesowo w środowisku przemysłowym lub dystrybucyjnym, to istnieje duża szansa, że w ciągu ostatnich dziesięciu lub dwudziestu lat portfolio twoich produktów powiększyło się znacznie. Zróżnicowanie marketingowe, personalizacja, opcje konfigurowalne pod klienta, głębokość sieci dystrybucji. To wszystko powoduje sytuację, w której masz dziesiątki lub setki tysięcy produktów, którymi trzeba zarządzać.

Innymi słowy, dziesiątki lub setki tysięcy referencji, których zapasy muszą być odpowiednio zaplanowane; które muszą być uzupełniane we właściwym czasie; których przepływy muszą być tak zorganizowane, aby zapewnić dostępność dla klientów zgodnie z obiecanymi terminami.

Złożoność może prowadzić firmy do opracowywania i wdrażania nadmiernie złożonych rozwiązań. Aby zarządzać takimi portfelami produktów, nie ma wątpliwości, że procesy muszą być zautomatyzowane.

Jeśli przysłuchujesz się śpiewowi syren o aktualnej technologii, być może będziesz zachęcany do wdrażania silników sztucznej inteligencji (AI) w celu opracowania zestawów prognoz sprzedażowych. Takie prognozy miałyby dotyczyć nieograniczonej ilości referencji, przewidywania niepewności tych prognoz i szacowania wielkości zapasów bezpieczeństwa. Szacowania wielkości zapasów bezpieczeństwa oczywiście z wykorzystaniem równania pierwiastka kwadratowego ze zmienności czasu realizacji (ang Leadtime) w analizowanym okresie czasu …

Czy możliwe jest zarządzanie taką złożonością przy jednoczesnym zachowaniu prostoty?

Kilkakrotnie miałem pytania od rozmówców, którzy zapoznali się z metodyką DDMRP, przeszli szkolenie lub przeczytali jeden z podręczników, i mieli wątpliwości, co do możliwości zastosowania tego podejścia na szeroką skalę.

Jednym z zarzutów do podejścia Demand Driven jest zasada „z grubsza właściwie” (ang roughly right) do ustalania wielkości zapasów. Bierzesz współczynnik czasu realizacji Leadtime, dodatkowo jakiś procent tego czasu realizacji, łączysz go również z jakimś procentowym współczynnikiem zmienności, a w efekcie otrzymujesz profil bufora. Potem uruchamiasz taki bufor, obserwujesz jego zachowanie, dokonujesz korekt na żywym organizmie.

Zgadzam się: dla umysłów naukowców może to być zaskakujące, a nawet niepokojące. Jeśli masz wieloletnie doświadczenie operacyjne w zarządzaniu łańcuchem dostaw, będzie to mniej szokujące, bo wiesz, że jesteśmy na styku nauki, humanistyki i dynamiki złożonych systemów – i że wszystko to trudno ująć w równania.

Podejście „z grubsza właściwie” oznacza skupienie się na zaprojektowaniu modelu, który jest odpowiedni i właściwy dla firmy, ale to wcale nie oznacza, że firma naiwnie gra w kości.

W rzeczywistości, Demand Driven rymuje się z Data Driven. Aby określić wielkość zapasów i przypisać odpowiednie profile buforów, analizujemy dzienne historie popytu, obliczamy odchylenia standardowe i współczynniki zmienności, oceniamy sezonowość i trendy, oceniamy ryzyko związane z przepływami dostaw, retrospektywnie symulujemy efektywność buforów, a nawet (jak najbardziej), wykorzystujemy sztuczną inteligencję AI.

Na podstawie projektów wdrożonych w setkach zakładów i na milionach pozycji materiałowych doszliśmy do punktu, kiedy możliwe było opracowanie podstawowych zestawów tuningowych, które mają zastosowane za pomocą kreatora „Smart Buffer Profiler”. Za pomocą zaledwie kilku kliknięć ten kreator pozwala nam przypisać profile buforów do tysięcy pozycji, porównać proponowane ustawienie z istniejącymi zapasami oraz zweryfikować możliwość ich zastosowania poprzez próbkowanie. Obecnie takie podejście w połączeniu z wiedzą planistów pozwala uzyskać dobrze skalibrowany model zapasów DDMRP w ciągu zaledwie kilku dni.

Prostota leży u podstaw metodyki DDMRP, ale nie oznacza to nadmiernego upraszczania i przesadnej drogi na skróty.

Elementy, które pozwalają uprościć model to między innymi:

  • Grupowanie pozycji według profili buforów, czyli określenie wspólnych reguł dla zbiorów produktów (referencji, materiałów, SKU), które powinny zachowywać się podobnie ze względu na swoje cechy. Naukowiec zajmujący się danymi nazwałby to budowaniem klastrów.
  • Ustanowienie regularnych procesów (podczas DDS&OP, czyli S&OP w warunkach Demand Driven) w celu dostosowania przypisania profili buforów zgodnie z ewolucją charakterystyk produktów i ich historycznym przebiegiem. Dostosowania odbywają się z wykorzystaniem kreatorów aktualizacji, również w sposób automatyczny.
  • Łatwe, masowe uwzględnienie zmian w ciągłości (stabilności) dostaw poprzez zastosowanie współczynników korygujących dla poszczególnych stref bufora.
  • Dynamiczne przeliczanie buforów w czasie, poprzez formułę obliczeniową zintegrowaną podczas projektowania modelu. Koniec z kampaniami ponownego obliczania zapasów bezpieczeństwa w oparciu o niezręczne i niepraktyczne formuły.
  • Codzienne monitorowanie organizowane na zasadzie wyjątków, zarówno w zakresie planowania priorytetów, jak i alertów wskazujących wyraźnie na problemy w realizacji planów.
  • Wykorzystanie symulacji do przewidywania, na zasadzie wyjątku, sytuacji ryzykownych, zagrażających płynności przepływu.

A przede wszystkim … łatwe zrozumienie modelu przez zespoły, które nim zarządzają i go doskonalą.

Jeśli więc masz duży portfel części zakupowych, produkowanych lub wyrobów dystrybuowanych, możesz mieć pewność, co do zasadności aplikacji tego rozwiązania w swoim środowisku biznesowym. Podejście DDMRP jest stosowane z sukcesem poprzez kolejna wdrożenia przemysłowe i stale się rozwija, aby umożliwić łatwe zarządzanie coraz bardziej złożonymi środowiskami.

Get in Touch

Share This Story, Choose Your Platform!

Facebook
Twitter
LinkedIn

You may also enjoy

AI and DDMRP

Ciągłe doskonalenie, sztuczna inteligencja i DDMRP

Dziesięciolecia inicjatyw Lean i ciągłego doskonalenia głęboko zmieniły sposób działania wielu firm. Odeszliśmy od tradycyjnej organizacji z hierarchiczną strukturą liderów, którzy podejmują decyzje i wykonawców,