Demand Driven Material Requirements Planning (DDMRP)

learn menu
Von Joannes Vermorel, Februar 2020

Demand Driven Material Requirements Planning (DDMRP) ist eine quantitative Methode, die darauf abzielt, die Leistung der Lieferkette von mehrstufigen Fertigungsunternehmen zu optimieren. Die Methode dreht sich um die Begriffe ‘Entkopplungspunkte’ und ‘Bestandsbuffer’, die dazu dienen, die Mängel früherer Methoden zu mildern, die von den meisten MRP (Materialbedarfsplanung) Systemen implementiert wurden. Die Methode liefert die Mengen, die für jede SKU (Stock-Keeping Unit) einer mehrstufigen Stückliste (Bill Of Materials) gekauft oder hergestellt werden sollen.

Reifenproduktionsmaschinenförderer

Das Optimierungsproblem des mehrstufigen Stücklistenflusses

Eine Stückliste (Bill of Materials) repräsentiert die Baugruppen, Komponenten und Teile sowie die jeweilige Menge, die zur Herstellung eines Endprodukts benötigt wird. Eine mehrstufige Stückliste ist eine rekursive hierarchische Perspektive der ursprünglichen Stückliste, bei der bestimmte Teile mit eigenen Stücklisten weiter zerlegt werden. Aus formaler Sicht ist eine mehrstufige Stückliste ein gewichteter gerichteter azyklischer Graph1, bei dem die Knoten SKUs sind, die Kanten die Einbeziehung anzeigen (d. h. Teil davon sind) und die Gewichte die für die Montage erforderliche Menge darstellen - entweder für das Endprodukt oder für das Zwischenprodukt.

Das von DDMRP behandelte Problem ist die Optimierung des Flusses innerhalb einer mehrstufigen Stückliste und besteht darin, zu jedem Zeitpunkt zu bestimmen, (a) ob mehr Rohmaterial beschafft werden sollte und wie viel, (b) ob mehr Einheiten einer SKU produziert werden sollten und wie viele.

Intuitiv ist dieses Problem schwierig, weil es keine direkte Korrelation zwischen der Servicequalität einer Zwischen-SKU - die normalerweise durch Servicelevel gemessen wird - und der Servicequalität des Endprodukts gibt. Das Hinzufügen von mehr Bestand zu einer bestimmten SKU verbessert die Servicequalität des Endprodukts nur dann, wenn diese SKU auf irgendeine Weise ein Engpass im Fertigungsfluss war.

In der Praxis erfordert die Lösung dieses Optimierungsproblems für den Fluss eine Reihe weiterer Eingaben, am häufigsten:

  • Auftragsverlauf von Kunden
  • Lieferzeiten der Lieferanten
  • Lagerbestände, vorrätig, in Transit oder in Bestellung
  • Fertigungs Durchlaufzeiten und/oder Produktionsdurchsätze
  • usw.

Echte Lieferketten weisen tendenziell weitere Komplikationen auf, wie z.B. Losgrößen (jede Art von wünschenswerten Multiplikatoren, die entweder vom Lieferanten oder vom Herstellungsprozess selbst auferlegt werden), Haltbarkeiten (nicht nur für verderbliche Waren, sondern auch für Chemikalien und empfindliche Geräte), unvollkommene Ersatzteile (z.B. wenn ein teureres Teil als Ersatz verwendet werden kann, wenn das billigere nicht verfügbar ist). Diese Komplikationen erfordern weitere Daten, die im Modell abgebildet werden müssen.

Grenzen des klassischen MRP

Die Entstehung von DDMRP wurde durch die mit dem sogenannten klassischen MRP-Ansatz verbundenen Einschränkungen motiviert (im Folgenden einfach als MRP-Ansatz bezeichnet), der hauptsächlich in den 80er Jahren entwickelt wurde. Der MRP-Ansatz konzentriert sich auf die Analyse von Durchlaufzeiten und identifiziert den längsten Pfad (zeitlich gesehen) im BOM-Graphen als Engpass im Zusammenhang mit dem Herstellungsprozess des Endprodukts.

Um diesen Engpass zu identifizieren, bietet das MRP zwei verschiedene numerische Methoden, um jeder Kante des BOM-Graphen eine statische Durchlaufzeit zuzuweisen, entweder:

  • Fertigungsdurchlaufzeiten, die maximal optimistisch sind und davon ausgehen, dass der Bestand immer überall verfügbar ist (d.h. für jede SKU), sodass die Durchlaufzeiten nur von der Durchsatzrate der Fertigungsprozesse abhängen.
  • kumulative Durchlaufzeiten, die maximal pessimistisch sind und davon ausgehen, dass der Bestand immer nicht verfügbar ist und dass die Durchlaufzeiten nur von der Zeit abhängen, um die erste Einheit ab dem Leerzustand zu produzieren, d.h. null Rohmaterialien und null Zwischenprodukte.

Diese beiden Methoden haben einen gemeinsamen entscheidenden Vorteil: Sie lassen sich relativ einfach in der relationalen Datenbank implementieren, die das architektonische Kernstück nahezu aller von den 80er bis zu den 2010er Jahren entwickelten MRPs bildete.

Diese beiden Methoden sind jedoch auch übermäßig vereinfacht und liefern in der Regel unsinnige Durchlaufzeiten. Die Autoren von DDMRP weisen darauf hin, dass die Berechnung von Kauf- oder Produktionsaufträgen auf der Grundlage von stark fehlerhaften Schätzungen der Durchlaufzeiten zu einer Mischung aus Überbeständen und Fehlbeständen führt, je nachdem, ob die Durchlaufzeiten grob über- oder unterschätzt werden.

Das numerische Rezept von DDMRP

Das numerische Rezept von DDMRP besteht aus einer Mischung aus numerischen Heuristiken und menschlichen Beurteilungen - d.h. Supply-Chain-Experten. Dieses Rezept soll die mit dem klassischen MRP verbundenen Mängel überwinden, ohne auf “fortgeschrittene” numerische Algorithmen zurückzugreifen. Das Rezept besteht aus vier Hauptbestandteilen, nämlich:

  • Entkopplung der Durchlaufzeiten
  • die Nettostromgleichung
  • die entkoppelte Explosion
  • die relative Priorität

Durch die Kombination dieser vier Bestandteile kann ein Supply-Chain-Praktiker die Menge berechnen, die bei einer mehrstufigen BOM-Situation gekauft und hergestellt werden soll. Die Autoren von DDMRP argumentieren, dass diese Methode eine überlegene Leistung der Lieferkette liefert - gemessen an Lagerumschlägen oder Servicelevels - im Vergleich zur Leistung, die von MRPs erreicht wird.

Entkopplung der Durchlaufzeiten

Um dem naiven extremen Optimismus / Pessimismus der MRP-Perspektive in Bezug auf Durchlaufzeiten entgegenzuwirken, führt DDMRP ein binäres Graphenfärbungsschema2 ein, bei dem bestimmte Knoten (d.h. SKUs) des Graphen (d.h. BOMs) als Entkopplungspunkt hervorgehoben werden. Diese Knoten werden dann immer als dienstbereite Bestände betrachtet, und die DDMRP-Methodik stellt sicher, dass dies tatsächlich der Fall ist.

Die Auswahl der Entkopplungspunkte obliegt im Wesentlichen den Supply-Chain-Praktikern. Da die Entkopplungspunkte als gepufferte SKUs gedacht sind, sollten Praktiker SKUs bevorzugen, die auf strategischer Ebene sinnvoll sind - zum Beispiel, weil sie von mehreren Endprodukten verbraucht werden und von gleichmäßigeren Verbrauchsmustern als die meisten Endprodukte profitieren.

Sobald die Entkopplungspunkte ausgewählt sind, können die DDMRP-Durchlaufzeiten, die mit einem beliebigen Knoten verbunden sind, als längster Pfad (zeitlich) berechnet werden, der vom Knoten ausgeht und nach unten führt, wobei der Pfad abgeschnitten wird, sobald ein Entkopplungspunkt erreicht wird.

Mit einer sorgfältigen Auswahl der Entkopplungspunkte argumentieren die Autoren von DDMRP, dass die DDMRP-Methodik kürzere Durchlaufzeiten liefert. Diese Aussage ist nicht ganz korrekt, nicht weil die Durchlaufzeiten länger sind, sondern weil DDMRP eine neue Definition dessen vorschlägt, was überhaupt als Durchlaufzeit bezeichnet wird.

Die Nettostromgleichung

Um die Mengen für Bestellungen oder die Herstellung anderer Produkte zu berechnen, führen die Autoren von DDMRP ein Konzept namens Nettostrom ein, das wie folgt definiert ist:

Bestand + Bestellung - qualifizierte Kundenauftragsnachfrage = Nettostromposition

Diese Gleichung wird auf SKU-Ebene definiert. Die Nettostrommenge wird als die Menge an Lagerbestand interpretiert, die für den unsicheren Teil der Nachfrage zur Verfügung steht.

Die Nettostromposition wird dann mit einer Puffergröße verglichen, und wenn sie deutlich niedriger als der Ziel-Puffer ist, wird eine Bestellung aufgegeben. Auf diesen Mechanismus werden wir weiter unten im Abschnitt zur Bestellpriorisierung zurückkommen.

Die DDMRP-Methodik bietet einige allgemeine Richtlinien zur Größenbestimmung der Puffer, die typischerweise in Tage der Nachfrage ausgedrückt werden und sichere Margen einhalten, während die DDMRP-Durchlaufzeiten - wie oben definiert - beachtet werden. In der Praxis hängt die Größenbestimmung der Puffer von der besseren Einschätzung der Supply-Chain-Praktiker ab.

Durch Nettostrome betonen die Autoren von DDMRP, dass nur der unsichere Teil der Nachfrage tatsächlich eine statistische Analyse erfordert. Der Umgang mit der zukünftigen Nachfrage, die bereits bekannt ist, ist eine reine Frage der Einhaltung eines deterministischen Ausführungsplans.

Die entkoppelte Explosion

Die Methodik von DDMRP stützt sich sowohl auf die Annahme als auch auf die Durchsetzung, dass der Bestand von jedem Entkopplungspunkt aus immer dienstbereit ist. Diese Annahme bietet die Möglichkeit, die Kanten unter Verwendung der Entkopplungspunkte (d.h. einer Teilmenge von Knoten) als Grenzen zwischen den Partitionsteilen zu partitionieren. Dieses Partitionierungsschema wird als entkoppelte Explosion bezeichnet.

Aus Sicht von DDMRP wird bei einer Kundenbestellung für ein Endprodukt die resultierende Nachfrage nicht rekursiv in ihre innersten Komponenten disaggregiert, sondern nur bis zu ihren zuerst gefundenen Entkopplungspunkten disaggregiert.

Das Graphpartitionierungsschema der entkoppelten Explosion wird von der DDMRP-Methodik als Teile und herrsche3 Strategie genutzt. Insbesondere kann die Größe des Teilgraphen klein gehalten werden, sodass DDMRP auf relationalen Datenbanksystemen implementiert werden kann, ähnlich wie MRPs, auch wenn diese Systeme nicht wirklich für die Graphanalyse geeignet sind.

Priorisierung der Bestellungen

Der letzte numerische Schritt im DDMRP-Zahlenrezept besteht darin, die Bestellungen selbst zu berechnen, entweder Kaufbestellungen oder Fertigungsaufträge. Die DDMRP-Methodik priorisiert alle SKUs anhand ihrer jeweiligen Differenzen Buffer - Net Flow, wobei die größten Werte zuerst kommen. Bestellungen werden dann generiert, indem die Liste in der angegebenen Reihenfolge verarbeitet wird und alle positiven Werte ausgewählt werden, die häufig mindestens so groß wie die MOQ (falls zutreffend) sind.

Die Priorisierung von DDMRP ist eindimensional (bewertungstechnisch) und wird durch die interne Einhaltung ihrer eigenen Methodik gesteuert, d.h. die Aufrechterhaltung von dienstbereiten Beständen für alle Entkopplungspunkte. Die vorherigen Abschnitte haben veranschaulicht, wie diese Schlüsseleigenschaft der Entkopplungspunkte genutzt wurde. Die Bestellpriorisierung verdeutlicht, wie diese Eigenschaft durchgesetzt wird.

Die von den Autoren von DDMRP vorgeschlagene Bestellpriorisierung ist feiner granuliert als die in MRPs üblicherweise verwendeten Rezepte wie die ABC-Analyse. Sie bietet einen Mechanismus, um die Aufmerksamkeit der Supply-Chain-Praktiker auf die SKUs zu lenken, die die meiste Aufmerksamkeit benötigen - zumindest nach DDMRP’s Dringlichkeitskriterium.

Kritik an DDMRP

Die Autoren von DDMRP bewerben4 die Vorteile5 dieser Methodik als eine state-of-the-art Praxis zur Maximierung der Leistung der Supply Chain. Während DDMRP einige “versteckte” Schätze mit sich bringt, die unten näher erläutert werden, können jedoch mehrere Kritikpunkte an dieser Methodik geäußert werden: die bemerkenswertesten sind erstens eine falsche Grundlage zur Bewertung von Neuheit und Leistung und zweitens ein Formalismus, der die Komplexität der realen Welt nicht erfasst.

Versteckte Schätze

Obwohl es sich paradox anhören mag, wurden die stärksten Argumente für DDMRP möglicherweise nicht richtig von den eigenen Autoren identifiziert, zumindest nicht in ihrer Veröffentlichung von 2019. Dieses scheinbar offensichtliche Paradoxon ist wahrscheinlich eine unbeabsichtigte Folge des begrenzten Formalismus von DDMRP - wie unten detailliert.

Was die Fertigungslieferketten betrifft, sind frequentielle gleitende Durchschnitte in der Regel überlegen gegenüber zeitlichen gleitenden Durchschnitten. Es ist tatsächlich falsch zu behaupten, dass DDMRP ohne Nachfrageprognosen funktioniert. Die Puffer sind Prognosen, nur dass es sich um frequentielle Prognosen handelt (d.h. Tage der Nachfrage) und nicht um zeitliche Prognosen (d.h. Nachfrage pro Tag). Als Faustregel sind frequentielle Prognosen robuster, wenn die Nachfrage entweder unregelmäßig und/oder intermittierend ist. Diese Entdeckung geht auf J.D. Croston zurück, der 1972 “Forecasting and Stock Control for Intermittent Demands” veröffentlichte. Obwohl Crostons Methoden etwas obskur bleiben, hat DDMRP diese Perspektive in der Supply-Chain-Welt weit verbreitet.

Approximative Priorisierung ist ein robustes Entscheidungsmechanismus in der Supply Chain, der ganze Klassen von Problemen verhindert, insbesondere systematische Verzerrungen. Im Gegensatz zu SKU-basierten Ansätzen wie Sicherheitsbeständen, die leicht durch lokale Artefakte in der Supply Chain (z.B. ein Lagerbestandsausfall) numerisch verzerrt werden können, gewährleistet selbst eine lockere Supply-Chain-weite Priorisierung, dass Ressourcen zuerst auf offensichtliche Engpässe ausgerichtet werden. Während den Autoren von DDMRP klar ist, dass Priorisierung als Aufmerksamkeitsmechanismus vorteilhaft ist, wird die Erkenntnis nicht zu ihrem logischen Schluss geführt: Die Priorisierung sollte wirtschaftlich sein, d.h. in Dollar gemessen werden und nicht in Prozent.

Falsche Ausgangsbasis

Die Hauptkritik an DDMRP ist seine falsche Ausgangsbasis. MRPs, wie sie in den vier Jahrzehnten von den frühen 80er Jahren bis Ende der 2010er Jahre implementiert und verkauft wurden, wurden nie wirklich darauf ausgelegt6, irgendetwas zu planen, vorherzusagen oder zu optimieren. Der Name selbst, MRP (Material Requirements Planning), ist irreführend. Ein besserer Name wäre MRM (Material Requirement Management) gewesen. Diese Softwareprodukte sind mit einer relationalen Datenbank als Kern (d.h. einer SQL-Datenbank) aufgebaut und sollen in erster Linie den Überblick über die Vermögenswerte des Unternehmens behalten und alle mit den banalsten Operationen verbundenen Verwaltungsaufgaben durchführen, z.B. eine Lagerbestandsreduzierung, wenn eine Einheit entnommen wird.

Da der relationale Kern weitgehend im Widerspruch zu jeder numerisch intensiven Verarbeitung steht, wie z.B. den meisten Arten von Graphalgorithmen, ist es nicht überraschend, dass die von solchen Produkten gelieferten numerischen Rezepte vereinfacht und funktionsgestört sind, wie dies durch die beiden oben diskutierten Arten von Lieferzeitschätzungen veranschaulicht wird. Dennoch gibt es eine umfangreiche Literatur in der Informatik über die prädiktive numerische Optimierung von Supply Chains. Diese Literatur wurde in den 50er Jahren unter dem Namen Operationsforschung entwickelt und wird seitdem unter verschiedenen Namen weiterverfolgt, wie z.B. quantitative Methoden im Supply Chain Management oder einfach Supply Chain Optimization.

Sowohl die Behauptungen der Neuheit als auch der Überlegenheit von DDMRP werden fälschlicherweise aus der falschen Prämisse abgeleitet, dass MRPs eine relevante Ausgangsbasis für die Optimierung von Supply Chains darstellen; d.h. eine Verbesserung gegenüber MRP ist eine Verbesserung in der Optimierung der Supply Chain. MRPs sind jedoch wie alle Software-Systeme, die zentral um relationale Datenbanken herum entwickelt wurden, einfach ungeeignet für numerische Optimierungsaufgaben.

Hersteller, die mit den Einschränkungen ihres MRP konfrontiert sind, sollten keine inkrementellen Verbesserungen am MRP selbst suchen, da numerische Optimierung grundsätzlich im Widerspruch zum Design des MRP steht, sondern vielmehr von all den Software-Tools und -Technologien profitieren, die tatsächlich von Anfang an für numerische Leistung entwickelt wurden.

Begrenzter Formalismus

Die DDMRP-Perspektive ist eine seltsame Mischung aus einfachen Formeln und Urteilsentscheidungen. Während DDMRP eindeutig innerhalb eines bestimmten mathematischen Rahmens - d.h. eines gewichteten gerichteten azyklischen Graphen - arbeitet und seine Mechanismen bekannte Namen haben, d.h. Graphenfärbung, Graphenpartitionierung - fehlen diese Begriffe in den DDMRP-Materialien. Obwohl man argumentieren kann, dass die Graphentheorie für den durchschnittlichen Supply-Chain-Praktiker zu komplex ist, zwingt der Mangel an Formalismus die Autoren zu ausführlichen Erklärungen für numerische Verhaltensweisen, die viel präziser und prägnanter beschrieben werden könnten.

Dann, noch besorgniserregender, isoliert der Mangel an Formalismus DDMRP von der umfangreichen Literatur der Informatik, die viele Erkenntnisse darüber liefert, was mit bekannten Algorithmen aus verschiedenen Bereichen der Informatik erreicht werden kann, die über die Anforderungen des Supply Chain Managements hinaus umfassend untersucht wurden, nämlich: Graphentheorie, stochastische Optimierung und statistisches Lernen. Als Ergebnis nimmt DDMRP häufig vereinfachte Perspektiven ein - wir werden auf diesen Punkt noch zurückkommen -, die sowohl bekannten Algorithmen als auch den aktuellen Hardware-Computing-Möglichkeiten nicht gerechtfertigt sind.

Dann führt der begrenzte Formalismus von DDMRP zu fehlerhaften Behauptungen wie verkürzten Lieferzeiten. Tatsächlich sind die Lieferzeiten, wie sie von DDMRP berechnet werden, numerisch sicherlich kürzer als die meisten Alternativen, weil die Lieferzeitpfade konstruktionsbedingt abgeschnitten werden, sobald ein Entkopplungspunkt erreicht wird. Dennoch wird ein methodologischer Fehler begangen, wenn behauptet wird, dass mit DDMRP die Lieferzeiten verkürzt sind. Die korrekte Aussage lautet mit DDMRP werden die Lieferzeiten anders gemessen. Eine angemessene quantitative Bewertung der Vorzüge von DDMRP hinsichtlich der Lieferzeit erfordert einen formalen Begriff des systemweiten Trägheitsmoments, um zu bewerten, wie schnell eine Supply Chain, die von einer formalen Richtlinie gesteuert wird, auf Änderungen der Marktbedingungen reagieren würde.

Außerdem werden Urteilsentscheidungen von DDMRP umfangreich genutzt - d.h. die Delegation von numerischen Entscheidungen an menschliche Experten, wie z.B. die Wahl der Entkopplungspunkte. Daher ist es praktisch, wenn nicht sogar unmöglich, eine DDMRP-Praxis mit einer konkurrierenden, ordnungsgemäß formalisierten Methodik zu vergleichen, da der Vergleich einen unpraktikablen Personalaufwand für jede größere Supply Chain erfordern würde (d.h. Tausende von SKUs oder mehr).

Schließlich ist es angesichts des Preisniveaus moderner Rechenressourcen kein vernünftiger Vorschlag, menschliche Eingaben zur Feinabstimmung eines numerischen Optimierungsprozesses zu verwenden. Die Feinabstimmung von Meta-Parametern mag akzeptabel sein, aber nicht ein feingranularer Eingriff an jedem Knoten des Graphen. Insbesondere eine oberflächliche Beobachtung heutiger Supply Chains zeigt, dass der Bedarf an menschlichen Eingaben einer der größten Faktoren für das systemweite Trägheitsmoment ist. Eine weitere Ebene der manuellen Abstimmung - die Wahl der Entkopplungspunkte - ist in dieser Hinsicht keine Verbesserung.

Abweisend gegenüber realer Komplexität

Die Modellierung einer Supply Chain ist notwendigerweise eine Annäherung an die reale Welt. Daher sind alle Modelle ein Kompromiss zwischen Präzision, Relevanz und Berechnungsfehler. Dennoch ist DDMRP in Bezug auf viele Faktoren, die nicht mehr vernünftigerweise ignoriert werden können, abusiv vereinfacht, wenn man die aktuelle Computertechnologie berücksichtigt.

Die Supply Chain dient den wirtschaftlichen Interessen des Unternehmens. Um es deutlicher auszudrücken: Das Unternehmen maximiert die Rendite in Dollar, die durch seine Interaktion mit der Wirtschaft insgesamt generiert wird. DDMRP optimiert jedoch Prozentsätze von Fehlern gegenüber möglicherweise willkürlichen Zielen - seinen Puffern. Die Priorisierung, wie von DDMRP definiert, richtet sich nach innen: Sie steuert das Supply-Chain-System auf einen Zustand zu, der mit den Annahmen des DDMRP-Modells selbst übereinstimmt - d.h. Lagerverfügbarkeit an den Entkopplungspunkten. Es gibt jedoch keine Garantie dafür, dass dieser Zustand mit den finanziellen Interessen des Unternehmens übereinstimmt. Dieser Zustand könnte sogar den finanziellen Interessen des Unternehmens entgegenstehen. Wenn zum Beispiel eine Marke viele geringmargige Produkte produziert, die sich gegenseitig nahezu substituieren, ist es möglicherweise nicht rentabel, hohe Servicelevels für ein bestimmtes SKU aufrechtzuerhalten, wenn konkurrierende SKUs (quasi-Substitute) bereits einen Überschuss an Lagerbeständen haben.

Darüber hinaus ist das Priorisierungsschema, das von DDMRP vorgeschlagen wird, grundsätzlich eindimensional: die Einhaltung der eigenen Lagerziele (die Puffer). Reale Supply-Chain-Entscheidungen sind jedoch fast immer mehrdimensionale Probleme. Zum Beispiel könnte ein Hersteller nach der Produktion einer Charge von 1000 Einheiten diese normalerweise in einem Container für den Seetransport unterbringen. Wenn jedoch ein Lagerbestandsausfall in der Supply Chain unmittelbar bevorsteht, könnte es profitabel sein, 100 Einheiten (von den 1000) per Flugzeug zu versenden, um den bevorstehenden Lagerbestandsausfall rechtzeitig zu mildern. Die Wahl des Transportmodus ist hier eine zusätzliche Dimension für die Herausforderung der Supply-Chain-Priorisierung. Um diese Herausforderung anzugehen, erfordert die Priorisierungsmethode die Fähigkeit, die wirtschaftlichen Treiber zu integrieren, die mit den verschiedenen Optionen verbunden sind, die dem Unternehmen zur Verfügung stehen.

Weitere Dimensionen, die im Rahmen der Priorisierung berücksichtigt werden müssen, können sein:

  • Preisgestaltungsanpassungen, um die Nachfrage zu erhöhen oder zu reduzieren (möglicherweise über sekundäre Vertriebskanäle)
  • bauen oder kaufen, wenn Substitutionen auf dem Markt gefunden werden können (in der Regel zu einem Aufpreis)
  • Ablaufdaten des Lagerbestands (erfordert detaillierte Einblicke in die Lagerzusammensetzung)
  • Rückgaberisiken (wenn Vertriebspartner die Möglichkeit haben, unverkaufte Waren zurückzugeben).

Daher ist DDMRP zwar richtig in der Feststellung, dass Priorisierung ein flexiblerer Ansatz im Vergleich zu binären Alles-oder-Nichts-Ansätzen ist, wie sie von MRPs implementiert werden, aber das von DDMRP selbst vorgeschlagene Priorisierungsschema ist eher unvollständig.

Lokads Standpunkt

Das Motto von DDMRP lautet “Für Menschen, nicht für Perfektion”. Bei Lokad bevorzugen wir die klassische IBM-Vision Maschinen sollten arbeiten; Menschen sollten denken durch die Perspektive des Quantitative Supply Chain Management (QSCM).

QSCM geht von der Hypothese aus, dass jede banale Entscheidung in der Supply Chain automatisiert werden sollte. Diese Perspektive betont, dass kompetente Supply-Chain-Praktiker als zu selten und zu teuer angesehen werden, um ihre Zeit mit der Generierung von Lager-, Einkaufs- oder Preisentscheidungen zu verbringen. All diese Entscheidungen können und sollten automatisiert werden, damit sich die Praktiker auf die Verbesserung des numerischen Rezepts konzentrieren können. Aus finanzieller Sicht verwandelt QSCM diese Gehälter von OPEX, wo Mann-Tage verbraucht werden, um das System am Laufen zu halten, in CAPEX, wo Mann-Tage in die fortlaufende Verbesserung des Systems investiert werden.

Der DDMRP-Ansatz geht von der Hypothese aus, dass kompetente Supply-Chain-Praktiker in Massen geschult werden können, was sowohl die Kosten für den Arbeitgeber senkt als auch den mit dem Ausscheiden eines Mitarbeiters verbundenen Truck-Faktor reduziert. DDMRP etabliert einen Prozess zur Generierung banaler Supply-Chain-Entscheidungen, aber die vollständige Automatisierung ist größtenteils kein Ziel, obwohl DDMRP Automatisierung nicht abgeneigt ist, wenn sich die Gelegenheit ergibt.

Interessanterweise lässt sich in gewissem Maße beobachten, ob die Branche eher die QSCM-Perspektive oder die DDMRP-Perspektive verfolgt. Wenn die QSCM-Perspektive breiter angenommen wird, werden sich Supply-Chain-Management-Teams voraussichtlich mehr wie andere “Talent”-Branchen entwickeln, z.B. Finanzwesen mit ihren quantitativen Händlern, bei denen einige außergewöhnlich talentierte Personen die Leistung großer Unternehmen antreiben. Wenn hingegen die DDMRP-Perspektive breiter angenommen wird, werden sich Supply-Chain-Management-Teams voraussichtlich eher wie erfolgreiche Franchise-Unternehmen entwickeln - z.B. Starbucks-Filialleiter -, bei denen Teams zahlreich und gut ausgebildet sind und außergewöhnliche Einzelpersonen nur wenig Einfluss auf das System haben, aber eine überlegene Kultur den Unterschied zwischen Unternehmen ausmacht.

Ressourcen

  • Demand Driven Material Requirements Planning (DDMRP), Version 3, von Ptak und Smith, 2019
  • Orlicky’s Material Requirements Planning, 3. Auflage, von Carol A. Ptak und Chad J. Smith, 2011

Anmerkungen


  1. In der diskreten Mathematik ist ein Graph eine Menge von Knoten (auch Punkte genannt) und Kanten (auch Verbindungen oder Linien genannt). Der Graph wird als gerichtet bezeichnet, wenn die Kanten Ausrichtungen haben. Der Graph wird als gewichtet bezeichnet, wenn den Kanten eine Zahl - das Gewicht - zugewiesen ist. Der Graph wird als azyklisch bezeichnet, wenn beim Folgen der Kanten entsprechend ihrer jeweiligen Ausrichtungen kein Zyklus existiert. ↩︎

  2. Ein Färbungsschema besteht darin, jeder Kante des Graphen eine kategoriale Eigenschaft zuzuweisen. Im Fall von DDMRP gibt es nur zwei Optionen: Entkopplungspunkt oder kein Entkopplungspunkt; d.h. nur zwei Farben. ↩︎

  3. In der Informatik ist “Teile und herrsche” ein Algorithmus, der ein Problem rekursiv in zwei oder mehr verwandte Teilprobleme zerlegt, bis diese einfach genug sind, um direkt gelöst zu werden. Dieser Ansatz wurde von John von Neumann im Jahr 1945 entwickelt. ↩︎

  4. Stand 24. Februar 2020 ist das Demand Driven Institute™ eine gewinnorientierte Organisation, die sich selbst als die globale Autorität für demand-driven Bildung, Training, Zertifizierung und Compliance definiert. Ihr Geschäftsmodell basiert auf dem Verkauf von Schulungssitzungen und Materialien rund um DDMRP. ↩︎

  5. Stand 24. Februar 2020 gibt die Homepage des Demand Driving Institute™ (demanddriveninstitute.com) folgende Zahlen als typische Verbesserungen an: Benutzer erreichen konsequent eine pünktliche Erfüllungsrate von 97-100%, Lead-Time-Reduzierungen von über 80% wurden in mehreren Branchensegmenten erreicht, typische Bestandsreduzierungen von 30-45% werden erzielt, während der Kundenservice verbessert wird. ↩︎

  6. MRP-Anbieter haben sicherlich kühne Behauptungen über die Planungs-, Prognose- und Optimierungsfähigkeiten ihrer Produkte aufgestellt. Dennoch sollte unsere Bewertung, ähnlich wie der Guide Michelin, der sich nicht darum kümmert, ob Cornflakes-Marken für eine kulinarische Sternenbewertung in Frage kommen, trotz ihrer magisch leckeren Slogans auf Parteien gerichtet sein, die sich hauptsächlich auf eine hochmoderne Supply-Chain-Performance konzentrierten. ↩︎