Nachfragegesteuerte Materialbedarfsplanung (DDMRP)

learn menu
Von Joannes Vermorel, Februar 2020

Demand Driven Material Requirements Planning (DDMRP) ist eine quantitative Methode, die darauf abzielt, die Supply Chain Performance mehrstufiger Fertigungsunternehmen zu optimieren. Die Methode basiert auf den Begriffen ‚Entkopplungspunkte‘ und ‚Lagerpuffer‘, die dazu gedacht sind, die Schwächen früherer Methoden, die von den meisten MRP (Material Requirement Planning)-Systemen implementiert wurden, zu beheben. Die Methode liefert die Mengen, die entweder eingekauft oder hergestellt werden sollen, für jede SKU (Stock-Keeping Unit) eines mehrstufigen BOM (Bill Of Materials).

Förderband einer Reifenproduktionsanlage

Update November 2024: Joannes Vermorel und Carol Ptak diskutierten DDMRP in einer kürzlichen Supply Chain Debatte.

Das Optimierungsproblem des Materialflusses in einer mehrstufigen BOM

Eine BOM (Bill of Materials) repräsentiert die Baugruppen, Komponenten und Teile sowie die jeweilige Menge, die benötigt wird, um ein Endprodukt herzustellen. Eine mehrstufige BOM ist eine rekursive hierarchische Darstellung der ursprünglichen BOM, bei der bestimmte Teile weiter mithilfe eigener BOMs aufgeschlüsselt werden. Aus formaler Sicht ist eine mehrstufige BOM ein gewichteter gerichteter azyklischer Graph1, bei dem die Knoten SKUs darstellen, die Kanten die Zugehörigkeit anzeigen (d.h. Bestandteil sind) und die Gewichte die für die Montage erforderliche Menge repräsentieren – sei es für das Endprodukt bzw. die Endprodukte oder für Zwischenprodukte.

Das von DDMRP adressierte Problem ist die Optimierung des Materialflusses innerhalb einer mehrstufigen BOM und besteht darin, zu jedem Zeitpunkt zu bestimmen, (a) ob mehr Rohstoffe beschafft werden sollten und in welcher Menge, (b) ob mehr Einheiten einer bestimmten SKU produziert werden sollten und wie viele.

Intuitiv ist dieses Problem schwierig, da es keine direkte Korrelation zwischen der Servicequalität einer Zwischen-SKU – üblicherweise gemessen durch Service Levels – und der Servicequalität des Endprodukts gibt. Eine Erhöhung des Lagerbestands einer bestimmten SKU verbessert die Servicequalität des Endprodukts nur dann, wenn diese SKU in irgendeiner Weise ein Engpass im Fertigungsfluss darstellt.

In der Praxis erfordert die Lösung dieses Optimierungsproblems des Materialflusses eine Reihe zusätzlicher Eingaben, typischerweise:

  • Bestellhistorie von Kunden
  • Lieferzeiten von Lieferanten
  • Lagerbestände, die vorrätig, unterwegs oder bestellt sind
  • Fertigungs-Lieferzeiten und/oder Produktionsdurchsätze
  • usw.

Dann weisen reale supply chains oft weitere Komplikationen auf, wie beispielsweise Losgrößen (jegliche Art von gewünschten Multiplikatoren, die entweder vom Lieferanten oder vom Fertigungsprozess auferlegt werden), Haltbarkeiten (nicht nur für verlustanfällige Güter, sondern auch für Chemikalien und empfindliche Ausrüstungsgegenstände) sowie unvollkommene Ersatzstoffe (z. B. wenn ein teureres Teil als Ersatz verwendet werden kann, falls das billigere nicht verfügbar ist). Diese Komplikationen erfordern zusätzliche Daten, die im Modell berücksichtigt werden müssen.

Grenzen des klassischen MRP

Die Einführung von DDMRP wurde durch die Einschränkungen motiviert, die mit dem verbunden sind, was als die klassische MRP-Perspektive bezeichnet werden könnte (im Folgenden einfach als die MRP-Perspektive bezeichnet wird), die vorwiegend in den 80er Jahren entwickelt wurde. Die MRP-Perspektive konzentriert sich auf die Analyse von Lieferzeiten und identifiziert den längsten (zeitlichen) Pfad im BOM-Graphen als den Engpass im Fertigungsprozess des Endprodukts.

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

  • Fertigungs-Lieferzeiten, die maximal optimistisch sind und davon ausgehen, dass die Bestände überall stets verfügbar sind (d.h. für jede SKU), sodass die Lieferzeiten ausschließlich vom Durchsatz der Fertigungsprozesse abhängen.
  • Kumulative Lieferzeiten, die maximal pessimistisch sind und davon ausgehen, dass die Bestände immer nicht verfügbar sind, sodass die Lieferzeiten ausschließlich von der Zeit abhängen, die benötigt wird, um die erste Einheit ausgehend vom Ausgangszustand zu produzieren, d.h. ohne Rohmaterialien und ohne Zwischenprodukte.

Diese beiden Methoden haben einen entscheidenden gemeinsamen Vorteil: Sie lassen sich relativ einfach in relationale Datenbanksysteme implementieren, die den architektonischen Kern nahezu aller in den 80er bis 2010er Jahren entwickelten MRPs bildeten.

Diese beiden Methoden sind jedoch auch zu simpel und liefern in der Regel unsinnige Lieferzeiten. Die Autoren von DDMRP weisen darauf hin, dass die Berechnung von Einkaufs- oder Produktionsaufträgen auf der Grundlage von stark fehlerhaften Lieferzeitschätzungen letztlich zu einer Mischung aus Überbeständen und Fehlbeständen führt, je nachdem, ob die Lieferzeiten erheblich über- oder unterschätzt werden.

Das numerische Rezept von DDMRP

Das numerische Rezept von DDMRP ist eine Mischung aus numerischen Heuristiken, kombiniert mit menschlichen Entscheidungsfindungen – d.h. Supply Chain Experten. Dieses Rezept soll die mit dem klassischen MRP verbundenen Schwächen überwinden, ohne auf „fortgeschrittene“ numerische Algorithmen zurückzugreifen. Das Rezept besteht aus vier Hauptbestandteilen, nämlich:

  • Entkopplung der Lieferzeiten
  • Die Nettofluss-Gleichung
  • Die entkoppelte Explosion
  • Die relative Priorität

Durch die Kombination dieser vier Bestandteile kann ein Supply Chain Praktiker die zu kaufende bzw. herzustellende Menge berechnen, wenn er mit einer mehrstufigen BOM-Situation konfrontiert ist. Die Autoren von DDMRP argumentieren, dass diese Methode eine überlegene Supply Chain Performance liefert – gemessen an Lagerumschlag oder Service Levels – im Vergleich zu den von MRPs erzielten Ergebnissen.

Entkopplung der Lieferzeiten

Um den naiv extrem optimistischen bzw. pessimistischen Annahmen der MRP-Perspektive bezüglich Lieferzeiten entgegenzuwirken, führt DDMRP ein binäres Graph-Färbungsschema2 ein, bei dem bestimmte Knoten (d.h. SKUs) des Graphen (d.h. BOMs) als Entkopplungspunkt hervorgehoben werden. Es wird dann angenommen, dass diese Knoten stets über einsatzfähige Bestände verfügen, und die Methodik von DDMRP stellt sicher, dass dies tatsächlich der Fall ist.

Die Auswahl der Entkopplungspunkte wird im Wesentlichen den Supply Chain Praktikern überlassen. Da die Entkopplungspunkte als vorrätige SKUs gedacht sind, sollten Praktiker SKUs bevorzugen, die auf strategischer Ebene sinnvoll sind – beispielsweise weil sie von mehreren Endprodukten verbraucht werden und von gleichmäßigeren Verbrauchsmustern profitieren als die meisten Endprodukte.

Sobald die Entkopplungspunkte ausgewählt wurden, können die DDMRP-Lieferzeiten, die mit einem Knoten verbunden sind, als der längste (zeitliche) Pfad berechnet werden, ausgehend von diesem Knoten und absteigend, wobei der Pfad abgeschnitten wird, sobald ein Entkopplungspunkt erreicht wird.

Bei sorgfältiger Auswahl der Entkopplungspunkte argumentieren die Autoren von DDMRP, dass die DDMRP-Methodik kürzere Lieferzeiten liefert. Diese Aussage ist jedoch nicht ganz korrekt, nicht weil die Lieferzeiten länger wären, sondern weil DDMRP eine neue Definition dessen vorschlägt, was überhaupt als Lieferzeit bezeichnet wird.

Die Nettofluss-Gleichung

Um die Mengen zu berechnen, die entweder mit Einkaufsaufträgen oder der Fertigung anderer Produkte verbunden sind, führen die Autoren von DDMRP ein Konzept ein, das als Nettofluss definiert wird, wie folgt:

Auf Lager + Bestellt - Qualifizierte Verkaufsauftragsnachfrage = Nettoflussposition

Diese Gleichung wird auf der Ebene der SKU definiert. Die Nettoflussmenge wird interpretiert als die Menge an Lagerbestand, die zur Deckung des unsicheren Teils der Nachfrage zur Verfügung steht.

Die Nettoflussposition wird dann mit einer Puffergröße verglichen; und wenn sie deutlich unter dem Zielpuffer liegt, wird eine Bestellung ausgelöst. Auf diesen Mechanismus kommen wir im Abschnitt zur Bestellpriorisierung später noch zurück.

Die DDMRP-Methodik bietet einige übergeordnete Richtlinien zur Dimensionierung der Puffer, wobei diese typischerweise in Tagen Nachfrage ausgedrückt werden, und sichere Margen eingehalten werden, während die DDMRP-Lieferzeiten – wie oben definiert – beachtet werden. In der Praxis hängt die Dimensionierung der Puffer vom besseren Urteil der Supply Chain Praktiker ab.

Durch die Nettoflüsse betonen die Autoren von DDMRP, dass lediglich der unsichere Teil der Nachfrage jegliche Art statistischer Analyse erfordert. Der Umgang mit der zukünftigen Nachfrage, die bereits bekannt ist, ist eine Frage der Befolgung eines deterministischen Ausführungsplans.

Die entkoppelte Explosion

Die Methodik von DDMRP stützt sich sowohl auf als auch erzwingt die Annahme, dass der Bestand von jedem Entkopplungspunkt aus stets einsatzbereit ist. Diese Annahme bietet die Möglichkeit, die Kanten mithilfe der Entkopplungspunkte (d.h. einer Teilmenge von Knoten) als Grenzflächen zwischen den Partitionsteilen zu unterteilen. Dieses Partitionierungsschema wird als die entkoppelte Explosion bezeichnet.

Aus der Perspektive von DDMRP wird bei der Erteilung eines Kundenauftrags für ein Endprodukt die resultierende Nachfrage nicht rekursiv in ihre innersten Komponenten zerlegt, sondern nur bis zu den zuerst angetroffenen Entkopplungspunkten aufgeschlüsselt.

Das Graph-Partitionierungsschema der entkoppelten Explosion wird von der DDMRP-Methodik als eine divide and conquer3-Strategie genutzt. Insbesondere, da die Größe des Teilgraphen klein gehalten werden kann, lässt sich DDMRP – ähnlich wie bei MRPs – auf relationale Datenbanksysteme implementieren, auch wenn diese Systeme eigentlich nicht für Graphanalysen ausgelegt sind.

Bestellpriorisierung

Der letzte numerische Schritt im DDMRP-Rezept besteht darin, die Bestellungen selbst zu berechnen, sei es Einkaufs- oder Produktionsaufträge. Die DDMRP-Methodik priorisiert alle SKUs anhand ihrer jeweiligen Differenz Puffer - Nettofluss, wobei die höchsten Werte zuerst berücksichtigt werden. Anschließend werden Bestellungen in der angegebenen Reihenfolge erstellt, wobei alle Werte ausgewählt werden, die positiv sind und häufig mindestens so groß wie die Mindestbestellmenge (wenn zutreffend) sind.

Die Priorisierung von DDMRP ist eindimensional (in Bezug auf die Bewertung) und wird durch die interne Einhaltung der eigenen Methodik angetrieben, nämlich die Aufrechterhaltung einsatzfähiger Bestände für alle Entkopplungspunkte. Die vorherigen Abschnitte zeigten, wie diese entscheidende Eigenschaft der Entkopplungspunkte genutzt wurde. Die Bestellpriorisierung verdeutlicht, wie diese Eigenschaft durchgesetzt wird.

Die von den DDMRP-Autoren vorgeschlagene Bestellpriorisierung ist feiner abgestuft als die in MRPs typischerweise verwendeten Rezepte wie z. B. ABC-Analyse. Sie bietet einen Mechanismus, um die Aufmerksamkeit der Supply Chain Praktiker auf die SKUs zu lenken, die am dringendsten Aufmerksamkeit benötigen – zumindest gemäß dem Dringlichkeitskriterium von DDMRP.

Kritiken an DDMRP

Die Autoren von DDMRP preisen4 die Vorteile5 dieser Methodik als eine hochmoderne Praxis zur Maximierung der Supply Chain Performance an. Obwohl DDMRP mit einigen „verborgenen“ Schätzen aufwartet, die im Folgenden näher erläutert werden, lassen sich dennoch mehrere Kritiken an dieser Methodik äußern: Die auffälligsten sind erstens eine inkorrekte Basislinie zur Bewertung von Neuheit und Leistung und zweitens ein Formalismus, der die Komplexität der realen Welt nicht erfasst.

Verborgene Schätze

Auch wenn es wie ein relatives Paradoxon erscheinen mag, wurden die stärksten Argumente zugunsten von DDMRP möglicherweise nicht korrekt von seinen 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 näher erläutert.

Soweit es um Fertigungs-supply chains geht, sind frequenzbasierte gleitende Durchschnitte in der Regel überlegen gegenüber zeitlichen gleitenden Durchschnitten. Tatsächlich ist es falsch zu behaupten, dass DDMRP ohne Absatzprognosen auskommt. Die Puffer sind Prognosen, allerdings frequenzbasierte Prognosen (d.h. Tage der Nachfrage) und nicht zeitliche (d.h. Nachfrage pro Tag). Als Faustregel gilt, dass frequenzbasierte Prognosen robuster sind, wenn die Nachfrage unregelmäßig und/oder intermittierend ist. Dieser Befund lässt sich auf J.D. Croston zurückführen, der 1972 „Forecasting and Stock Control for Intermittent Demands“ veröffentlichte. Während Crostons Methoden zwar etwas unklar bleiben, hat DDMRP diese Perspektive in der gesamten supply chain Welt popularisiert.

Ungefähre Priorisierung ist ein robuster Entscheidungsmechanismus in der Supply Chain, der ganze Problemklassen, insbesondere systematische Verzerrungen, verhindert. Tatsächlich sorgt selbst eine lockere, supply chain-weite Priorisierung dafür, dass Ressourcen zunächst offensichtlichen Engpässen zugewiesen werden, im Gegensatz zu SKU-basierten Ansätzen wie Sicherheitsbeständen, die leicht durch lokale supply chain Artefakte (z.B. einen Fehlbestand) numerisch verzerrt werden können. Obwohl sich die DDMRP-Autoren durchaus darüber im Klaren sind, dass Priorisierung als Aufmerksamkeitsmechanismus vorteilhaft ist, wird diese Erkenntnis nicht konsequent weitergeführt: Die Priorisierung sollte wirtschaftlich erfolgen, d.h. in Dollar gemessen und nicht in Prozenten.

Falsche Ausgangsbasis

Die Hauptkritik an DDMRP ist seine falsche Ausgangsbasis. MRPs, wie sie in den vier Jahrzehnten von den frühen 80er bis in die späten 2010er implementiert und verkauft wurden, wurden nie wirklich dafür entwickelt6, etwas zu planen, zu prognostizieren oder zu optimieren. Der Name selbst, MRP (Material Requirements Planning), ist ein Fehlbegriff. Ein besserer Name wäre MRM (Material Requirement Management) gewesen. Diese Softwareprodukte basieren im Kern auf einer relationalen Datenbank (d.h. einer SQL-Datenbank) und sind in erster Linie dazu gedacht, den Überblick über die Vermögenswerte des Unternehmens zu behalten und alle administrativen Aufgaben der alltäglichsten Abläufe auszuführen, z.B. die Bestandsmenge zu verringern, wenn eine Einheit entnommen wird.

Da der relationale Kern weitgehend im Widerspruch zu jeder numerisch intensiven Verarbeitung steht, wie sie bei den meisten Arten von Graph-Algorithmen vorkommt, ist es wenig überraschend, dass die numerischen Rezepte, die von solchen Produkten geliefert werden, letztlich simpel und dysfunktional ausfallen – wie an den zwei Varianten der Lieferzeitabschätzungen oben verdeutlicht wird. Nichtsdestotrotz existiert ein umfangreicher Katalog an Fachliteratur in der Informatik über die prädiktive numerische Optimierung von supply chains. Diese Literatur wurde in den 50er Jahren unter dem Namen Operations research vorangetrieben und seither unter verschiedenen Bezeichnungen weitergeführt, wie etwa quantitative Methoden im supply chain management oder einfach supply chain optimization.

Sowohl Behauptungen von Neuheit als auch von Überlegenheit für DDMRP gründen fälschlicherweise auf der falschen Annahme, dass MRPs eine relevante Basislinie für supply chain optimization darstellen; d.h., eine Verbesserung des MRP sei gleichzusetzen mit einer Verbesserung der supply chain optimization. Allerdings sind MRPs, wie alle Software-Systeme, die zentral um relationale Datenbanken entwickelt wurden, schlichtweg nicht für numerische Optimierungsaufgaben geeignet.

Hersteller, die an den Einschränkungen ihres MRP festhalten, sollten nicht versuchen, inkrementelle Verbesserungen direkt am MRP vorzunehmen, da numerische Optimierung grundlegend im Widerspruch zum Design des MRP steht, sondern vielmehr die Vorteile all jener Softwaretools und Technologien nutzen, die von vornherein für numerische Leistung entwickelt wurden.

Begrenzter Formalismus

Die DDMRP-Perspektive ist eine eigenartige Mischung aus einfachen Formeln und subjektiven Einschätzungen. Während DDMRP offensichtlich innerhalb eines spezifischen mathematischen Rahmens operiert – d.h. einem gewichteten, gerichteten azyklischen Graphen – und seine Mechanismen bekannte Bezeichnungen tragen, wie z.B. Graphfärbung, Graphpartitionierung, fehlen diese Begriffe in den DDMRP-Unterlagen. Man könnte argumentieren, dass die Graphentheorie für den durchschnittlichen supply chain practitioner zu komplex ist, doch der Mangel an Formalismus zwingt die Autoren zu langen Erklärungen numerischer Verhaltensweisen, die viel präziser und kürzer beschrieben werden könnten.

Dann, noch bedenklicher, isoliert der fehlende Formalismus DDMRP von der umfangreichen Fachliteratur der Informatik, die viele Einblicke darüber liefert, was mit bekannten Algorithmen aus verschiedenen Bereichen der Informatik – die weit über die Anforderungen des supply chain management hinausgehend eingehend untersucht wurden – möglich ist, nämlich: Graphentheorie, stochastische Optimierung und statistisches Lernen. Infolgedessen übernimmt DDMRP häufig vereinfachte Perspektiven – auf diesen Punkt werden wir im Folgenden noch zurückkommen –, die angesichts bekannter Algorithmen und moderner Computerhardware-Fähigkeiten nicht gerechtfertigt sind.

Dann führt der begrenzte Formalismus von DDMRP zu fehlerhaften Behauptungen wie verkürzten Lieferzeiten. Tatsächlich sind numerisch die Lieferzeiten, wie sie von DDMRP berechnet werden, sicherlich kürzer als die meisten Alternativen, weil per Konstruktion Lieferzeitpfade abgeschnitten werden, sobald ein Entkopplungspunkt erreicht wird. Allerdings liegt ein methodischer Fehler vor, wenn behauptet wird, dass bei DDMRP Lieferzeiten kürzer seien. Die korrekte Aussage lautet, dass bei DDMRP Lieferzeiten anders gemessen werden. Eine fundierte quantitative Bewertung der Vorteile von DDMRP in Hinblick auf Lieferzeiten erfordert ein formal definiertes Konzept systemweiter Trägheit, um zu bewerten, wie schnell eine supply chain, die durch eine formale Richtlinie gesteuert wird, auf Marktveränderungen reagieren kann.

Außerdem werden bei DDMRP umfangreich subjektive Entscheidungen getroffen – d.h. wesentliche numerische Entscheidungen, wie die Wahl der Entkopplungspunkte, werden an menschliche Experten delegiert. Folglich ist es unpraktisch, wenn nicht gar unmöglich, eine DDMRP-Praxis mit einer konkurrierenden, ordnungsgemäß formalisierten Methode zu vergleichen, da ein solcher Benchmark einen unpraktikablen Personalaufwand für jede umfangreiche supply chain (d.h. tausende SKUs oder mehr) erfordern würde.

Schließlich ist es angesichts der Kosten moderner Rechenressourcen keine sinnvolle Option, sich auf menschliche Eingaben zur Feinabstimmung eines numerischen Optimierungsprozesses zu verlassen. Eine Abstimmung der Meta-Parameter mag akzeptabel sein, jedoch nicht eine detaillierte Intervention an jedem Knoten des Graphen. Insbesondere zeigt ein lockerer Blick auf die heutigen supply chains, dass der Bedarf an menschlichen Eingaben einer der größten Faktoren für systemweite Trägheit ist. Eine zusätzliche Ebene manueller Feinabstimmung – die Wahl der Entkopplungspunkte – stellt in dieser Hinsicht keine Verbesserung dar.

Abfällig gegenüber der Komplexität der realen Welt

Die Modellierung einer supply chain ist notwendigerweise eine Annäherung an die reale Welt. Somit stellt jedes Modell einen Kompromiss zwischen Präzision, Relevanz und rechnerischer Machbarkeit dar. Nichtsdestotrotz ist DDMRP in Bezug auf viele Faktoren, die angesichts moderner computing hardware nicht länger vernünftigerweise außer Acht gelassen werden können, übermäßig simplistisch.

Die supply chain existiert, um den wirtschaftlichen Interessen des Unternehmens zu dienen. Anders ausgedrückt maximiert das Unternehmen die Rendite in Dollar, die durch seine Interaktion mit der Volkswirtschaft generiert wird; dennoch optimiert DDMRP Fehlerprozentsätze gegenüber – man könnte sagen – willkürlichen Zielvorgaben, nämlich seinen Puffern. Die von DDMRP definierte Priorisierung ist nach innen gerichtet: Sie lenkt das supply chain-System in einen Zustand, der mit den Annahmen, die dem DDMRP-Modell zugrunde liegen – sprich, der Verfügbarkeit von Beständen an den Entkopplungspunkten – übereinstimmt. Es gibt jedoch keine Garantie dafür, dass dieser Zustand mit den finanziellen Interessen des Unternehmens im Einklang steht. Dieser Zustand könnte sogar den finanziellen Interessen des Unternehmens zuwiderlaufen. So könnte es beispielsweise für eine Marke, die viele margenarme Produkte herstellt, die enge Substitute zueinander sind, unprofitabel sein, ein hohes Servicelevel für einen bestimmten SKU aufrechtzuerhalten, wenn konkurrierende SKUs (Quasi-Substitute) bereits einen Überbestand aufweisen.

Außerdem ist das von DDMRP vorgeschlagene Priorisierungsschema grundsätzlich eindimensional: die Einhaltung der eigenen Bestandsziele (der Puffer). Dabei sind reale Entscheidungen in der supply chain jedoch nahezu immer mehrdimensionale Probleme. Beispielsweise würde ein Hersteller nach der Produktion einer Charge von 1000 Einheiten diese üblicherweise in einen Container für den Seefrachttransport verpacken; wenn jedoch ein Lagerausfall in der supply chain unmittelbar bevorsteht, könnte es profitabel sein, 100 Einheiten (von den 1000) per Flugzeug zu versenden, um den drohenden Lagerausfall vorzubeugen. Hier stellt die Wahl des Transportmittels eine zusätzliche Dimension im Priorisierungsproblem der supply chain dar. Um diese Herausforderung zu bewältigen, muss die Priorisierungsmethode in der Lage sein, die wirtschaftlichen Treiber, die mit den unterschiedlichen Optionen verbunden sind, die dem Unternehmen zur Verfügung stehen, zu integrieren.

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

  • Preisgestaltungsanpassungen, um die Nachfrage zu erhöhen oder zu verringern (möglicherweise über sekundäre Vertriebskanäle)
  • Selber machen oder zukaufen, wenn Ersatzprodukte auf dem Markt gefunden werden können (typischerweise zu einem Aufpreis)
  • Verfallsdaten der Bestände (erfordern tiefgehende Einblicke in die Bestandzusammensetzung)
  • Rücksende-Risiken (wenn Distributionspartner die Möglichkeit haben, unverkäufliche Waren zurückzusenden).

Somit ist DDMRP zwar korrekt in der Aussage, dass Priorisierung ein flexiblerer Ansatz im Vergleich zu binären Alles-oder-Nichts-Methoden, wie sie von MRP-Systemen implementiert werden, darstellt, jedoch ist das von DDMRP selbst vorgeschlagene Priorisierungsschema eher unvollständig.

Lokads Sichtweise

DDMRP’s Motto lautet “Für Menschen gebaut, nicht für Perfektion”. Bei Lokad favorisieren wir die klassische IBM-Vision Maschinen sollen arbeiten; Menschen sollen denken durch die die Quantitative Supply Chain Management (QSCM)-Perspektive.

QSCM geht von der Hypothese aus, dass jede alltägliche Supply-Chain-Entscheidung 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 routinemäßiger Entscheidungen in den Bereichen Lagerhaltung, Einkauf oder Preisgestaltung zu verbringen. All diese Entscheidungen können und sollten automatisiert werden, sodass sich die Praktiker auf die Verbesserung des numerischen Rezepts selbst konzentrieren können. Aus finanzieller Sicht wandelt QSCM diese Gehälter von OPEX, bei denen Manntage aufgewendet werden, um das System am Laufen zu halten, in CAPEX um, bei denen Manntage in die fortlaufende Verbesserung des Systems investiert werden.

Der DDMRP-Ansatz basiert auf der Hypothese, dass kompetente Supply-Chain-Praktiker in Massen geschult werden können, was nicht nur die Kosten für den Arbeitgeber senkt, sondern auch den truck-Faktor reduziert, der mit dem Weggang eines Mitarbeiters verbunden ist. DDMRP etabliert einen Prozess zur Generierung alltäglicher Supply-Chain-Entscheidungen, wobei die vollständige Automatisierung größtenteils kein Ziel darstellt – auch wenn DDMRP nicht abgeneigt gegen Automatisierung ist, sobald sich die Gelegenheit bietet.

Interessanterweise sollte bis zu einem gewissen Grad erkennbar sein, ob sich die Branche in Richtung der QSCM-Perspektive oder des DDMRP bewegt. Wird die QSCM-Perspektive breiter übernommen, entwickeln sich Supply-Chain-Management-Teams dahin, anderen “Talent”-Industrien, wie etwa der Finanzbranche mit ihren quantitativen Tradern, ähnlicher zu werden, bei denen einige außergewöhnlich talentierte Individuen die Leistung großer Unternehmen maßgeblich vorantreiben. Umgekehrt, wenn die DDMRP-Perspektive breiter angenommen wird, entwickeln sich Supply-Chain-Management-Teams dahin, erfolgreichen Franchise-Unternehmen – beispielweise Starbucks-Filialleitern – ähnlicher zu werden, in denen die Teams zahlreich und gut geschult sind, während einzelne herausragende Individuen nur einen geringen Einfluss auf das System haben – jedoch den entscheidenden Unterschied zwischen den Unternehmen ausmachen, wenn eine überlegene Unternehmenskultur vorhanden ist.

Ressourcen

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

Anmerkungen


  1. In der diskreten Mathematik ist ein Graph eine Menge von Knoten (auch Punkte oder Scheitel genannt) und Kanten (auch Verbindung oder Linie genannt). Ein Graph wird als gerichtet bezeichnet, wenn Kanten Orientierungen haben. Er wird als gewichtet bezeichnet, wenn den Kanten eine Zahl – das Gewicht – zugeordnet wird. Er gilt als azyklisch, wenn beim Folgen der Kanten entsprechend ihrer jeweiligen Orientierung kein Zyklus entsteht. ↩︎

  2. Ein Färbungsschema besteht darin, jedem Knoten des Graphen eine kategoriale Eigenschaft zuzuordnen. Im Fall von DDMRP gibt es nur zwei Möglichkeiten: Entkupplungspunkt oder kein Entkupplungspunkt; d.h. nur zwei Farben. ↩︎

  3. In der Informatik bezeichnet “Divide and Conquer” einen Algorithmus, der ein Problem rekursiv in zwei oder mehr verwandte Teilprobleme unterteilt, bis diese einfach genug sind, um direkt gelöst zu werden. Dieser Ansatz wurde 1945 von John von Neumann eingeführt. ↩︎

  4. Ab dem 24. Februar 2020 ist das Demand Driven Institute™ eine gewinnorientierte Organisation, die sich (sic) selbst als die globale Autorität für demand driven Bildung, Training, Zertifizierung und Compliance definiert. Ihr Geschäftsmodell dreht sich um den Verkauf von Schulungssitzungen und Materialien, die auf DDMRP ausgerichtet sind. ↩︎

  5. Ab dem 24. Februar 2020 gibt die Homepage des Demand Driving Institute™ (demanddriveninstitute.com) die folgenden Zahlen als typische Verbesserungen an: Nutzer erzielen konsequent eine termingerechte Lieferquote von 97-100%, in mehreren Branchen wurden Lieferzeitreduktionen von über 80% erreicht, und typische Lagerbestandsreduktionen von 30-45% werden erzielt, während der Kundenservice verbessert wird. ↩︎

  6. MRP-Anbieter machten sicherlich gewagte Behauptungen über die Planungs-, Prognose- und Optimierungsfähigkeiten ihrer Produkte. Dennoch, ebenso wie der Guide Michelin sich nicht darum bemüht, zu beurteilen, ob Cornflakes-Marken trotz ihrer magisch köstlichen Werbeslogans für eine kulinarische Sternevergabe in Frage kommen, sollte unsere Bewertung an Parteien gerichtet sein, die sich hauptsächlich darauf konzentrieren, modernste Supply-Chain-Leistungen zu erbringen. ↩︎