00:00:07 Bedarfsgesteuerte Materialbedarfsplanung (DDMRP)
00:00:39 Die große Idee hinter DDMRP und traditionellem MRP
00:02:21 Entkopplung der Durchlaufzeit in DDMRP und ihre Auswirkungen auf die supply chain
00:05:42 Nettoflussgleichung in DDMRP und ihre Wirksamkeit
00:07:48 Die Bedeutung der Unterscheidung zwischen bekannter und unbekannter Nachfrage in DDMRP
00:09:00 Entkoppelte Explosion und ihre Konsequenzen.
00:10:25 Manuelle Auswahl von Entkopplungspunkten und Bedenken hinsichtlich menschlicher Beteiligung.
00:12:02 Die Bedeutung maschinengestützter numerischer Optimierung.
00:14:00 Die relative Priorität von DDMRP und Probleme bei der Aufrechterhaltung grundlegender Annahmen.
00:16:01 Kritik an der Optimierung von Prozentwerten anstelle des Fokus auf wirtschaftliche Treiber.
00:17:18 Vergleich der Wirksamkeit von DDMRP und Flow Casting.
00:18:37 Das Fehlen verbleibender Einsichten aus DDMRP, wenn dysfunktionale numerische Rezepte entfernt werden.
00:19:48 Der Nutzen des gleitenden Durchschnitts im Frequenzbereich als Erkenntnis aus DDMRP.
00:22:12 Abschließende Gedanken.

Zusammenfassung

In einem Interview diskutieren Kieran Chandler und Joannes Vermorel die Demand Driven Material Requirements Planning (DDMRP), eine Methode zur Verbesserung der Effizienz in der supply chain durch den Einsatz von Entkopplungspunkten oder Lagerpuffern. Während DDMRP Innovationen wie strategische Entkopplung, die Nettoflussgleichung, entkoppelte Explosion und relative Priorität aufweist, äußert Vermorel Bedenken hinsichtlich der Abhängigkeit von manuellen Eingriffen und eines Optimierungsfokus. Er betont die Notwendigkeit der Automatisierung und die Priorisierung wirtschaftlicher Treiber gegenüber Prozentwerten. Vermorel schlägt vor, dass moderne numerische Optimierungsalgorithmen DDMRP überflüssig machen würden, räumt jedoch ein, dass es eine wertvolle Erkenntnis sei, gleitende Durchschnitte im Frequenzbereich zur Bewältigung unregelmäßiger Nachfrageprofile zu verwenden. Insgesamt ist er der Meinung, dass moderne Techniken besser für supply chain optimization geeignet sind.

Erweiterte Zusammenfassung

In diesem Interview diskutiert Kieran Chandler, der Moderator, die Demand Driven Material Requirements Planning (DDMRP) mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf supply chain optimization spezialisiert hat. Sie beleuchten die große Idee hinter DDMRP, seine praktischen Anwendungen und die vier wesentlichen Innovationen, die es zu bieten behauptet.

DDMRP ist eine mehrstufige Planungs- und Ausführungsmethode, die darauf abzielt, die Effizienz in der supply chain zu verbessern, indem strategisch Entkopplungspunkte oder Lagerpuffer platziert werden. Diese Entkopplungspunkte sollen Organisationen dabei helfen, die Beschränkungen klassischer MRP-Software (Material Requirements Planning) zu überwinden, die bei der genauen Berechnung komplexer supply chains oft Schwierigkeiten hat.

Vermorel erklärt, dass MRP-Software die Beziehungen zwischen verschiedenen Komponenten und Unterkomponenten eines Produkts, wie z. B. eines Autos, als Graph darstellt. Dieser Graph repräsentiert die Abhängigkeiten zwischen den einzelnen Teilen und hilft bei der Berechnung der Anforderungen zur Herstellung des Endprodukts. Allerdings mangelt es der MRP-Software oft an Genauigkeit und sie kann zu schlechten Ergebnissen führen.

DDMRP versucht, diese Einschränkungen zu überwinden, indem es Entkopplungspunkte in den Graph einführt. Diese Punkte repräsentieren Komponenten oder Bauteile, die über Lagerbestände verfügen, was bedeutet, dass man davon ausgehen kann, dass sie immer verfügbar sind. Dies ermöglicht die Berechnung von Durchlaufzeiten, die numerisch viel niedriger sind als diejenigen, die klassische MRP-Software liefern würde. Vermorel weist darauf hin, dass dieser Ansatz zwar die durch traditionelles MRP vorgegebene Basis verbessern kann, aber noch weit entfernt davon ist, was mit modernen numerischen Methoden erreicht werden könnte.

Eine der von Vermorel geäußerten Kritiken an DDMRP besteht darin, dass, obwohl die Entkopplungspunkte die berechneten Durchlaufzeiten reduzieren können, die supply chain dennoch eine beträchtliche Trägheit beibehält. Das bedeutet, dass trotz des Scheins von Verbesserungen die tatsächliche Leistung der supply chain möglicherweise nicht so optimiert ist, wie es scheint.

Strategische Entkopplung bedeutet, Punkte in der supply chain einzuführen, an denen die Durchlaufzeiten reduziert werden können, wodurch die Gesamt-Durchlaufzeit verkürzt wird. Vermorel argumentiert, dass dieser Ansatz zwar die Durchlaufzeiten numerisch reduzieren kann, die Trägheit im gesamten Netzwerk jedoch nicht signifikant verringert. Die Herausforderung besteht im semantischen Problem zu verstehen, wie strategische Entkopplungspunkte die supply chain als Ganzes beeinflussen.

Die Nettoflussgleichung, der zweite Diskussionspunkt, ist eine vereinfachte Methode zur Aufrechterhaltung von Pufferpunkten in der supply chain. Sie berücksichtigt den vorhandenen Lagerbestand und zieht die garantierte Nachfrage oder qualifizierte Einheiten ab, um den verbleibenden Lagerbestand zu ermitteln, der der unsicheren Nachfrage dienen soll. Vermorel ist der Ansicht, dass DDMRP (Demand Driven Material Requirements Planning) es richtig macht, zwischen bekannter und unbekannter Nachfrage zu unterscheiden. Viele frühe ERP (Enterprise Resource Planning) Implementierungen prognostizierten naiv die gesamte Nachfrage, einschließlich des bereits Garantierten. Vermorel argumentiert, dass dieser Ansatz grundlegend fehlerhaft ist, da er versucht, eine Zukunft vorherzusagen, die bereits bekannt ist, was zu Prognoseproblemen führt.

Die dritte wesentliche Innovation, die diskutiert wird, ist die entkoppelte Explosion, die sich mit den Konsequenzen der Einführung von zwei Arten von Knoten im Graph der supply chain befasst: Master-Knoten und Entkopplungspunkte. Entkopplungspunkte sind Standorte in der supply chain, an denen die Weiterleitung der Durchlaufzeit in den Berechnungen gestoppt wird (aber nicht in der Realität), und ein gewisser Lagerbestand gehalten wird. Die entkoppelte Explosion beinhaltet die Vereinfachung der Stückliste (BOM), indem sekundäre Knoten übersprungen und direkt mit den Entkopplungspunkten verbunden wird. Diese Vereinfachung des Graphen zielt darauf ab, den Prozess in der supply chain zu optimieren.

Vermorel äußert Bedenken hinsichtlich der Abhängigkeit von manuellen Eingriffen im supply chain management, insbesondere wenn es darum geht, im Graph einen “Yokai” einzuführen, um unsinnige Konsequenzen vereinfachter numerischer Rezepte abzumildern. Er erklärt, dass supply chain Praktiker oft dafür verantwortlich sind, die Entkopplungspunkte auszuwählen, die möglicherweise nicht stabil oder konsistent über die Zeit sind. Dies liegt an der sich ständig ändernden Natur des supply chain Umfelds sowie der Möglichkeit, dass Lieferanten ihre Strategien oder Standorte ändern.

Die Diskussion betont die Notwendigkeit der Automatisierung in diesem Prozess, da die Abhängigkeit von menschlichen Eingriffen zu Ineffizienzen und Ungenauigkeiten führen kann. Vermorel stellt fest, dass es keine sinnvolle Nutzung der Zeit von Praktikern ist, Entkopplungspunkte manuell für komplexe Produkte mit tausenden von Teilen auszuwählen. Dies gilt umso mehr, da sich die Marktbedingungen ständig ändern und es schwierig ist, jede Variable genau vorherzusagen oder zu berücksichtigen.

Kommen wir nun zum Konzept der relativen Priorität im supply chain management: Vermorel erklärt, dass dies die Einstufung von Elementen nach der angestrebten Lagerbestandsmenge beinhaltet. Obwohl diese Methode ihre Berechtigung hat, ist er der Meinung, dass es effektiver wäre, Elemente basierend auf ihrer wirtschaftlichen Stärke zu bewerten. Die Einführung von DDMRP (demand-driven material requirements planning) im Stil von First-Class-Citizen-Knoten, also Entkopplungspunkten, im Graph der supply chain beruht auf der Annahme, dass Lagerbestand immer verfügbar ist. Wenn diese Annahme verletzt wird, kann das gesamte System ins Wanken geraten.

Relative Prioritäten zielen darauf ab, dieses Problem anzugehen, indem sie Elemente priorisieren, die am stärksten von der grundlegenden Annahme der ständigen Verfügbarkeit abweichen. Obwohl Vermorel anerkennt, dass dies ein sinnvoller Teil der Gesamtmethodik ist, weist er auch darauf hin, dass dies immer noch einen Grad an menschlichen Eingriffen und Priorisierung beinhaltet, was möglicherweise nicht der effizienteste oder genaueste Ansatz ist.

Sie diskutieren die Wirksamkeit der Demand Driven Material Requirements Planning (DDMRP) bei der supply chain optimization. Vermorel kritisiert DDMRP und bemerkt, dass es sich darauf konzentriert, Prozentsätze zu optimieren, anstatt finanzielle Aspekte wie Lagerhaltungskosten, Verschwendung und Nicht-Service zu optimieren. Er argumentiert, dass Entscheidungen in der supply chain nach den übergeordneten Unternehmenszielen, ausgedrückt als wirtschaftliche Treiber, priorisiert werden sollten.

Vermorel vergleicht DDMRP mit Flow Casting und erklärt, dass Flow Casting zwar einige grundsätzlich fehlerhafte mathematische Ansätze hat, aber wertvolle Erkenntnisse liefert, die auch nach einer Korrektur der Mathematik relevant blieben. DDMRP hingegen wird als inkrementelle Verbesserung eines fehlerhaften Basisansatzes angesehen. Vermorel schlägt vor, dass der Einsatz moderner numerischer Optimierungsalgorithmen DDMRP überflüssig machen würde.

Trotz der Kritik räumt Vermorel eine positive Erkenntnis aus DDMRP ein: die Verwendung von gleitenden Durchschnitten im Frequenzbereich statt im Zeitbereich. Er erklärt, dass das Bilden eines Durchschnitts der Nachfrage über einen festen Zeitraum (Zeitbereich) weniger effektiv ist als das Bilden eines Durchschnitts der Nachfrage über die letzten 100 ausgelieferten Einheiten (Frequenzbereich). Dieser Ansatz verhält sich numerisch stabiler im Umgang mit unregelmäßigen und sprunghaften Nachfrageprofilen. Zusammenfassend sieht Vermorel einen Wert in der Analyse des Frequenzbereichs in DDMRP, ist jedoch der Meinung, dass moderne numerische Optimierungstechniken besser für die supply chain optimization geeignet sind.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV werden wir herausfinden, ob diese Methode in der Praxis tatsächlich funktioniert, indem wir uns die vier großen Innovationen anschauen. Also Joannes, wir haben es in der Einleitung kurz angesprochen, aber was ist die große Idee hinter DDMRP?

Joannes Vermorel: Die große Idee ist, dass man von einer sehr klassischen MRP-Perspektive ausgeht, bei der alles auf die Analyse eines Abhängigkeitsgraphen hinausläuft. Um es für die Zuhörer klarzustellen: Nehmen wir an, Sie möchten ein Fertigprodukt bauen, wie ein Auto. Sie benötigen Teile, aber die für ein Auto benötigten Teile sind selbst Baugruppen, die wiederum eigene Teile benötigen. So hat man eine Hierarchie von Komponenten, zum Beispiel benötigt ein Auto eine Klimaanlage, und die Klimaanlage benötigt eine Pumpe, ein Ventil und so weiter. Wenn man an ein Produkt und all seine benötigten Teile denkt, ist es im Grunde ein mathematischer Graph, ähnlich einer U-Bahn-Karte mit Linien.

Dieser Graph beginnt mit dem Endprodukt an der Spitze und verzweigt sich dann in die Unterkomponenten, wobei jede Komponente wiederum Unter-Unterkomponenten hat und so weiter, rekursiv. Bei einem sehr komplexen Produkt kann man einen äußerst komplexen Graphen haben, der alle Teile bis hin zu den grundlegendsten Materialien darstellt. Die MRP-Software, also die Manufacturing Resource Planning Software, stellt zunächst diese Informationen dar, sodass Sie diesen Abhängigkeitsgraphen abbilden können. Anschließend führt sie eine Reihe von Berechnungen durch, um Ihnen bei der Produktion und Ausführung all dieser Anforderungen zum fertigen Produkt zu helfen. In der Regel gelingt ihr das bei vielen dieser Berechnungen nicht besonders gut, und DDMRP liefert eine Reihe von Rezepten, um den Prozess zu verbessern.

Kieran Chandler: Wie funktioniert das in der Praxis tatsächlich und würden Sie sagen, dass es eine etwas zu starke Vereinfachung ist?

Joannes Vermorel: Die erste behauptete Innovation ist die Entkopplung der Durchlaufzeiten. Wir müssen erkennen, dass ihre Ausgangsbasis für Verbesserungen unsinnige numerische Rezepte sind, unglaublich naiv aus der Perspektive der numerischen Optimierung. Wenn Sie die Entkopplungspunkte richtig wählen, verbessern Sie sich im Vergleich zu einer sehr schlechten Ausgangsbasis. Sie werden weniger dysfunktional, aber das bedeutet nicht, dass Sie annähernd dem erreichen, was mit modernen numerischen Methoden möglich wäre.

Die Grundidee der Entkopplungspunkte besteht darin, dass anstelle davon, dass jeder Knoten wie ein anderer Knoten ist, entschieden wird, dass wir First-Class-Bürger, die Entkopplungspunkte, haben, und Second-Class-Bürger, bei denen wir keine Entkopplung vornehmen. An jedem Punkt, an dem entkoppelt wird, wird dieses Teil oder diese Komponente über Lagerbestand verfügen, sodass man davon ausgehen kann, dass es immer verfügbar ist. Anstatt den längsten Weg in der Produktion zu nehmen, nehmen Sie den längsten Weg bis zur Produktion, bis Sie einen dieser Entkopplungspunkte erreichen.

Aber meine erste Kritik an der Entkopplung der Durchlaufzeit ist, dass, ja, wenn Sie diese Entkopplungspunkte einführen, Sie am Ende mit einer numerisch viel niedrigeren Durchlaufzeit dastehen. Allerdings besitzt Ihre supply chain dennoch eine deutlich größere Trägheit. Sie haben die Berechnung der Durchlaufzeit durch die Einführung dieser Entkopplungspunkte manipuliert.

Kieran Chandler: Aber die Trägheit besteht weiterhin, wir liegen über dem, was Sie sagen. So kommt es dazu, dass man behauptet, wir hätten strategische Entkopplungspunkte eingeführt und könnten die Durchlaufzeit um 80% reduzieren. Numerisch betrachtet endet man mit einer viel kürzeren Durchlaufzeit, aber in Wirklichkeit haben Sie die Trägheit in Ihrem gesamten Netzwerk nicht um einen Faktor reduziert, der so groß ist wie der, den Sie mit diesen Entkopplungspunkten haben. Hier gibt es ein semantisches Problem, und ich werde vielleicht im weiteren Verlauf darauf eingehen. Kommen wir zum zweiten Punkt in DDMRP, der Nettoflussgleichung. Sie ist im Grunde eine Methode, diese Pufferpunkte aufrechtzuerhalten, beispielsweise durch Vorbestellungen, Dinge, von denen wir bereits wissen, dass sie eintreten werden. Wie gut funktioniert das in der Praxis?

Joannes Vermorel: Die Nettoflussgleichung macht tatsächlich ein wenig Sinn. Es ist eine unglaublich vereinfachte Gleichung: vorhandener Lagerbestand minus bereits garantierte Nachfrage, was sie als qualifizierte Einheiten bezeichnen. Das heißt, die Anfrage, die sozusagen sicher ist. Damit erhalten Sie den Lagerbestand, der noch verfügbar ist, um die unsichere Nachfrage zu bedienen. Die Nettoflussgleichung gibt Ihnen die Menge an Lagerbestand, die dazu dient, Dinge abzudecken, die nicht bereits rein operativer Natur sind, weil Sie bereits wissen, dass sie mit nahezu keiner Unsicherheit eintreffen.

Ich denke, DDMRP ist korrekt, um die sehr unterschiedlichen Dinge, die bereits bekannt sind, von den Unbekannten zu unterscheiden.

Natürlich können die Leute immer noch ihre Bestellungen stornieren und so weiter, aber sagen wir, es ist ziemlich sicher. Es ist ganz anders, als wenn in etwa zwei Monaten ein Kunde auftaucht und tatsächlich tausend Einheiten anfordert. Ich glaube, DDMRP hat vollkommen recht, wenn es sagt, dass man nicht diesen allzu naiven Ansatz verfolgen sollte, alles zu prognostizieren – selbst das, was man bereits weiß.

Die Frage ist, warum sie das überhaupt behaupten? Nun, es liegt daran, dass die meisten ERP-Systeme, viele der frühen Implementierungen, unglaublich naive Dinge taten. Sie sagten: “Wir nehmen einfach den leichten Weg, was irgendwie der dümmste Weg ist”, und sie prognostizierten die gesamte Nachfrage, einschließlich des Anteils, der bereits garantiert ist. Aber das ist sehr dumm, denn dann versucht man, eine Zukunft zu erraten, die man bereits kennt – und wissen Sie was? Es ist sehr schwer zu prognostizieren. Wenn Sie also etwas über die Zukunft wissen, sollten Sie nicht einmal versuchen, Statistiken zu verwenden, um das herauszufinden, denn Sie wissen es bereits.

Kieran Chandler: Wenn wir zur dritten Schlüsselinnovation übergehen, klingt diese sogenannte “entkoppelte Explosion” wirklich dramatisch. Was ist hier los?

Joannes Vermorel: Dies ist eine weitere Folge der Einführung von zwei Arten von Knoten in Ihrem Bedarfsgraphen. Erinnern Sie sich, dass wir in dem Graphen sogenannte Master-Knoten eingeführt haben, die diese Entkopplungspunkte sind – die Punkte, die die Durchlaufzeitpropagation in der Berechnung stoppen, nicht in der Realität, sondern in der Berechnung –, und das sind die Punkte, bei denen Sie einen gewissen Grad an Lagerbestand sicherstellen möchten. Was sie sagen, ist, dass man statt die Stückliste direkt von Knoten zu Knoten weiterzugeben, indem man sagt: “Ich nehme die Stückliste und sie wird an meine übergeordneten Knoten, die Unterbaugruppen, die

Kieran Chandler: Meine Eltern, die Unterbaugruppen, die ich zum Aufbau des Fertigprodukts benötige – ich sage, dass, wenn diese entkoppelt werden, im Grunde genommen gesagt wird, dass wir die Stückliste nehmen und alle Second-Class-Citizen-Knoten komplett überspringen, um direkt zu den Entkopplungspunkten zu springen. So gesehen ist es also erneut eine Graphenvereinfachungstechnik. Ich meine, es basiert auf dieser Hierarchie im Graphen, die mit First-Class-Citizen-Knoten und Second-Class-Citizen-Knoten eingeführt wurde. Und wer wählt eigentlich diese First-Class-Knoten aus? Wenn man sich beispielsweise ein Flugzeug anschaut, hat es Millionen von verschiedenen Ebenen. Ich meine, wer trifft tatsächlich diese Entscheidungen?

Joannes Vermorel: Supply chain Fachleute, was für mich auch ein großer Grund zur Besorgnis ist. Denn im Grunde: Ja, man kann manuell eine Hierarchie in einem Graphen einführen, um die unsinnigen Konsequenzen sehr vereinfachter numerischer Rezepte etwas abzumildern. Also, ja, das funktioniert irgendwie. Aber in der Tat landen Sie mit supply chain Fachleuten, die solche Entkopplungspunkte manuell einführen müssen. Und wissen Sie was? Es ist nicht wirklich stabil. Was eine gute Wahl für diese Entkopplungspunkte darstellt, ist keine feste Umgebung. Warum? Weil wenn es ein Teil gibt, das Sie auslagern – also von einem Lieferanten kaufen oder von einem Lieferanten, der näher oder im Gegenteil viel weiter entfernt ist –, können Sie ziemlich grundlegend verändern, was um all das herum passiert, was von diesem Teil in Ihrem supply chain Netzwerk abhängt.

Also, Ihre Entkopplungspunkte sollten technisch gesehen – auch wenn es irgendwie funktioniert, diese Hierarchie im Graphen einzuführen – nicht als stationär betrachtet werden, als ob man sie einmal wählt und sie für immer gut bleiben. Meiner Ansicht nach sollte dies etwas sein, das vollständig automatisch erfolgt. Wissen Sie, hier sprechen wir von numerischen Rezepten, und wir sagen, dass wir ein dysfunktionales numerisches Rezept haben, und wir meinen, dass wir mit vielen menschlichen Einsichten und Anpassungen das numerische Rezept etwas verbessern können.

Kieran Chandler: Also, im Grunde genommen, wenn Menschen involviert sind, schaffen wir es immer irgendwie, alles zu vermasseln.

Joannes Vermorel: Ja, aber außerdem wird dabei die Zeit dieser Fachleute nicht optimal genutzt. Ich meine, wie Sie bereits beschrieben haben: Wenn Sie ein komplexes Produkt mit Tausenden von Teilen haben, warum sollten Sie potenziell Hunderte, wenn nicht Tausende von Arbeitsstunden Ihrer supply chain Experten investieren, um diese Entkopplungspunkte manuell auszuwählen? Man könnte sagen, oh, sie haben solch unglaubliche Einsichten, oder? Aber die Realität ist, dass es sehr unübersichtlich ist. Tausende von Teilen, sich ständig ändernde Marktbedingungen – nicht unbedingt radikal, aber zumindest ständig geringfügig. Also müssen wir das aktualisieren. Es ist zutiefst etwas, das von der Maschine erledigt werden sollte. Wissen Sie, es gibt keinen Mehrwert – es ist ein reiner Fall numerischer Optimierung.

Kieran Chandler: Okay, gehen wir nun zur letzten Innovation über, der relativen Priorität. Es geht im Wesentlichen darum, in Bezug auf die angestrebte Bestandsmenge zu ranken, und ich nehme an, es gibt hier erhebliche Kritik. Wir würden es vorziehen, nach wirtschaftlichen Stärken zu priorisieren – würden Sie dem zustimmen?

Joannes Vermorel: Ja, aber wiederum sind da mehrere Aspekte. Zunächst einmal, warum werden diese relativen Prioritäten überhaupt eingeführt? Ich meine, man beginnt mit der Idee, dass das klassische MRP eine binäre Perspektive auf Dinge hat, wie etwa: “Bin ich in Ordnung oder nicht?” Und man sagt: “Warum? Es ist, wissen Sie, rudimentär, super rudimentär.” Und die Antwort lautet, ja, es ist so rudimentär, dass

Kieran Chandler: Das ist völlig absurd und, wieder, schon in den 50ern haben die Menschen im Bereich der numerischen Optimierung Dinge gemacht, die schlauer waren als das. Also, eine ganz, ganz schlechte Basis. Okay, nun führt der gesamte DDMRP-Stil First-Class-Citizen-Knoten ein, die als diese Entkopplungspunkte in Ihrem Graphen bezeichnet werden, und mit denen geht die Annahme einher, dass Bestand immer verfügbar ist. Wenn diese Annahme verletzt wird, fällt natürlich alles auseinander, weil Ihre entkoppelte Explosion auf dieser Annahme basiert, ebenso wie Ihre zerlegten Zeithorizonte. Daher müssen Sie im Grunde genommen Ihr supply chain System wieder auf Kurs bringen in Übereinstimmung mit Ihrer Kernannahme, und im Grunde sagen die preisrelativen Prioritäten, dass Sie zügig für die Dinge handeln sollten, die am stärksten von Ihrer Kernannahme abweichen – nämlich der fortlaufenden Verfügbarkeit dieser Entkopplungspunkte.

Joannes Vermorel: Das ist in der Tat gut, das ist ein sinnvoller Bestandteil des Gesamtkonzepts. Aber wissen Sie was, Sie landen mit einer Priorisierung, die teilweise inkorrekt ist. Ich stelle die grundlegende Motivation infrage – die Motivation, das System wieder auf Kurs zu bringen in Bezug auf die Annahme, dass Sie DDMRP überhaupt benötigen, um zu funktionieren. Es ist, als ob die Schlange ihren eigenen Schwanz frisst. Sie führen eine Methodik ein, diese Methodik bringt Annahmen mit sich, und Ihre numerischen Berechnungen garantieren nicht, dass diese Annahmen im Laufe des Systems Bestand haben. Daher müssen Sie Anpassungen vornehmen, sodass Sie eine Art Rückkopplungsschleife haben, um wieder in Übereinstimmung mit Ihren eigenen Annahmen zu kommen. Aber das bedeutet nicht, dass wir wieder auf Kurs sind mit etwas, das mit dem Endspiel des Geschäfts übereinstimmt – und daran liegt meine Kritik. Sie optimieren anhand von Prozentsätzen, wie dem Prozentsatz der Genauigkeit, dem Prozentsatz der Erfüllung, dem Prozentsatz der Servicelevels, was wiederum eine Optimierung in Prozenten darstellt – und das ist ziemlich problematisch. Sie wollen Prozentsätze in Euro, und das verbindet sich mit der letztendlichen Perspektive, nämlich den Kosten des Bestands, den Kosten von Verschwendung, den Kosten von Nicht-Service. Und auf der anderen Seite stehen alle Kosten und Belohnungen, die damit verbunden sind, Kunden pünktlich zu bedienen.

Ich stimme der Idee, die Entscheidungen zu priorisieren, sehr zu, aber ich bin ganz anderer Meinung, wenn es darum geht, Entscheidungen so zu priorisieren, dass man im Anschluss wieder in die eigene Methodik zurückschleifen kann. Sie müssen die Entscheidungen so priorisieren, dass sie mit den übergeordneten Geschäftszielen, ausgedrückt als wirtschaftliche Treiber für das Gesamtunternehmen, in Einklang stehen – also dem, was Ihre supply chain insgesamt liefert.

Kieran Chandler: Okay, fangen wir nun an, alles zusammenzuführen. Wir haben viele der Schwächen von DDMRP beschrieben. Sollten wir es als Technik komplett verwerfen?

Joannes Vermorel: Das ist interessant, denn letzte Woche haben wir über flow casting gesprochen. Beim flow casting waren einige mathematische Ansätze dramatisch fehlerhaft, sodass sie die Situation im Vergleich zur Basislinie, die schon ziemlich schlecht war, sogar noch verschlechterten. Aber einige der gewonnenen Einsichten waren zutiefst richtig und würden tatsächlich Bestand haben, wenn wir die Mathematik reparieren würden, damit sie funktioniert. Es ist sehr amüsant, denn DDMRP ist so etwas wie das Gegenteil. Es basiert im Grunde genommen darauf, inkrementell auf einem sehr, sehr schlechten Fundament zu arbeiten. Wenn man einen Schritt zurücktritt und sagt: Anstatt etwas, das wirklich schlecht ist, mit Klebeband zu flicken, lasst uns direkt mit guten Grundlagen beginnen – nämlich der Durchführung einer numerischen Optimierung auf die richtige Weise mit ordentlichen Algorithmen, wie beispielsweise richtigen probabilistischen, graphbasierten Algorithmen –, dann bin ich mir nicht sicher, ob, sobald man zu einem ordentlichen, modernen numerischen Rahmen übergegangen ist, um tatsächlich eine Optimierung durchzuführen, denn genau das ist es: Klassische MRP-Systeme optimieren in einem modernen Sinn eigentlich gar nichts.

Kieran Chandler: All das zu tun, um im Grunde genommen tief dysfunktionale numerische Rezepte mit Klebeband zu flicken – und wenn wir nun die dysfunktionalen numerischen Rezepte entfernen, was bleibt dann übrig?

Joannes Vermorel: Die Antwort ist sehr, sehr wenig. Da, zum Beispiel, war flow casting ganz anders, denn wenn man die dysfunktionalen numerischen Bestandteile von flow casting entfernt, bleiben die anderen Elemente übrig, die zutiefst interessant und, wie ich glaube, zutiefst korrekt sind – DDMRP hingegen, weniger.

Kieran Chandler: Wenn wir auf einer positiveren Note abschließen wollten, gibt es irgendwelche Einsichten, die uns DDMRP liefert und die tatsächlich ziemlich gut sind?

Joannes Vermorel: Ja, ich glaube, eine davon ist, dass gleitende Durchschnitte funktionieren – und sie funktionieren häufig sogar besser im Frequenzbereich als im Zeitbereich. Kehren wir dazu zurück: Für diejenigen unter Ihnen, die vielleicht an der Ingenieurschule etwas über die Fourier-Transformation gelernt haben, wissen Sie, dass man Zeitreihen entweder im Zeitbereich oder im Frequenzbereich untersuchen kann. Das wird sehr häufig in der Akustik gemacht.

Wenn die Leute daran denken, die Nachfrage zu prognostizieren, kann der gleitende Durchschnitt funktionieren, wenn die Nachfrage stationär ist. Typischerweise, wenn man an gleitende Durchschnittsprognosen denkt, führt man eine Analyse im Zeitbereich durch. Was bedeutet das? Die Durchschnittsbildung der Nachfrage über die letzten Wochen entspricht einem festen Zeitraum – das ist mein Zeitbereich.

Der Frequenzbereich bedeutet hingegen, dass man statt über die letzten Wochen zu mitteln – sagen wir, drei Wochen ist fix – sagt: Ich werde meine Nachfrage über die letzten 100 bedienten Einheiten mitteln. Die gute Nachricht ist, dass dieses Konzept der letzten 100 Einheiten numerisch viel besser mit einer Nachfrage umgeht, die sehr sprunghaft und unberechenbar ist.

Gleitende Durchschnitte im Frequenzbereich sind in der Tat interessant. Übrigens: DDMRP mit diesen Puffern sind eigentlich Prognosen – gleitende Durchschnittsprognosen, die im Frequenzbereich durchgeführt werden, anstatt im Zeitbereich. Sie haben es gewissermaßen wiederentdeckt, aber es ist eine sehr gute Erkenntnis. Es ist von großem Wert, dass die Analyse im Frequenzbereich funktioniert und tiefgreifende Auswirkungen auf die supply chain hat. Es ist ein sehr interessanter Ansatz zur Optimierung.

Ich denke, das ist der Ansatz. Ich bin mir nicht sicher, ob die Leute von DDMRP es genauso sehen, aber ich glaube, das ist eine sehr coole und sehr gute Erkenntnis, die aus DDMRP stammt.

Kieran Chandler: Hoffentlich haben Sie damit ein wenig dazu beigetragen, einige dieser Beziehungen zu reparieren. Jedenfalls, das war alles für diese Woche. Vielen Dank, dass Sie eingeschaltet haben. Wenn Sie zustimmen oder widersprechen, hinterlassen Sie uns unbedingt einen Kommentar, und wir sehen uns beim nächsten Mal wieder. Bis dann.