00:00:07 Bedarfsgesteuerte Materialbedarfsplanung (DDMRP)
00:00:39 Die große Idee hinter DDMRP und traditionellem MRP
00:02:21 Entkopplungszeit in DDMRP und ihre Auswirkungen auf die Lieferkette
00:05:42 Nettostromgleichung in DDMRP und ihre Effektivität
00:07:48 Die Bedeutung der Unterscheidung zwischen bekannter und unbekannter Nachfrage in DDMRP
00:09:00 Entkoppelte Explosion und ihre Folgen.
00:10:25 Manuelle Auswahl von Entkopplungspunkten und Bedenken hinsichtlich der menschlichen Beteiligung.
00:12:02 Die Bedeutung der maschinengesteuerten numerischen Optimierung.
00:14:00 Relative Priorität von DDMRP und Probleme bei der Aufrechterhaltung der Kernannahmen.
00:16:01 Kritik an der Optimierung von Prozentsätzen anstelle der Konzentration auf wirtschaftliche Treiber.
00:17:18 Vergleich der Effektivität von DDMRP und Flow Casting.
00:18:37 Das Fehlen verbleibender Erkenntnisse aus DDMRP, wenn dysfunktionale numerische Rezepte entfernt werden.
00:19:48 Die Nützlichkeit des gleitenden Durchschnitts im Frequenzbereich als Erkenntnis aus DDMRP.
00:22:12 Schlussgedanken.
Zusammenfassung
In einem Interview diskutieren Kieran Chandler und Joannes Vermorel die bedarfsgesteuerte Materialbedarfsplanung (DDMRP), eine Methode zur Verbesserung der Effizienz von Lieferketten durch den Einsatz von Entkopplungspunkten oder Bestandspuffern. Während DDMRP Innovationen wie strategische Entkopplung, Nettostromgleichung, entkoppelte Explosion und relative Priorität aufweist, äußert Vermorel Bedenken hinsichtlich der Abhängigkeit von manueller Intervention und Optimierungsfokus. Er betont die Notwendigkeit von Automatisierung und Priorisierung von wirtschaftlichen Treibern gegenüber Prozentsätzen. Vermorel schlägt vor, dass moderne numerische Optimierungsalgorithmen DDMRP überflüssig machen würden, erkennt jedoch den wertvollen Einblick in die Verwendung von gleitenden Durchschnitten im Frequenzbereich für unregelmäßige Nachfragemuster an. Insgesamt glaubt er, dass moderne Techniken besser für die Optimierung der Lieferkette geeignet sind.
Erweiterte Zusammenfassung
In diesem Interview diskutiert Kieran Chandler, der Gastgeber, die bedarfsgesteuerte Materialbedarfsplanung (DDMRP) mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf die Optimierung von Lieferketten spezialisiert hat. Sie erkunden die große Idee hinter DDMRP, ihre praktischen Anwendungen und die vier Hauptinnovationen, die sie zu bieten behauptet.
DDMRP ist eine Planungs- und Ausführungsmethode mit mehreren Ebenen, die darauf abzielt, die Effizienz der Lieferkette durch strategisch platzierte Entkopplungspunkte oder Bestandspuffer zu verbessern. Diese Entkopplungspunkte sollen Organisationen dabei helfen, die Einschränkungen von klassischer Materialbedarfsplanungssoftware (MRP) zu überwinden, die Schwierigkeiten haben kann, genaue Berechnungen für komplexe Lieferketten durchzuführen.
Vermorel erklärt, dass MRP-Software die Beziehungen zwischen verschiedenen Komponenten und Unterkomponenten in einem Produkt, wie z. B. einem Auto, als Graph darstellt. Dieser Graph repräsentiert die Abhängigkeiten zwischen verschiedenen Teilen und hilft bei der Berechnung der Anforderungen für die Herstellung des Endprodukts. MRP-Software fehlt jedoch oft Genauigkeit und kann schlechte Ergebnisse liefern.
DDMRP versucht, diese Einschränkungen zu verbessern, indem Entkopplungspunkte in den Graphen eingeführt werden. Diese Punkte repräsentieren Komponenten oder Teile, die über Bestände verfügen und daher immer verfügbar sein können. Dadurch können Durchlaufzeiten berechnet werden, die numerisch viel niedriger sind als das, was klassische MRP-Software produzieren würde. Vermorel stellt fest, dass dieser Ansatz zwar eine Verbesserung gegenüber dem Baseline-Wert der traditionellen MRP darstellen kann, aber immer noch weit von dem entfernt ist, was mit modernen numerischen Methoden erreicht werden könnte.
Eine der Kritikpunkte, die Vermorel an DDMRP äußert, ist, dass die Lieferkette trotz der Reduzierung der berechneten Durchlaufzeiten immer noch eine erhebliche Trägheit aufweist. Dies bedeutet, dass trotz der scheinbaren Verbesserungen die tatsächliche Leistung der Lieferkette möglicherweise nicht so optimiert ist, wie es scheint.
Strategische Entkopplung beinhaltet die Einführung von Punkten in der Lieferkette, an denen Durchlaufzeiten reduziert werden können, um die Gesamtdurchlaufzeit zu verkürzen. Vermorel argumentiert, dass dieser Ansatz zwar numerisch die Durchlaufzeiten reduzieren kann, aber die Trägheit im gesamten Netzwerk nicht signifikant reduziert. Die Herausforderung besteht darin, das semantische Problem zu verstehen, wie strategische Entkopplungspunkte die Lieferkette als Ganzes beeinflussen.
Die Nettoflussgleichung, der zweite Diskussionspunkt, ist eine vereinfachte Methode zur Aufrechterhaltung von Pufferpunkten in der Lieferkette. Sie berücksichtigt den Lagerbestand, indem sie garantierte Nachfrage oder qualifizierte Einheiten abzieht, um den verbleibenden Bestand für unsichere Nachfrage zu bestimmen. Vermorel ist der Ansicht, dass DDMRP (Demand Driven Material Requirements Planning) richtig zwischen bekannter und unbekannter Nachfrage unterscheidet. Viele frühe ERP (Enterprise Resource Planning)-Implementierungen würden naiv die gesamte Nachfrage prognostizieren, einschließlich des Teils, der bereits garantiert ist. Vermorel argumentiert, dass dieser Ansatz grundsätzlich fehlerhaft ist, da er versucht, eine bereits bekannte Zukunft vorherzusagen, was zu Schwierigkeiten bei der Prognose führt.
Die dritte diskutierte Schlüsselinnovation ist die entkoppelte Explosion, die sich mit den Auswirkungen der Einführung von zwei Arten von Knoten im Lieferkettengraphen befasst: Masterknoten und Entkopplungspunkte. Entkopplungspunkte sind Standorte in der Lieferkette, an denen die Durchlaufzeitberechnung gestoppt (aber nicht in der Realität) und ein bestimmter Lagerbestand aufrechterhalten wird. Die entkoppelte Explosion besteht darin, die Stückliste (BOM) zu vereinfachen, indem sekundäre Knoten übersprungen und direkt mit den Entkopplungspunkten verbunden werden. Diese Vereinfachung des Graphen zielt darauf ab, den Lieferkettenprozess zu optimieren.
Vermorel äußert Bedenken hinsichtlich der Abhängigkeit von manuellen Eingriffen im Lieferkettenmanagement, insbesondere bei der Einführung eines “Yokai” in den Graphen, um unsinnige Konsequenzen einfacher numerischer Rezepte zu mildern. Er erklärt, dass Lieferkettenpraktiker oft dafür verantwortlich sind, die Entkopplungspunkte auszuwählen, die möglicherweise nicht stabil oder konsistent über die Zeit sind. Dies liegt an der ständig wechselnden Natur der Lieferkettenumgebung sowie der Möglichkeit, dass Lieferanten ihre Strategien oder Standorte ändern.
Die Diskussion betont die Notwendigkeit der Automatisierung dieses Prozesses, da sich auf menschliche Eingriffe zu verlassen zu Ineffizienzen und Ungenauigkeiten führen kann. Vermorel weist darauf hin, dass es keine gute Verwendung von Praktikern wäre, manuell Entkopplungspunkte für komplexe Produkte mit Tausenden von Teilen auszuwählen. Dies gilt insbesondere vor dem Hintergrund sich ständig ändernder Marktbedingungen, die es für Praktiker schwierig machen, jede Variable genau vorherzusagen oder zu berücksichtigen.
Im Hinblick auf das Konzept der relativen Priorität im Lieferkettenmanagement erklärt Vermorel, dass dies die Rangfolge der Artikel in Bezug auf die angestrebte Lagermenge beinhaltet. Obwohl diese Methode ihre Berechtigung hat, ist er der Ansicht, dass es effektiver wäre, Artikel basierend auf ihren wirtschaftlichen Stärken zu bewerten. Die Einführung von DDMRP (demand-driven material requirements planning)-Stil-Knoten erster Klasse oder Entkopplungspunkten im Lieferkettengraphen beruht auf der Annahme, dass Lagerbestände immer verfügbar sind. Wenn diese Annahme verletzt wird, kann das gesamte System scheitern.
Relative Prioritäten sollen dieses Problem angehen, indem sie Artikel priorisieren, die am stärksten von der Kernannahme der fortlaufenden Verfügbarkeit abweichen. Obwohl Vermorel anerkennt, dass dies ein vernünftiger Teil der Gesamtmethodik ist, weist er auch darauf hin, dass dies immer noch eine gewisse menschliche Intervention und Priorisierung beinhaltet, was möglicherweise nicht der effizienteste oder genaueste Ansatz ist.
Sie diskutieren die Wirksamkeit der bedarfsorientierten Materialbedarfsplanung (DDMRP) bei der Optimierung der Lieferkette. Vermorel kritisiert DDMRP und stellt fest, dass es sich darauf konzentriert, Prozentsätze zu optimieren, anstatt finanzielle Aspekte wie Lagerkosten, Verschwendung und Nicht-Service zu optimieren. Er argumentiert, dass Lieferkettenentscheidungen gemäß den allgemeinen Geschäftszielen, die als wirtschaftliche Treiber ausgedrückt werden, priorisiert werden sollten.
Vermorel vergleicht DDMRP mit Flowcasting und sagt, dass Flowcasting zwar einige grundlegend falsche Mathematik aufweist, aber wertvolle Erkenntnisse bietet, die auch nach Behebung der Mathematik relevant bleiben würden. Dagegen wird DDMRP als inkrementelle Verbesserung auf einer fehlerhaften Grundlage angesehen. Vermorel schlägt vor, dass die Verwendung moderner numerischer Optimierungsalgorithmen DDMRP überflüssig machen würde.
Trotz der Kritik erkennt Vermorel eine positive Erkenntnis aus DDMRP an: die Verwendung von gleitenden Durchschnitten im Frequenzbereich anstelle des Zeitbereichs. Er erklärt, dass die Durchschnittsbildung über einen festen Zeitraum (Zeitbereich) weniger effektiv ist als die Durchschnittsbildung über die letzten 100 bedienten Einheiten (Frequenzbereich). Dieser Ansatz verhält sich numerisch besser, wenn es um unregelmäßige und sprunghafte Nachfragemuster geht. Zusammenfassend sieht Vermorel Wert in der Frequenzbereichsanalyse in DDMRP, ist jedoch der Ansicht, dass moderne numerische Optimierungstechniken besser für die Optimierung der Lieferkette geeignet sind.
Vollständiges Transkript
Kieran Chandler: Heute bei Lokad TV werden wir verstehen, ob diese Methode in der Praxis tatsächlich funktioniert, indem wir uns die vier großen Innovationen ansehen. Also Joannes, wir haben es in der Einleitung bereits angesprochen, aber was ist die große Idee hinter DDMRP?
Joannes Vermorel: Die große Idee besteht darin, dass man von einer sehr klassischen MRP-Perspektive ausgeht, bei der es im Wesentlichen um die Analyse eines Abhängigkeitsgraphen geht. Um es für die Zuhörer zu verdeutlichen, nehmen wir an, Sie möchten ein fertiges Produkt wie ein Auto herstellen. Sie benötigen Teile, aber die Teile, die Sie für ein Auto benötigen, sind selbst Baugruppen, die auch Teile für sich selbst benötigen. Sie haben also eine Hierarchie von Komponenten, wie zum Beispiel ein Auto, das eine Klimaanlage benötigt, und die Klimaanlage benötigt eine Pumpe, ein Ventil und so weiter. Wenn Sie sich ein Produkt und alle Teile, die es benötigt, vorstellen, handelt es sich im Grunde genommen um einen mathematischen Graphen, ähnlich einer U-Bahn-Karte mit Kanten.
Dieser Graph beginnt mit dem fertigen Produkt oben und explodiert zu den Unterbaugruppen, und dann hat jede Komponente Unter-Unterbaugruppen und so weiter, rekursiv. Wenn Sie ein sehr komplexes Produkt haben, können Sie einen sehr komplexen Graphen haben, der alle Teile bis hin zu den grundlegenden Materialien darstellt. Die MRP-Software (Manufacturing Resource Planning) stellt diese Informationen zuerst dar, sodass Sie diesen Abhängigkeitsgraphen darstellen können. Anschließend führt sie eine Reihe von Berechnungen durch, um Ihnen bei der Produktion und Ausführung all dieser Anforderungen zu helfen, um am Ende die fertigen Waren zu erhalten. In der Regel erledigt sie viele dieser Berechnungen nicht so gut, und DDMRP bietet eine Reihe von Rezepten, um es besser funktionieren zu lassen.
Kieran Chandler: Wie funktioniert das eigentlich in der Praxis, und würden Sie sagen, dass es eine gewisse Vereinfachung ist?
Joannes Vermorel: Die erste Innovation, die sie behaupten, ist die Entkopplung der Durchlaufzeiten. Wir müssen erkennen, dass ihre Ausgangsbasis für Verbesserungen unsinnige numerische Rezepte sind, die aus einer numerischen Optimierungsperspektive unglaublich naiv sind. 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 auch nur annähernd das erreichen, was Sie mit tatsächlichen modernen numerischen Methoden erreichen könnten.
Die Schlüsselidee der Entkopplungspunkte besteht darin, dass wir anstelle jeder Knoten einfach wie jeder andere Knoten zu haben, entscheiden, dass wir Erstklassige Bürger haben, die Entkopplungspunkte, und Zweitklassige Bürger, bei denen wir nicht entkoppeln. An jedem Punkt, der entkoppelt ist, wird dieser Teil oder diese Komponente Inventar haben, und daher können Sie davon ausgehen, dass diese Sache immer verfügbar ist. Anstatt den längsten Weg für die Herstellung zu nehmen, nehmen Sie den längsten Weg zur Herstellung, bis Sie einen dieser Entkopplungspunkte erreichen.
Aber meine erste Kritik an der Entkopplung der Durchlaufzeit ist, dass Sie tatsächlich mit einer numerisch viel niedrigeren Durchlaufzeit enden, wenn Sie diese Entkopplungspunkte einführen. Ihre Lieferkette hat jedoch immer noch viel mehr Trägheit. Sie haben die Art und Weise, wie Sie die Durchlaufzeit berechnen, durch Einführung dieser Entkopplungspunkte manipuliert.
Kieran Chandler: Aber die Trägheit besteht immer noch, wir sind über das hinaus, was Sie sagen. Das ist also, wie sie sagen, dass wir strategische Entkopplungspunkte eingeführt haben und die Durchlaufzeit um 80% reduzieren können. Numerisch gesehen haben Sie eine viel kürzere Durchlaufzeit, aber die Realität ist, dass Sie die Trägheit, die Sie in Ihrem gesamten Netzwerk haben, nicht um einen Faktor reduziert haben, der so groß ist wie bei diesen Entkopplungspunkten. Hier gibt es ein semantisches Problem, und vielleicht komme ich darauf in den Konzepten zurück. Gehen wir zum zweiten Punkt der Iteration in DDMRP über, der Nettostromgleichung. Es ist im Grunde eine Möglichkeit, diese Pufferpunkte aufrechtzuerhalten und Dinge wie Vorbestellungen zu verwenden, Dinge, von denen wir bereits wissen, dass sie passieren werden. Wie gut funktioniert das tatsächlich in der Praxis?
Joannes Vermorel: Die Nettostromgleichung macht eigentlich ein bisschen Sinn. Es ist eine unglaublich einfache Gleichung: Bestand abzüglich bereits garantierte Nachfrage, was sie qualifizierte Einheiten nennen. Also die Nachfrage, die sozusagen sicher ist. Mit dem haben Sie den Bestand, der verfügbar bleibt, um die unsichere Nachfrage zu bedienen. Die Nettostromgleichung gibt Ihnen die Menge an Bestand, die Sie haben, um Dinge abzudecken, die nicht bereits eine reine Ausführungssache sind, weil Sie bereits wissen, dass es mit fast keiner Unsicherheit kommt.
Ich denke, DDMRP hat recht, die sehr unterschiedlichen Dinge zu unterscheiden, die bereits bekannt sind von den unbekannten. Zum Beispiel, wenn Sie einen komplexen Herstellungsprozess haben und vielleicht andere industrielle Kunden bedienen und der Kunde Ihnen in zwei Monaten sagen kann: “Ich möchte tausend Einheiten zu diesem Datum geliefert haben”, und Sie haben Zeit, das zu tun, müssen Sie zu diesem Zeitpunkt diese Lieferung ausführen. Es gibt keine Vorhersage involviert. Wenn Ihre Durchlaufzeiten insgesamt weniger als zwei Monate betragen, ist es im Grunde genommen eine reine Ausführungssache ohne Unsicherheit.
Natürlich können die Leute immer noch ihre Bestellungen stornieren und so weiter, aber sagen wir, es ist ziemlich sicher. Es ist sehr unterschiedlich von vielleicht zwei Monaten von jetzt an wird es einen Kunden geben, der auftaucht und tatsächlich nach tausend Einheiten fragt. Ich glaube, DDMRP hat völlig recht, wenn sie sagen, dass Sie nicht versuchen sollten, diese Art von super naivem Ansatz zu haben, bei dem alles einschließlich dessen vorhergesagt wird, was Sie bereits wissen.
Die Frage ist, warum sagen sie das überhaupt? Nun, das liegt daran, dass die meisten ERP-Systeme, viele frühe Implementierungen, unglaublich naive Dinge gemacht haben. Sie sagten: “Wir werden den einfachen Weg gehen, der sozusagen der dumme Weg ist”, und sie würden die Nachfrage, alles davon, einschließlich des Teils, der bereits garantiert ist, vorhersagen. Aber das ist sehr dumm, denn dann versuchen Sie, eine Zukunft zu erraten, die Sie bereits kennen, und raten Sie mal? Es ist sehr schwer vorherzusagen. Wenn Sie etwas über die Zukunft wissen, sollten Sie nicht einmal versuchen, Statistiken zu verwenden, um das herauszufinden, Sie wissen es bereits.
Kieran Chandler: Wenn wir zur dritten Schlüsselinnovation übergehen, klingt diese sogenannte “entkoppelte Explosion” wirklich dramatisch. Was passiert hier?
Joannes Vermorel: Dies ist eine weitere Konsequenz der Einführung von zwei Arten von Knoten in Ihrem Anforderungsgraphen. Denken Sie daran, wir haben Master-Knoten in den Graphen eingeführt, die diese Entkopplungspunkte sind, die die Vorlaufzeitpropagation in der Berechnung stoppen, nicht in der Realität, sondern in der Berechnung, und die Punkte sind, an denen Sie einen gewissen Lagerbestand sicherstellen möchten. Was sie sagen, ist, dass anstatt die Stückliste von Knoten zu Knoten direkt zu propagieren, indem sie sagen: “Ich nehme die Stückliste und sie propagiert zu meinen übergeordneten Knoten, den Unterbaugruppen, die ich benötige, um das fertige Produkt zu bauen”, sage ich im Grunde genommen, wenn sie die Gegenwart entkoppeln, sagen sie, dass die Stückliste, wir werden einfach alle Knoten zweiter Klasse überspringen und direkt zu den Entkopplungspunkten springen. Also, in gewisser Weise ist es wieder eine Technik zur Vereinfachung des Graphen. Ich meine, es basiert auf dieser Hierarchie im Graphen, die mit Knoten erster Klasse und Knoten zweiter Klasse eingeführt wurde. Und wer trifft eigentlich diese Entscheidungen über die Knoten erster Klasse, wenn man sich etwas wie ein Flugzeug ansieht, das Millionen von verschiedenen Ebenen hat. Ich meine, wer trifft diese Entscheidungen tatsächlich?
Kieran Chandler: Meine Eltern, die Unterbaugruppen, die ich brauche, um das fertige Produkt zu bauen, ich sage im Grunde genommen, wenn sie die Gegenwart entkoppeln, sagen sie, dass die Stückliste, wir werden einfach alle Knoten zweiter Klasse überspringen und direkt zu den Entkopplungspunkten springen. Also, in gewisser Weise ist es wieder eine Technik zur Vereinfachung des Graphen. Ich meine, es basiert auf dieser Hierarchie im Graphen, die mit Knoten erster Klasse und Knoten zweiter Klasse eingeführt wurde. Und wer trifft eigentlich diese Entscheidungen über die Knoten erster Klasse, wenn man sich etwas wie ein Flugzeug ansieht, das Millionen von verschiedenen Ebenen hat. Ich meine, wer trifft diese Entscheidungen tatsächlich?
Joannes Vermorel: Supply-Chain-Praktiker, was für mich auch ein großes Anliegen ist. Denn im Grunde genommen können Sie manuell eine Hierarchie in einen Graphen einführen, um die unsinnigen Konsequenzen sehr vereinfachter numerischer Rezepte zu mildern. Ja, das wird irgendwie funktionieren. Aber tatsächlich ist es nicht stabil. Was eine gute Wahl für diese Entkopplungspunkte ist, ist keine Umgebung. Warum? Weil, wenn es ein Teil gibt, das Sie beschließen, auszulagern, wissen Sie, von einem Lieferanten zu kaufen oder von einem Lieferanten zu kaufen, der näher oder im Gegenteil viel weiter entfernt ist, können Sie ziemlich grundlegend verändern, was um alles herum passiert, was von diesem Teil in Ihrem Supply-Chain-Netzwerk abhängt.
Also sollten Ihre Entkopplungspunkte technisch gesehen, auch wenn es funktioniert, diese Hierarchie in den Graphen einzuführen, gibt es keinen Grund zu glauben, dass sie stationär sind und dass Sie sie einmal wählen können und dass es für immer gut sein wird. Meine Perspektive ist also, dass dies etwas sein sollte, das vollständig automatisch erledigt wird. Hier sprechen wir von numerischen Rezepten und sagen, dass wir ein dysfunktionales numerisches Rezept haben und dass wir mit vielen menschlichen Erkenntnissen und Anpassungen das numerische Rezept haben können, das ein bisschen besser ist.
Kieran Chandler: Okay, also wenn Menschen involviert sind, schaffen wir es immer irgendwie, die Dinge durcheinander zu bringen.
Joannes Vermorel: Ja, aber es wird auch nicht so gut genutzt von den Praktikern. Ich meine, wie du beschrieben hast, wenn du ein komplexes Produkt mit Tausenden von Teilen hast, warum möchtest du potenziell Hunderte, wenn nicht Tausende, von Arbeitsstunden deiner Supply-Chain-Experten investieren, um diese Entkopplungspunkte manuell auszuwählen? Man könnte sagen, oh, sie haben solch unglaubliche Einsichten, nicht wahr? Aber die Realität ist, dass es sehr laut ist. Tausende von Teilen, Marktbedingungen ändern sich ständig, nicht unbedingt radikal, aber zumindest ein wenig die ganze Zeit. Also müssen wir das aktualisieren. Es ist etwas, das von der Maschine gemacht werden sollte. Es gibt keinen Mehrwert. Es ist ein reiner Fall von numerischer Optimierung.
Kieran Chandler: Okay, kommen wir zur letzten Innovation hier, nämlich der relativen Priorität. Es geht im Grunde darum, nach der gezielten Lagermenge zu rangieren, und ich nehme an, es gibt hier große Kritikpunkte. Wir würden es bevorzugen, nach wirtschaftlicher Stärke zu rangieren, würden Sie dem zustimmen?
Joannes Vermorel: Ja, aber auch hier gibt es mehrere Dinge. Erstens, warum werden diese relativen Prioritäten eingeführt? Ich meine, zunächst gehen sie von der Idee aus, dass das klassische MRP eine binäre Perspektive auf Dinge hat wie “Bin ich in Ordnung oder nicht in Ordnung?” Und sie sagen: “Warum? Es ist, weißt du, roh, super roh.” Und die Antwort ist, ja, es ist roh bis zu dem Punkt, dass
Kieran Chandler: Das ist völlig absurd und schon in den 50er Jahren haben Menschen in Bezug auf numerische Optimierung bereits klügere Dinge gemacht als das. Also, sehr, sehr schlechte Grundlage. Okay, jetzt führt der gesamte DDMRP-Stil erstklassige Knoten ein, die diese Entkopplungspunkte in Ihrem Graphen genannt werden, und damit geht eine Annahme einher, nämlich dass der Bestand immer verfügbar ist. Wenn diese Annahme verletzt wird, fällt natürlich alles auseinander, weil Ihre entkoppelte Explosion auf dieser Annahme aufbaut, Ihre zerlegten Zeitbereiche auf dieser Annahme beruhen. Sie müssen also Ihr Supply-Chain-System wieder auf Kurs bringen, basierend auf Ihrer Kernannahme, und im Grunde sagen die preisbezogenen Prioritäten, dass Sie schnell handeln sollten für die Dinge, die sich am meisten von Ihrer Kernannahme entfernen, nämlich die fortlaufende Verfügbarkeit für diese Entkopplungspunkte.
Joannes Vermorel: Das ist gut, das ist etwas, das Sinn macht, Teil des Rezepts ist. Aber auch, raten Sie mal, Sie haben eine Priorisierung, die teilweise falsch ist. Ich hinterfrage die Motivation sehr, die Motivation besteht darin, das System wieder auf Kurs zu bringen in Bezug auf die Annahme, dass Sie DDMRP überhaupt zum Laufen bringen müssen. Es ist wie die Schlange, die ihren eigenen Schwanz frisst. Sie führen eine Methodik ein, diese Methodik geht mit Annahmen einher, und Ihre numerischen Berechnungen garantieren nicht, dass diese Annahmen während des gesamten Systemverlaufs aufrechterhalten werden. Sie müssen also Anpassungen einführen, damit Sie eine Art Rückkopplungsschleife haben und wieder auf Kurs kommen können in Bezug auf Ihre eigenen Annahmen. Aber das bedeutet nicht, dass wir wieder auf Kurs sind mit etwas, das mit dem Endziel des Unternehmens übereinstimmt, und das ist meine Kritik. Sie optimieren gegen Prozentsätze, wie Genauigkeitsprozentsatz, Erfüllungsprozentsatz, Prozentsatz der Servicelevel, was wiederum eine Optimierung in Prozent ist, ist schlecht. Sie möchten Prozentsätze in Euro haben, und das steht im Zusammenhang mit der Endperspektive, nämlich den Kosten für Lagerbestände, Kosten für Verschwendung, Kosten für Nichterfüllung. Und auf der anderen Seite haben Sie alle Kosten und Belohnungen für die rechtzeitige Bedienung von Kunden.
Also, ich stimme der Idee sehr zu, die Entscheidungen zu priorisieren, aber ich stimme der Idee überhaupt nicht zu, die Entscheidungen so zu priorisieren, dass Sie mit Ihrer Methodik zurückkehren können. Sie müssen die Entscheidungen priorisieren, damit Sie mit den Gesamtgeschäftszielen zurückkehren können, die als wirtschaftliche Treiber für das gesamte Unternehmen ausgedrückt werden. Also, was Ihre Supply Chain insgesamt liefert.
Kieran Chandler: Okay, lassen Sie uns jetzt alles zusammenfassen. Wir haben viele Schwachstellen von DDMRP beschrieben. Sollten wir es als Technik komplett ablehnen?
Joannes Vermorel: Es ist interessant, weil wir letzte Woche über Flow Casting diskutiert haben. Das Besondere an Flow Casting war, dass es einige mathematische Fehler hatte, die dramatisch falsch waren, und so haben sie die Situation im Vergleich zur Ausgangssituation sogar verschlechtert, was wirklich schlecht war. Aber einige der Erkenntnisse, die es hatte, waren zutiefst wahr und würden tatsächlich überleben, wenn wir die Mathematik korrigieren würden, um sie zum Laufen zu bringen. Es ist sehr lustig, weil DDMRP sozusagen das Gegenteil ist. Es ist im Grunde genommen etwas, das inkrementell auf einer sehr, sehr schlechten Ausgangssituation aufbaut. Wenn man sich zurücklehnt und sagt, anstatt etwas zu flicken, das sehr schlecht ist, fangen wir direkt mit guten Grundlagen an, nämlich mit numerischer Optimierung auf die richtige Art und Weise mit geeigneten Algorithmen wie geeigneten probabilistischen graphenbasierten Algorithmen. Dann bin ich mir nicht sicher, ob man, sobald man zu einem richtigen modernen numerischen Framework gewechselt hat, um tatsächlich eine Optimierung durchzuführen, weil das ist das Ding, klassische MRP-Systeme optimieren eigentlich nichts im modernen Sinne, wo man tatsächlich
Kieran Chandler: All das tun, um im Grunde genommen zutiefst dysfunktionale numerische Rezepte zu flicken, und wenn wir die dysfunktionalen numerischen Rezepte entfernen, was bleibt dann übrig?
Joannes Vermorel: Die Antwort ist sehr, sehr wenig. Das ist der Punkt, an dem Flow Casting zum Beispiel sehr anders war, denn wenn man die dysfunktionalen numerischen Teile von Flow Casting entfernt, bleiben die anderen Ansätze darin zutiefst interessant und meiner Meinung nach zutiefst korrekt. DDMRP, bei weitem nicht so sehr.
Kieran Chandler: Wenn wir auf einer positiveren Note enden wollten, gibt es irgendwelche Erkenntnisse, die uns DDMRP tatsächlich gibt, die ziemlich gut sind?
Joannes Vermorel: Ja, ich glaube, eine davon ist, dass der gleitende Durchschnitt funktioniert, und er funktioniert sogar häufig besser im Frequenzbereich als im Zeitbereich. Gehen wir darauf zurück. Für diejenigen von Ihnen, die vielleicht an der Ingenieursschule etwas über die Fourier-Transformation gelernt haben, wissen Sie, dass man Zeitreihen im Zeitbereich oder im Frequenzbereich untersuchen kann. Das wird sehr häufig in der Akustik gemacht.
Wenn Menschen häufig über die Prognose der Nachfrage nachdenken, kann der gleitende Durchschnitt funktionieren, wenn die Nachfrage stationär ist. Typischerweise denken die Menschen bei gleitenden Durchschnittsprognosen daran, eine Analyse im Zeitbereich durchzuführen. Was bedeutet das? Die Durchschnittsbildung der Nachfrage über die letzten Wochen ist ein fester Zeitraum; das ist mein Zeitbereich.
Der Frequenzbereich besteht darin, anstatt über die letzten Wochen zu mitteln, und drei Wochen sind festgelegt, sage ich, ich werde meine Nachfrage über die letzten 100 bedienten Einheiten mitteln. Die gute Nachricht ist, dass diese Sache mit den letzten 100 Einheiten sich numerisch viel besser verhält in Bezug auf eine Nachfrage, die ziemlich unregelmäßig und sprunghaft ist.
Der gleitende Durchschnitt im Frequenzbereich ist tatsächlich interessant. Übrigens, DDMRP mit diesen Puffern, das sind eigentlich Prognosen, gleitende Durchschnittsprognosen, die im Frequenzbereich anstelle des Zeitbereichs durchgeführt werden. Sie haben es sozusagen wiederentdeckt, aber es ist eine sehr gute Erkenntnis. Es ist sehr wertvoll, dass die Analyse von Dingen 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 das genauso sehen, aber ich glaube, das ist eine sehr coole und sehr gute Erkenntnis, die aus DDMRP stammt.
Kieran Chandler: Hoffentlich haben Sie dazu beigetragen, einige dieser Beziehungen zu reparieren. Wie auch immer, das ist alles für diese Woche. Vielen Dank fürs Zuschauen. Wenn Sie zustimmen oder nicht zustimmen, hinterlassen Sie uns bitte einen Kommentar, und wir sehen uns das nächste Mal wieder. Bis bald.
