DDMRP significa Demand Driven Material Requirements Planning. En los últimos años, la popularidad de DDMRP ha crecido en ciertas industrias; ocupando el nicho que lean manufacturing o six sigma solían ocupar. Sin embargo, ¿qué se puede esperar realmente de DDMRP y cuánta novedad aporta a la mesa en lo que respecta a supply chain optimization?

línea de producción

Para abordar esta cuestión, revisemos DDMRP desde una perspectiva numérica, es decir, considerándolo como un conjunto de numerical recipes1 para ofrecer una optimización de desempeño medible de un determinado supply chain. De hecho, dado que todos los beneficios presentados por los autores de DDMRP son objetivos cuantificados (ej.: lograr un rendimiento de fill rate a tiempo del 97-100%2), parece justo adoptar una postura numérica para evaluar los méritos de este enfoque.

Los autores de DDMRP afirman que este enfoque aporta cuatro innovaciones clave a la optimización de supply chain, a saber:

  • desacoplar los tiempos de entrega3
  • la ecuación de net flow4
  • las decoupled explosions5
  • la prioridad relativa6

Saltando a conclusiones, la revisión cuidadosa de cada uno de esos puntos - realizada en mayor detalle a continuación - indica que hay muy poca sustancia en las audaces afirmaciones de DDMRP. Los numerical recipes propuestos por DDMRP ni siquiera habrían sido considerados de vanguardia a finales de los años 50, ya que el incipiente campo de la investigación operativa ya había descubierto, se podría decir, estrategias de optimización numérica más sofisticadas y mejores en ese momento.

Las mejoras que se afirman lograr con DDMRP parten de una línea base incorrecta: los MRP - al igual que el ERP - normalmente no ofrecen ninguna capacidad de optimización numérica7. Sus sistemas de bases de datos relacionales subyacentes son simplemente inadecuados para llevar a cabo cualquier carga de trabajo considerable de procesamiento de datos, incluso al considerar el hardware de computación. Así, a pesar del discurso de muchos software vendors empresariales - que operan en el lado transaccional del problema - es incorrecto tomar los MRP como línea base en lo que respecta a la optimización de supply chain.

Desacoplar los tiempos de entrega

Los MRP, al estar basados en bases de datos relacionales (SQL) y estar firmemente anclados en el ámbito del software de asset management, tienen pocas o ninguna capacidad de procesamiento de datos. Como consecuencia, no es sorprendente que el análisis de los tiempos de entrega no sea el fuerte de esas soluciones. Considerando el gráfico de requerimientos generado por las Bills of Materials, muchos MRP solo ofrecerían dos análisis de tiempos de entrega dramáticamente simplistas, a saber:

  • manufacturing lead time, que es excesivamente optimista y asume que el inventario siempre está disponible en todas partes, por lo que subestima enormemente los tiempos de entrega.
  • cumulative lead times, que es excesivamente pesimista y asume que el inventario siempre estará ausente en todas partes, por lo que sobreestima enormemente los tiempos de entrega.

DDMRP propone remediar esta situación mediante el uso de un esquema de coloración binaria del gráfico donde ciertos nodos - cada nodo asociado a un producto o a una parte - son promovidos como decoupling points. Se asume, entonces, que estos nodos siempre disponen de inventario en condiciones de servicio; y la metodología de DDMRP se asegura de que efectivamente sea el caso.

Una vez elegidos los decoupling points, una elección que realiza manualmente el profesional de supply chain, los cálculos de los tiempos de entrega pueden efectuarse con un método que alterna entre los dos métodos de cálculo listados anteriormente dependiendo del color de cada nodo. Con una selección cuidadosa de los decoupling points, los valores de los tiempos de entrega pueden reducirse enormemente.

Hay tres críticas principales a este enfoque.

  • la reducción de los tiempos de entrega es, principalmente, un artefacto de los cálculos causados por una definición revisada. El sistema de supply chain - en su conjunto - todavía tiene una inercia similar en el contexto de un mercado en constante cambio. De hecho, en lugar de tener la inercia del sistema reflejada directamente en el tiempo de entrega, la inercia del sistema ahora se oculta a través de los buffers mantenidos en los decoupling points. Los tiempos de entrega pueden haberse reducido, pero la inercia del sistema no.
  • depender de insumos humanos para ajustar un proceso de optimización numérica no es una propuesta razonable considerando el costo de los recursos modernos de computing. El ajuste de meta-parámetros podría ser aceptable, pero no la intervención detallada en cada nodo del gráfico. En particular, mi propia observación casual de los supply chain modernos es que la necesidad de insumos humanos es uno de los mayores factores detrás de la inercia de todo el sistema. Agregar otra capa de ajuste manual - la elección de los decoupling points - no representa una mejora en este aspecto.
  • aunque se podría argumentar que las estimaciones de los tiempos de entrega de DDMRP podrían ser mejores que los números sin procesar proporcionados por el MRP, la línea base es descaradamente ingenua. Incluso métodos básicos de Monte Carlo - introducidos por Nicholas Metropolis en 1947 - superan a todos esos métodos en lo que respecta a la estimación de tiempos de entrega, incluido DDMRP.

En conclusión, los tiempos de entrega desacoplados difícilmente califican como innovadores, y ofrecen una falsa sensación de compresión de los tiempos de entrega mientras ocultan la inercia del sistema de supply chain bajo un esquema de coloración del gráfico.

La Ecuación de Net Flow

Para abordar el problema de la generación de órdenes de suministro, DDMRP introdujo un concepto clave de net flow. La ecuación de net flow se introduce en DDMRP de la siguiente manera:

On-Hand + On-Order – Qualified Sales Order Demand = Net Flow Position.

Esta cantidad se puede interpretar como la cantidad de stock que está disponible para atender la parte incierta de la demanda. A través de los net flows, DDMRP enfatiza que solo la porción incierta de la demanda requiere algún tipo de análisis estadístico. Tratar con la future demand que ya se conoce es una cuestión pura de adherencia a un plan de ejecución determinista.

El cálculo de net flow es una combinación simple de tres variables SKU no triviales pero ampliamente utilizadas. La mayor parte de la complejidad real se oculta en esas variables, que pueden ser menos inocuas de lo que parecen:

  • el stock on hand está sujeto a inventory inaccuracies
  • el stock on order está sujeto a varying lead times
  • muchas tonalidades de gris al diferenciar las órdenes de venta qualified de las unqualified

En cualquier caso, es difícil afirmar mucha novedad al introducir lo que se podría considerar una combinación trivial de variables ampliamente utilizadas en los sistemas de supply chain. Además, DDMRP tampoco está descubriendo ninguna propiedad oculta / no vista / no obvia de la expresión net flow.

Algoritmos sofisticados para forecast bajo dependencias parcialmente conocidas se conocen desde hace múltiples décadas, con publicaciones que se remontan a principios de los 1990s8; con un grado de refinamiento que va mucho más allá de los numerical recipes presentados en DDMRP.

Explosión desacoplada

El término “decoupled explosion” acuñado por los autores de DDMRP es la consecuencia directa del esquema de coloración binaria del gráfico introducido en la primera sección anterior: las Bills of Materials (BOMs) no se enumeran recursivamente más allá de cualquier nodo etiquetado como un “decoupling point”. Considerando el tratamiento aplicado tanto a los tiempos de entrega como a las BOMs, vemos que DDMRP aprovecha los “decoupling points” como límites de partición del gráfico global de supply chain.

Este esquema de partición de gráficos es algo similar a lo que comúnmente se conoce como un algoritmo divide-and-conquer que se remonta al trabajo de John von Neumann en 1945. Sin embargo, los numerical recipes de DDMRP carecen de la segunda parte de los enfoques algorítmicos divide-and-conquer, que es la recombinación de las sub-soluciones en una solución más eficiente para el problema en su conjunto. DDMRP particiona el gráfico de supply chain, resolviendo cada subgráfico con métodos MRP “clásicos”, y se detiene allí. No se lleva a cabo ninguna optimización numérica a nivel de sistema más allá de la optimización local realizada en cada subgráfico.

Así, la principal crítica a estas decoupled explosions es que, por diseño, completan la partición de los gráficos de supply chain en subgráficos independientes, y por este mismo proceso imponen un límite rígido a la optimización que se puede lograr para el sistema de supply chain en su conjunto; precisamente porque no puede ocurrir ningún tipo de acoplamiento entre los elementos de la partición.

Este aspecto podría parecer contraintuitivo para un no especialista, pero desde una perspectiva de optimización numérica, una partición estática de un sistema es simplemente una reducción de los grados de libertad disponibles para el proceso de optimización, y por lo tanto una reducción de la capacidad del proceso de optimización para encontrar efectivamente una solución mejor.

La prioridad relativa

La suposición clave detrás de los decoupling points en DDMRP es que el stock siempre está disponible para esos SKU. Sin embargo, dado que pueden ocurrir fluctuaciones aleatorias de la demanda o de los tiempos de entrega, el sistema de supply chain bajo DDMRP podría desviarse de esta suposición. Por ello, DDMRP establece que las decisiones de supply chain (por ejemplo, órdenes de compra o de fabricación) deben priorizarse de acuerdo a su capacidad relativa para devolver al sistema a un estado donde se mantengan las suposiciones originales.

Existen dos críticas principales al esquema de priorización propuesto por DDMRP. Primero, la priorización mira hacia adentro dentro del sistema de supply chain en lugar de mirar hacia afuera. Segundo, la priorización es unidimensional, y por lo tanto es incapaz de abordar la mayoría de los escenarios no triviales más allá del caso uniforme forward.

El sistema de supply chain existe para servir a intereses externos (exógenos). Dicho de forma más directa, la empresa maximiza los dólares de retorno que se generan a través de su interacción con la economía en general; sin embargo, DDMRP optimiza porcentajes de error contra objetivos posiblemente arbitrarios. De hecho, la priorización definida por DDMRP mira hacia adentro: está orientando el sistema de supply chain hacia un estado que es consistente con las suposiciones que subyacen al propio modelo DDMRP, o sea, la disponibilidad de stock en los decoupling points. Sin embargo, no hay garantía de que este estado esté alineado con los intereses financieros de la empresa. Este estado incluso podría ir en contra de los intereses financieros de la compañía. Por ejemplo, al considerar una marca que produce muchos productos de bajo margen que son sustitutos cercanos entre sí, mantener altos service levels para un SKU dado podría no ser una opción rentable si los SKU competidores (cuasi-sustitutos) ya tienen un exceso de inventario.

Entonces, el esquema de priorización propuesto por DDMRP es fundamentalmente unidimensional: la adherencia a sus propios objetivos de stock (el buffer). Sin embargo, las decisiones reales de supply chain son casi siempre problemas multidimensionales. Por ejemplo, después de producir un lote de 1000 unidades, un fabricante usualmente podría poner esas 1000 unidades en un contenedor para transporte marítimo; sin embargo, si se avecina un faltante de stock en el supply chain, podría ser rentable que se enviaran 100 unidades (de las 1000) por avión para mitigar el inminente faltante de stock por adelantado. Aquí, la elección del modo de transporte es una dimensión extra al desafío de priorización de supply chain. Para abordar este desafío, el método de priorización requiere la capacidad de integrar los economic drivers asociados con las diversas opciones disponibles para la empresa.

Otras dimensiones que deben considerarse como parte de la priorización pueden incluir:

  • ajustes de precios, para aumentar o reducir la demanda (posiblemente canales de venta secundarios)
  • construir o comprar, cuando se pueden encontrar sustitutos en el mercado (típicamente a un premium)
  • fechas de vencimiento de stock (que requieren información en profundidad sobre la composición del stock)
  • riesgos de devolución (cuando los socios de distribución tienen la opción de devolver mercancías no vendidas)

Así, aunque DDMRP es correcto al afirmar que la priorización es un enfoque más flexible en comparación con los métodos binarios de todo o nada implementados por los MRP “clásicos”, el esquema de priorización propuesto por DDMRP en sí es bastante débil. De nuevo, los MRP no deben usarse como línea base para evaluar el mérito de un recipe de optimización numérica de supply chain.

Conclusiones

Las cuatro innovaciones clave de DDMRP, identificadas como tales por los autores de DDMRP, resultan ser tanto débiles en lo que respecta a la optimización numérica como obsoletas por varias décadas considerando la historia de la optimización numérica y la investigación operativa.

Muchas conclusiones se derivan incorrectamente sobre la falsa premisa de que los MRP son una línea base relevante para fines de optimización de supply chain; es decir, mejorar el MRP es una mejora en la optimización de supply chain. Sin embargo, los MRP, al igual que todos los sistemas de software desarrollados centralmente en torno a bases de datos relacionales, simplemente no son adecuados para los desafíos de optimización numérica.

Los fabricantes atrapados con las limitaciones de su MRP no deberían buscar mejoras incrementales en el propio MRP, ya que la optimización numérica es fundamentalmente incompatible con el diseño del MRP, sino aprovechar todas las herramientas y tecnologías de software que han sido desarrolladas para el rendimiento numérico en primer lugar.

Referencias


  1. El término recipe no es peyorativo. Utilizamos este término como en Numerical Recipes: The Art of Scientific Computing de William H. Press, Saul A. Teukolsky, William T. Vetterling, Brian P. Flannery ↩︎

  2. A partir de marzo de 2019, los beneficios presentados para promover DDMRP son (sic): Los usuarios logran consistentemente un rendimiento de fill rate a tiempo del 97-100%, se han logrado reducciones de tiempos de entrega de más del 80% en varios segmentos industriales, se logran reducciones típicas de inventario del 30-45% mientras se mejora el servicio al cliente. ↩︎

  3. Decoupled Lead Time, The DDMRP Innovation Series: Part #1, por Chad Smith, enero de 2018 ↩︎

  4. La Ecuación de Flujo Neto, La Serie de Innovación DDMRP: Parte #2, por Chad Smith, febrero 2018 ↩︎

  5. Explosión Desacoplada, La Serie de Innovación DDMRP: Parte #3, por Chad Smith, febrero 2018 ↩︎

  6. Prioridad Relativa, La Serie de Innovación DDMRP: Parte #4, por Chad Smith, febrero 2018 ↩︎

  7. A pesar de sus nombres, y frecuentemente a pesar de las afirmaciones de los proveedores, ni los ERPs ni los MRPs tienen algo que ver con la planificación. El propósito de estos sistemas es gestionar y rastrear activos; no tomar ningún tipo de decisiones para optimizar nada. Para más detalles Gestión vs Optimización↩︎

  8. Forecasting using partially known demands, por Sunder Kekre, Thomas E. Morton, Timothy Smunt, febrero 1990 ↩︎