Planificación de Requerimientos de Material Impulsada por la Demanda (DDMRP)

La Planificación de Requerimientos de Material Impulsada por la Demanda (DDMRP) es un método cuantitativo destinado a optimizar el rendimiento de la supply chain de empresas manufactureras de múltiples escalones. El método gira en torno a las nociones de ‘puntos de desacoplamiento’ y ‘buffers de stock’, las cuales están destinadas a mitigar las deficiencias de métodos anteriores implementados por la mayoría de los sistemas MRP (Planificación de Requerimientos de Material). El método entrega las cantidades que deben ser compradas o fabricadas para cualquier SKU (Unidad de Mantenimiento de Inventario) de un BOM (Lista de Materiales) multinivel.

Actualización de noviembre 2024: Joannes Vermorel y Carol Ptak discutieron DDMRP en un reciente debate de la supply chain.

El problema de optimización del flujo del BOM multinivel

Un BOM (Lista de Materiales) representa los ensamblajes, componentes y partes, y la cantidad de cada uno, necesarios para fabricar un producto final. Un BOM multinivel es una perspectiva jerárquica recursiva del BOM original, en el que ciertas partes se descomponen aún más con sus propios BOM. Desde un punto de vista formal, un BOM multinivel es un grafo acíclico dirigido ponderado¹ donde los vértices son SKUs, donde las aristas indican inclusión (es decir, es parte de), y donde los pesos representan la cantidad requerida para el ensamblaje, ya sea del(los) producto(s) final(es) o del(los) producto(s) intermedio(s).

El problema que aborda DDMRP es la optimización del flujo dentro de un BOM multinivel y consiste en determinar, en cualquier momento, (a) si se deben obtener más materias primas y en qué cantidad, (b) si se deben producir más unidades de algún SKU y cuántas.

Intuitivamente, este problema es difícil porque no existe una correlación directa entre la calidad de servicio de cualquier SKU intermedio -usualmente medido a través de niveles de servicio- y la calidad de servicio del producto final. Agregar más stock a un SKU dado solo mejora la calidad de servicio del producto final si este SKU era, de algún modo, un cuello de botella en el flujo de fabricación.

En la práctica, la resolución de este problema de optimización del flujo requiere una serie de insumos adicionales, siendo los más comunes:

• Historial de pedidos de los clientes
• Tiempos de entrega de proveedores
• Niveles de stock, disponibles, en tránsito o en pedido
• Tiempos de entrega de fabricación y/o rendimientos de producción
• etc.

Luego, las supply chains del mundo real tienden a presentar complicaciones adicionales, tales como tamaños de lote (cualquier tipo de multiplicadores deseables impuestos ya sea por el proveedor o por el propio proceso de fabricación), tiempos de caducidad (no solo para bienes perecederos, sino también para químicos y piezas de equipo sensibles), sustitutos imperfectos (por ejemplo, cuando se puede utilizar una pieza más costosa como reemplazo si la menos costosa no está disponible). Esas complicaciones requieren que se reflejen datos adicionales en el modelo.

Límites del MRP clásico

La creación de DDMRP fue motivada por las limitaciones asociadas a lo que podría denominarse la perspectiva del MRP clásico (simplemente llamada la perspectiva MRP en lo sucesivo), que se desarrolló primordialmente en los años 80. La perspectiva MRP se centra en el análisis de los tiempos de entrega e identifica el camino más largo (en términos de tiempo) en el grafo del BOM como el cuello de botella asociado al proceso de fabricación del producto final.

Para identificar este cuello de botella, el MRP ofrece dos métodos numéricos distintos para asignar un tiempo de entrega estático a cada arista del grafo del BOM, ya sea:

• Tiempos de entrega de fabricación que es sumamente optimista y asume que el inventario siempre está disponible en todas partes (es decir, para cada SKU), por lo que los tiempos de entrega dependen únicamente del rendimiento de los procesos de fabricación.
• Tiempos de entrega acumulativos que es sumamente pesimista y asume que el inventario siempre está agotado, y por lo tanto los tiempos de entrega dependen únicamente del tiempo para producir la primera unidad partiendo de un estado inicial en blanco, es decir, sin materias primas y sin productos intermedios.

Estos dos métodos tienen una ventaja clave en común: son relativamente sencillos de implementar dentro de la base de datos relacional, que fue el núcleo arquitectónico de casi todos los MRPs diseñados desde los años 80 hasta la década de 2010.

Sin embargo, estos dos métodos también son excesivamente simplistas y normalmente arrojan tiempos de entrega sin sentido. Los autores de DDMRP señalan que calcular órdenes de compra o de producción basándose en estimaciones de tiempos de entrega profundamente defectuosas termina generando una mezcla de excesos de inventario y faltantes de stock, dependiendo de si los tiempos de entrega resultan ser gravemente sobrestimados o subestimados.

La receta numérica de DDMRP

La receta numérica de DDMRP es una mezcla de heurísticas numéricas acopladas con decisiones de juicio humano, es decir, expertos en supply chain. Esta receta está destinada a superar las deficiencias asociadas con el MRP clásico sin recurrir a algoritmos numéricos “avanzados”. La receta cuenta con cuatro ingredientes principales, a saber:

• desacoplar los tiempos de entrega
• la ecuación del flujo neto
• la explosión desacoplada
• la prioridad relativa

Combinando esos cuatro ingredientes, un profesional de supply chain puede calcular la cantidad a comprar y a fabricar al enfrentar una situación de BOM multinivel. Los autores de DDMRP sostienen que este método ofrece un rendimiento superior de la supply chain, medido en rotación de inventario o niveles de servicio, en comparación con el rendimiento logrado por los MRPs.

Desacoplar los tiempos de entrega

Para remediar el optimismo/pesimismo extremista ingenuo de la perspectiva MRP sobre los tiempos de entrega, DDMRP introduce un esquema de coloración binaria de grafos² en el que ciertos vértices (es decir, SKUs) del grafo (es decir, BOMs) se promueven a puntos de desacoplamiento. Se asume entonces que estos vértices siempre disponen de inventario apto para el servicio, y la metodología de DDMRP asegura que efectivamente sea así.

La elección de los puntos de desacoplamiento se delega esencialmente a los profesionales de supply chain. Dado que los puntos de desacoplamiento están destinados a ser SKUs almacenados, los profesionales deberían favorecer aquellos SKUs que tengan sentido a nivel estratégico, por ejemplo, porque son consumidos por múltiples productos finales y se benefician de patrones de consumo más estables que la mayoría de los productos finales.

Una vez elegidos los puntos de desacoplamiento, los tiempos de entrega DDMRP asociados a cualquier vértice se pueden calcular como el camino más largo (en términos de tiempo), partiendo desde el vértice y descendiendo, pero truncando el camino cada vez que se encuentre un punto de desacoplamiento.

Con una cuidadosa selección de los puntos de desacoplamiento, los autores de DDMRP sostienen que la metodología DDMRP ofrece tiempos de entrega más cortos. Esta proposición no es del todo correcta, no porque los tiempos de entrega sean más largos, sino porque DDMRP propone una nueva definición de lo que se entiende por tiempo de entrega en primer lugar.

La ecuación del flujo neto

Para calcular las cantidades asociadas con órdenes de compra o de fabricación de otros productos, los autores de DDMRP introducen un concepto llamado flujo neto definido de la siguiente manera:

En existencia + En pedido - Demanda calificada de órdenes de venta = Posición de flujo neto

Esta ecuación se define a nivel de SKU. La cantidad de flujo neto se interpreta como la cantidad de stock que está disponible para atender la parte incierta de la demanda.

La posición del flujo neto se compara luego con un tamaño de buffer; y cuando se vuelve notablemente inferior a su buffer objetivo, se realiza un pedido. Volveremos a este mecanismo en la sección de priorización de pedidos a continuación.

La metodología DDMRP ofrece algunas pautas de alto nivel sobre cómo dimensionar los buffers, expresándolos típicamente en días de demanda y aplicando márgenes de seguridad mientras se respetan los tiempos de entrega DDMRP, tal como se definieron anteriormente. En la práctica, dimensionar los buffers depende del mejor juicio de los profesionales de supply chain.

A través de los flujos netos, los autores de DDMRP enfatizan que solo la parte incierta de la demanda requiere algún tipo de análisis estadístico. Tratar con la demanda futura que ya se conoce es simplemente cuestión de adherirse a un plan de ejecución determinista.

La explosión desacoplada

La metodología de DDMRP tanto se basa en como refuerza el supuesto de que el stock siempre es apto para el servicio desde cualquier punto de desacoplamiento. Este supuesto ofrece la posibilidad de particionar las aristas utilizando los puntos de desacoplamiento (es decir, un subconjunto de vértices) como fronteras entre los subconjuntos de la partición. Este esquema de particionamiento se conoce como la explosión desacoplada.

Desde la perspectiva de DDMRP, cuando se realiza un pedido de un cliente para un producto final, la demanda resultante no se desagrega recursivamente hasta sus componentes más internos, sino solo hasta los primeros puntos de desacoplamiento que se encuentren.

El esquema de particionamiento de grafos de la explosión desacoplada es aprovechado por la metodología DDMRP como una estrategia divide y vencerás³. En particular, dado que el tamaño del subgrafo se puede mantener pequeño, DDMRP puede implementarse sobre sistemas de bases de datos relacionales, al igual que los MRPs, incluso si esos sistemas no están realmente diseñados para análisis de grafos.

Priorización de pedidos

El paso numérico final en la receta numérica de DDMRP consiste en calcular los pedidos, ya sean de compra o de fabricación. La metodología DDMRP prioriza todos los SKUs según sus respectivas diferencias Buffer - Flujo Neto, colocando en primer lugar los valores más altos. Luego se generan los pedidos procesando la lista en el orden especificado, seleccionando todos los valores que sean positivos y, con frecuencia, al menos tan grandes como el MOQ (cuando sea aplicable).

La priorización en DDMRP es unidimensional (en términos de puntuación) y se impulsa por la adherencia interna a su propia metodología, es decir, manteniendo stocks aptos para el servicio en todos los puntos de desacoplamiento. Las secciones anteriores ilustraron cómo se aprovechó esta propiedad clave de los puntos de desacoplamiento. La priorización de pedidos clarifica cómo se hace cumplir esta propiedad.

La priorización de pedidos, tal como la proponen los autores de DDMRP, es más granular que las recetas que se encuentran típicamente en los MRPs, como el análisis ABC. Proporciona un mecanismo para dirigir la atención de los profesionales de supply chain hacia los SKUs que requieren mayor atención, al menos según el criterio de urgencia de DDMRP.

Críticas a DDMRP

Los autores de DDMRP están promoviendo⁴ los beneficios⁵ de esta metodología como una práctica de vanguardia para maximizar el rendimiento de la supply chain. Si bien DDMRP viene con algunas gemas “ocultas”, detalladas a continuación, se pueden hacer múltiples críticas a esta metodología: las más notables siendo, en primer lugar, una línea base incorrecta para evaluar tanto la novedad como el rendimiento, y, en segundo lugar, un formalismo que no captura la complejidad del mundo real.

Gemas ocultas

Si bien puede parecer una paradoja relativa, los argumentos más sólidos a favor de DDMRP podrían no haber sido identificados correctamente por sus propios autores, al menos no en su publicación de 2019. Esta aparente paradoja es probablemente una consecuencia no intencionada del formalismo limitado de DDMRP, detallado a continuación.

En lo que respecta a las supply chains manufactureras, los promedios móviles frecuenciales suelen ser superiores a los promedios móviles temporales. De hecho, es incorrecto afirmar que DDMRP funciona sin pronósticos de demanda. Los buffers son pronósticos, excepto que son pronósticos frecuenciales (es decir, días de demanda), en lugar de pronósticos temporales (es decir, demanda por día). Como regla general, los pronósticos frecuenciales son más robustos cuando la demanda es errática y/o intermitente. Este hallazgo se remonta a J.D. Croston, quien publicó “Forecasting and Stock Control for Intermittent Demands” en 1972. Sin embargo, aunque los métodos de Croston siguen siendo algo oscuros, DDMRP popularizó esta perspectiva en el mundo de la supply chain en general.

La priorización aproximada es un mecanismo robusto de toma de decisiones en la supply chain que previene clases enteras de problemas, destacándose los sesgos sistemáticos. De hecho, a diferencia de los enfoques SKU por SKU como stocks de seguridad, que pueden ser fácilmente distorsionados numéricamente por artefactos locales de la supply chain (por ejemplo, un faltante de stock), incluso una priorización amplia de la supply chain, aunque sea laxa, asegura que los recursos se dirijan primero a los cuellos de botella evidentes. Aunque los autores de DDMRP son conscientes de que la priorización es beneficiosa como mecanismo de atención, la idea no se lleva a su conclusión lógica: la priorización debería ser económica, es decir, medida en dólares y no en porcentajes.

Línea base incorrecta

La principal crítica que se puede hacer a DDMRP es su línea base incorrecta. Los MRPs, tal como se implementaron y comercializaron en las cuatro décadas que abarcan desde principios de los años 80 hasta finales de los años 2010, nunca han sido realmente diseñados⁶ para planificar, para forecast o para optimize algo. El propio nombre, MRP (Planificación de Requerimientos de Material), es un término inadecuado. Un nombre mejor habría sido MRM (Gestión de Requerimientos de Material). Estos productos de software se construyen con una base de datos relacional en su núcleo (es decir, una base de datos SQL) y están destinados principalmente a hacer seguimiento de los activos de la compañía y a realizar todas las tareas administrativas asociadas con las operaciones más mundanas, por ejemplo, decrementar un nivel de stock cuando se retira una unidad.

Dado que el núcleo relacional está en gran medida en desacuerdo con cualquier procesamiento numéricamente intensivo, como la mayoría de los tipos de algoritmos de grafos, no es sorprendente que las recetas numéricas ofrecidas por dichos productos terminen siendo simplistas y disfuncionales, como lo ilustran los dos matices de las estimaciones de lead time discutidos anteriormente. No obstante, existe un vasto catálogo de literatura en informática sobre la optimización numérica predictiva de supply chains. Esta literatura fue pionera en los años 50 bajo el nombre de Investigación de operaciones, y ha sido perseguida desde entonces bajo diferentes nombres, tales como métodos cuantitativos en supply chain management o simplemente optimización de supply chains.

Ambas afirmaciones de novedad y superioridad para DDMRP se extraen incorrectamente de la falsa premisa de que los MRP son una referencia relevante para los fines de optimización de supply chain; es decir, mejorar sobre el MRP es una mejora en la optimización de supply chain. Sin embargo, los MRP, al igual que todos los sistemas de software diseñados 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 sobre el MRP mismo, ya que la optimización numérica está fundamentalmente en desacuerdo con el diseño del MRP, sino más bien aprovechar todas las herramientas y tecnologías de software que en realidad han sido diseñadas para el rendimiento numérico desde un principio.

Formalismo limitado

La perspectiva de DDMRP es una extraña mezcla de fórmulas simples y juicios de valor. Aunque DDMRP opera claramente dentro de un marco matemático específico - es decir, un grafo acíclico dirigido ponderado - y sus mecanismos tienen nombres bien conocidos, es decir, coloreo de grafos, partición de grafos - esos términos están ausentes de los materiales de DDMRP. Aunque se puede argumentar que la teoría de grafos es demasiado compleja para el practicante promedio de supply chain, la falta de formalismo obliga a los autores a largas explicaciones para comportamientos numéricos que podrían describirse de manera mucho más precisa y concisa.

Luego, y de manera más preocupante, la falta de formalismo aísla a DDMRP del vasto cuerpo de literatura en informática, que proporciona muchos conocimientos sobre lo que se puede hacer con algoritmos conocidos de múltiples campos de la informática que han sido estudiados extensamente más allá de los requisitos de la gestión de supply chain, a saber: teoría de grafos, optimización estocástica y aprendizaje estadístico. Como resultado, DDMRP frecuentemente adopta perspectivas simplistas - volveremos a este punto a continuación - que no están justificadas considerando tanto los algoritmos conocidos como las capacidades del hardware actual.

Luego, el formalismo limitado de DDMRP conduce a afirmaciones erróneas tales como lead times reducidos. De hecho, numéricamente, los lead times, tal como son calculados por DDMRP, son ciertamente más cortos que la mayoría de las alternativas, porque, por construcción, los caminos de lead time se truncan cada vez que se encuentra un punto de desacoplamiento. Sin embargo, se comete un error metodológico al afirmar que con DDMRP, los lead times son más cortos. La proposición correcta es que con DDMRP, los lead times se miden de manera diferente. Una evaluación cuantitativa adecuada de los méritos, en cuanto a lead time, de DDMRP requiere una noción formal de inercia a nivel de sistema para evaluar qué tan rápido una supply chain regida por una política formal se recuperaría al enfrentar cambios en las condiciones del mercado.

Además, DDMRP utiliza ampliamente juicios de valor - es decir, delega en expertos humanos decisiones numéricas clave, como la elección de puntos de desacoplamiento. Como resultado, es poco práctico, si no imposible, comparar una práctica de DDMRP con una metodología competidora, debidamente formalizada, ya que realizar dicha comparación requeriría una cantidad de mano de obra impráctica para cualquier supply chain de tamaño considerable (es decir, miles de SKU o más).

Finalmente, depender de aportes humanos para ajustar un proceso de optimización numérica no es una propuesta razonable considerando el costo de los recursos de computación modernos. El ajuste de meta-parámetros podría ser aceptable, pero no una intervención de detalle en cada vértice del grafo. En particular, una observación casual de las supply chains actuales indica que la necesidad de aportes humanos es uno de los mayores factores detrás de la inercia del sistema. Añadir otra capa de ajuste manual - la elección de puntos de desacoplamiento - no representa una mejora en este sentido.

Desestimación de la complejidad del mundo real

Modelar una supply chain es, por necesidad, una aproximación de la realidad. Así, todos los modelos son un compromiso entre precisión, relevancia y viabilidad computacional. No obstante, DDMRP es abusivamente simplista respecto a muchos factores que ya no pueden descartarse razonablemente al considerar el computing hardware actual.

La supply chain existe para servir los intereses económicos de la empresa. Dicho de manera 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, - sus buffers. La priorización definida por DDMRP es introspectiva: está orientando el sistema de supply chain hacia un estado que es consistente con los supuestos subyacentes al propio modelo de DDMRP - es decir, la disponibilidad de stock en los puntos de desacoplamiento. Sin embargo, no hay garantía de que este estado esté alineado con los intereses financieros de la empresa. De hecho, este estado incluso podría ir en contra de los intereses financieros de la empresa. Por ejemplo, al considerar una marca que produce muchos productos de bajo margen que son sustitutos cercanos entre sí, mantener altos niveles de servicio para un SKU dado podría no ser una opción rentable si los SKU competidores (cuasi-sustitutos) ya tienen un exceso de inventario.

Además, el esquema de priorización propuesto por DDMRP es fundamentalmente unidimensional: la adherencia a sus propios objetivos de stock (los buffers). 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 normalmente podría colocar esas 1000 unidades en un contenedor para transporte marítimo; pero si un faltante de stock es inminente en alguna parte de la supply chain, podría ser rentable que 100 unidades (de las 1000) sean enviadas por avión para mitigar el inminente faltante de stock con antelación. Aquí, la elección del modo de transporte es una dimensión extra al desafío de priorización en la supply chain. Para abordar este desafío, el método de priorización requiere la capacidad de integrar los impulsores económicos asociados con las diversas opciones que están 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 a través de canales de venta secundarios)
• construir o comprar, cuando se pueden encontrar sustitutos en el mercado (típicamente a un precio premium)
• fechas de vencimiento del stock (que requieren un análisis profundo de la composición del stock)
• riesgos de devolución (cuando los socios de distribución tienen la opción de devolver los productos no vendidos).

Así, aunque DDMRP es correcto al afirmar que la priorización es un enfoque más flexible en comparación con los enfoques binarios de todo o nada implementados por los MRP, el esquema de priorización propuesto por DDMRP en sí es bastante incompleto.

El enfoque de Lokad

El lema de DDMRP es “hecho para las personas, no para la perfección”. En Lokad, favorecemos la visión clásica de IBM las máquinas deben funcionar; las personas deben pensar a través de la perspectiva de Supply Chain Quantitativa (QSCM).

QSCM parte de la hipótesis de que cada decisión mundana de supply chain debería ser automatizada. Esta perspectiva enfatiza que los practicantes competentes de supply chain se consideran demasiado escasos y demasiado caros como para dedicar su tiempo a generar decisiones rutinarias de reabastecimiento, compras o precios. Todas esas decisiones pueden y deben ser automatizadas, de modo que los practicantes puedan centrarse en mejorar la receta numérica en sí. Desde una perspectiva financiera, QSCM convierte esos salarios de OPEX, donde se consumen días-hombre para mantener el sistema en marcha, a CAPEX, donde se invierte días-hombre en la mejora continua del sistema.

El enfoque de DDMRP parte de la hipótesis de que los practicantes competentes de supply chain pueden ser capacitados en masa, reduciendo así tanto el costo para el empleador como el factor truck asociado con la partida de cualquier empleado. DDMRP establece un proceso para generar decisiones mundanas de supply chain, pero lograr una automatización completa es en su mayoría un no-objetivo, aunque DDMRP no se opone a la automatización siempre que surja la oportunidad.

Curiosamente, si la industria se orienta hacia la perspectiva de QSCM o hacia la de DDMRP debería ser observable hasta cierto punto. Si la perspectiva de QSCM se adopta de forma más amplia, entonces los equipos de gestión de supply chain evolucionarán para parecerse más a otras industrias “del talento”, por ejemplo, el sector financiero con sus traders cuantitativos en los que unos pocos individuos excepcionalmente talentosos impulsan el rendimiento de grandes empresas. Por el contrario, si la perspectiva de DDMRP se adopta de forma más amplia, entonces los equipos de gestión de supply chain evolucionarán para asemejarse más a franquicias exitosas - por ejemplo, los gerentes de tienda de Starbucks - donde los equipos son numerosos y bien entrenados, y donde los individuos excepcionales tienen poco efecto sobre el sistema - pero donde una cultura superior marca la diferencia entre las empresas.

Recursos

• Demand Driven Material Requirements Planning (DDMRP), Versión 3, por Ptak y Smith, 2019
• Orlicky’s Material Requirements Planning, 3ª edición, por Carol A. Ptak y Chad J. Smith, 2011

Notas