Un approccio numerico a DDMRP

Joannes Vermorel

DDMRP sta per Demand Driven Material Requirements Planning. Negli ultimi anni, la popolarità di DDMRP è cresciuta in determinati settori, occupando la nicchia che un tempo era occupata dalla lean manufacturing o dal six sigma. Ma cosa ci si può aspettare realmente da DDMRP e quanto di nuovo porta al tavolo per quanto riguarda l’ottimizzazione della supply chain?

Per rispondere a questa domanda, esaminiamo DDMRP da una prospettiva numerica, ossia considerando DDMRP come un insieme di ricette numeriche[^ricette] per ottenere un’ottimizzazione delle prestazioni misurabile di una determinata supply chain. Infatti, poiché tutti i benefici proposti dagli autori di DDMRP sono tutti obiettivi quantificati (ad esempio, raggiungere il 97-100% di performance di fill rate puntuale[^risultati]), sembra giusto adottare un approccio numerico per valutare i meriti di questo approccio.

Gli autori di DDMRP affermano che questo approccio porta quattro innovazioni chiave all’ottimizzazione della supply chain, ovvero:

• la disaccoppiatura dei tempi di consegna¹
• l’equazione del flusso netto²
• le esplosioni disaccoppiate³
• la priorità relativa⁴

Saltando alle conclusioni, la revisione attenta di ciascuno di questi punti - fatta in maggiori dettagli di seguito - indica che ci sono pochissime basi per le audaci affermazioni di DDMRP. Le ricette numeriche proposte da DDMRP non sarebbero state considerate all’avanguardia nemmeno alla fine degli anni ‘50, poiché il nascente campo della ricerca operativa aveva già scoperto strategie di ottimizzazione numerica arguabilmente più sofisticate e migliori all’epoca.

I miglioramenti dichiarati che DDMRP afferma di aver raggiunto partono da una base errata: gli MRPs - proprio come gli ERP - di solito non offrono alcuna capacità di ottimizzazione numerica⁵. I loro sistemi di database relazionali sottostanti sono semplicemente inadatti a gestire qualsiasi carico di lavoro di elaborazione dati considerevole, anche considerando l’hardware di calcolo moderno[^computing]. Pertanto, nonostante il discorso di molti fornitori di software aziendali - che operano nel lato transazionale del problema - è scorretto prendere gli MRPs come base per quanto riguarda l’ottimizzazione della supply chain.

Disaccoppiamento dei tempi di consegna

Gli MRPs, essendo basati su database relazionali (SQL) e ancorati saldamente nel campo del software di asset management, hanno poche o nessuna capacità di elaborazione dati. Di conseguenza, non sorprende che le analisi dei tempi di consegna non siano il punto di forza di queste soluzioni. Considerando il grafico dei requisiti generato dalle distinte base, molti MRP offrirebbero solo due analisi dei tempi di consegna estremamente semplicistiche, ovvero:

• tempo di produzione, che è eccessivamente ottimistico e assume che l’inventario sia sempre disponibile ovunque, sottovalutando quindi notevolmente i tempi di consegna.
• tempi di consegna cumulativi, che sono eccessivamente pessimistici e assumono che l’inventario mancherà sempre ovunque, sovrastimando quindi notevolmente i tempi di consegna.

DDMRP propone di rimediare a questa situazione utilizzando uno schema di colorazione binaria del grafico in cui determinati nodi del grafico - ogni nodo associato a un prodotto o a una parte - vengono promossi come punti di disaccoppiamento. Questi nodi vengono quindi considerati sempre con inventario disponibile; e la metodologia di DDMRP garantisce che sia effettivamente così.

Una volta scelti i punti di disaccoppiamento, una scelta che viene effettuata manualmente dal professionista della supply chain, i calcoli dei tempi di consegna possono essere effettuati con un metodo che alterna i due metodi di calcolo elencati sopra a seconda del colore di ciascun nodo. Con una selezione accurata dei punti di disaccoppiamento, i valori dei tempi di consegna possono essere notevolmente ridotti.

Ci sono tre principali critiche a questo approccio.

• la riduzione dei tempi di consegna è principalmente un artefatto di calcoli causati da una definizione rivista. Il sistema di supply chain - nel suo complesso - ha ancora una simile inerzia nel contesto di un mercato in continua evoluzione. Infatti, invece di avere l’inerzia del sistema riflessa direttamente dal tempo di consegna, l’inerzia del sistema è ora nascosta attraverso i buffer mantenuti ai punti di disaccoppiamento. I tempi di consegna possono essere stati ridotti, ma l’inerzia del sistema no.
• fare affidamento su input umani per regolare un processo di ottimizzazione numerica non è una proposta ragionevole considerando il costo delle risorse informatiche moderne. La regolazione dei meta-parametri potrebbe essere accettabile, ma non l’intervento dettagliato ad ogni nodo del grafico. In particolare, la mia osservazione occasionale delle moderne supply chain è che la necessità di input umani è uno dei fattori principali che contribuiscono all’inerzia dell’intero sistema. Aggiungere un ulteriore livello di regolazione manuale - la scelta dei punti di disaccoppiamento - non è un miglioramento in questo senso.
• sebbene si possa argomentare che le stime dei tempi di consegna di DDMRP possano essere migliori dei numeri grezzi forniti dal MRP, la base è incredibilmente ingenua. Anche i metodi di base di Monte Carlo - introdotti da Nicholas Metropolis nel 1947 - superano tutti quei metodi per quanto riguarda la stima dei tempi di consegna, inclusa DDMRP.

In conclusione, i tempi di consegna disaccoppiati difficilmente si qualificano come innovativi e danno una falsa sensazione di compressione dei tempi di consegna mentre seppelliscono l’inerzia del sistema di supply chain sotto uno schema di colorazione del grafico.

L’Equazione del Flusso Netto

Per affrontare il problema della generazione degli ordini di fornitura, DDMRP ha introdotto un concetto fondamentale di flusso netto. L’equazione del flusso netto è introdotta in DDMRP come segue:

On-Hand + On-Order – Qualified Sales Order Demand = Posizione del Flusso Netto.

Questa quantità può essere interpretata come la quantità di stock disponibile per affrontare la parte incerta della domanda. Attraverso i flussi netti, DDMRP sottolinea che solo la parte incerta della domanda richiede effettivamente un tipo di analisi statistica. Affrontare la domanda futura che è già nota è una pura questione di aderenza a un piano di esecuzione deterministico.

Il calcolo del flusso netto è una semplice combinazione di tre variabili SKU non banali ma ampiamente utilizzate. La maggior parte della complessità effettiva è nascosta in quelle variabili, che possono essere meno innocue di quanto sembrino:

• lo stock disponibile è soggetto a inaccuratezze dell’inventario
• lo stock in ordine è soggetto a tempi di consegna variabili
• molte sfumature di grigio nel distinguere gli ordini di vendita qualificati da quelli non qualificati

In ogni caso, è difficile sostenere molta novità introducendo ciò che è probabilmente una combinazione banale di variabili ampiamente utilizzate all’interno dei sistemi di supply chain. Inoltre, DDMRP non sta scoprendo alcuna proprietà nascosta / invisibile / non ovvia dell’espressione del flusso netto.

Algoritmi sofisticati per la previsione in presenza di dipendenze parzialmente note sono noti da decenni, con pubblicazioni risalenti ai primi anni ‘90⁶; con un grado di raffinatezza che va ben oltre le ricette numeriche presentate in DDMRP.

Esplosione Disaccoppiata

Il termine “esplosione disaccoppiata” coniato dagli autori di DDMRP è la diretta conseguenza dello schema di colorazione del grafo binario introdotto nella prima sezione sopra: le liste di materiali (BOM) non vengono enumerate in modo ricorsivo oltre ogni nodo colorato come “punto di disaccoppiamento”. Considerando il trattamento applicato sia ai tempi di consegna che alle BOM, vediamo che DDMRP sfrutta i “punti di disaccoppiamento” come confini di suddivisione del grafo di supply chain più ampio.

Questo schema di suddivisione del grafo è in qualche modo simile a quello che è comunemente noto come algoritmo divide-et-impera risalente al lavoro di John von Neumann nel 1945. Tuttavia, le ricette numeriche di DDMRP non includono la seconda parte degli approcci algoritmici divide-et-impera, ovvero la ricombinazione delle sottosoluzioni in una soluzione più efficiente per il problema nel suo complesso. DDMRP suddivide il grafo di supply chain, risolvendo ciascun sottografo con metodi “classici” MRP, e si ferma lì. Non avviene alcuna ulteriore ottimizzazione numerica a livello di sistema oltre all’ottimizzazione locale eseguita in ciascun sottografo.

Pertanto, la principale critica a queste esplosioni disaccoppiate è che, per design, completano la suddivisione dei grafi di supply chain in sottografi indipendenti e, proprio attraverso questo processo, pongono un limite rigido all’ottimizzazione che può essere raggiunta per l’intero sistema di supply chain; proprio perché non può avvenire alcun accoppiamento di alcun tipo tra gli elementi della partizione.

Questo aspetto potrebbe sembrare controintuitivo a un non specialista, ma da una prospettiva di ottimizzazione numerica, una partizione statica di un sistema è semplicemente una riduzione dei gradi di libertà disponibili al processo di ottimizzazione e quindi una riduzione della capacità del processo di ottimizzazione di trovare effettivamente una soluzione migliore.

Priorità relativa

L’assunzione chiave oltre ai punti di disaccoppiamento in DDMRP è che lo stock sia sempre disponibile per quei SKU. Tuttavia, poiché fluttuazioni casuali della domanda o del tempo di consegna possono verificarsi, il sistema di supply chain in DDMRP potrebbe deviare da questa assunzione. Pertanto, DDMRP afferma che le decisioni di supply chain (ad es. ordini di acquisto o ordini di produzione) devono essere prioritizzate in base alla loro capacità relativa di riportare il sistema a uno stato in cui le assunzioni originali sono valide.

Ci sono due principali critiche allo schema di prioritizzazione proposto da DDMRP. In primo luogo, la prioritizzazione guarda all’interno del sistema di supply chain anziché guardare all’esterno. In secondo luogo, la prioritizzazione è unidimensionale e quindi non in grado di affrontare la maggior parte degli scenari non banali oltre al caso forward uniforme.

Il sistema di supply chain esiste per servire interessi esterni (esogeni). Per dirla in modo più diretto, l’azienda massimizza i dollari di ritorno generati attraverso la sua interazione con l’economia nel suo complesso; tuttavia, DDMRP ottimizza i percentuali di errore rispetto a obiettivi argomentabilmente arbitrari. Infatti, la prioritizzazione come definita da DDMRP guarda all’interno: sta guidando il sistema di supply chain verso uno stato coerente con le assunzioni sottostanti al modello DDMRP stesso - ovvero la disponibilità di stock ai punti di disaccoppiamento. Tuttavia, non c’è alcuna garanzia che questo stato sia allineato agli interessi finanziari dell’azienda. Questo stato potrebbe addirittura andare contro gli interessi finanziari dell’azienda. Ad esempio, considerando un marchio che produce molti prodotti a basso margine che sono sostituti vicini tra loro, mantenere alti livelli di servizio per un determinato SKU potrebbe non essere un’opzione redditizia se gli SKU concorrenti (quasi-sostituti) hanno già un eccesso di inventario.

Il sistema di prioritizzazione proposto da DDMRP è fondamentalmente unidimensionale: l’aderenza ai propri obiettivi di stock (il buffer). Tuttavia, le decisioni reali sulla supply chain sono quasi sempre problemi multidimensionali. Ad esempio, dopo aver prodotto un lotto di 1000 unità, un produttore potrebbe solitamente mettere quelle 1000 unità in un container per il trasporto marittimo; tuttavia, se è imminente una rottura di stock lungo la supply chain, potrebbe essere redditizio spedire 100 unità (delle 1000) via aerea per mitigare in anticipo la rottura di stock imminente. Qui la scelta della modalità di trasporto è una dimensione aggiuntiva alla sfida di prioritizzazione della supply chain. Per affrontare questa sfida, il metodo di prioritizzazione richiede la capacità di integrare i driver economici associati alle diverse opzioni disponibili per l’azienda.

Altre dimensioni che devono essere prese in considerazione come parte della prioritizzazione possono includere:

• aggiustamenti dei prezzi, per aumentare o ridurre la domanda (possibilmente canali di vendita secondari)
• costruire o acquistare, quando si possono trovare sostituti sul mercato (tipicamente a un prezzo maggiorato)
• date di scadenza dello stock (richiedendo approfondimenti sulla composizione dello stock)
• rischi di reso (quando i partner di distribuzione hanno l’opzione di restituire merce invenduta)

Pertanto, sebbene DDMRP abbia ragione nel sostenere che la prioritizzazione è un approccio più flessibile rispetto agli approcci binari tutto-o-niente implementati dai MRPs “classici”, lo schema di prioritizzazione proposto da DDMRP stesso è piuttosto debole. Ancora una volta, gli MRPs non dovrebbero essere utilizzati come base per valutare il merito di una ricetta numerica di ottimizzazione della supply chain.

Conclusioni

Le quattro principali innovazioni di DDMRP, identificate come tali dagli autori di DDMRP, si rivelano deboli per quanto riguarda l’ottimizzazione numerica e superate di diverse decadi considerando la storia dell’ottimizzazione numerica e della ricerca operativa.

Molte conclusioni sono tratte in modo errato sulla falsa premessa che gli MRPs siano una base rilevante per scopi di ottimizzazione della supply chain; cioè, migliorare l’MRP è un miglioramento nell’ottimizzazione della supply chain. Tuttavia, gli MRPs, come tutti i sistemi software centralmente progettati intorno a database relazionali, non sono adatti per sfide di ottimizzazione numerica.

I produttori bloccati con le limitazioni del loro MRP non dovrebbero cercare miglioramenti incrementali sull’MRP stesso poiché l’ottimizzazione numerica è fondamentalmente in contrasto con la progettazione dell’MRP, ma piuttosto approfittare di tutti gli strumenti e le tecnologie software che sono stati effettivamente progettati per le prestazioni numeriche in primo luogo.

Riferimenti