Планирование материальных потребностей, основанное на спросе (DDMRP)

Планирование материальных потребностей, основанное на спросе (DDMRP) — это количественный метод, направленный на оптимизацию эффективности цепочки поставок многоуровневых производственных предприятий. Метод основывается на понятиях «точек разделения» и «буферов запасов», которые призваны смягчить недостатки предыдущих методов, применяемых в большинстве систем MRP (планирования материальных потребностей). Метод определяет объемы закупок или производства для каждой SKU (единица хранения товара) в многоуровневой ведомости материалов (BOM).

Обновление за ноябрь 2024: Joannes Vermorel и Carol Ptak обсудили DDMRP в недавних дебатах о цепочке поставок.

Проблема оптимизации потока многоуровневой ведомости материалов

Ведомость материалов (BOM) представляет собой сборки, компоненты и детали, а также количество каждого, необходимых для производства конечного продукта. Многоуровневая ведомость материалов — это рекурсивное иерархическое представление исходной ведомости, в которой некоторые детали дополнительно разбиваются на собственные ведомости. С формальной точки зрения, многоуровневая ведомость является взвешенным ориентированным ациклическим графом¹, где вершины — это SKU, рёбра указывают на включение (то есть, являются частью), а веса представляют количество, необходимое для сборки — как конечного продукта, так и промежуточного.

Проблема, решаемая DDMRP, заключается в оптимизации потока внутри многоуровневой ведомости материалов и состоит в определении, в любой момент времени: (а) следует ли заказывать дополнительные сырьевые материалы и в каком количестве, (б) следует ли производить дополнительные единицы какого-либо SKU и сколько именно.

Интуитивно эта проблема сложна, поскольку нет прямой корреляции между уровнем сервиса для любого промежуточного SKU — обычно измеряемым через уровень сервиса — и уровнем сервиса конечного продукта. Добавление дополнительных запасов конкретного SKU улучшает уровень сервиса конечного продукта только в том случае, если этот SKU является узким местом в производственном процессе.

На практике решение этой задачи оптимизации потока требует ряда дополнительных входных данных, наиболее часто:

• История заказов клиентов
• Время поставки от поставщиков
• Уровни запасов: на складе, в пути или в заказе
• Производственные сроки выполнения заказа и/или производственные мощности
• и т.д.

Кроме того, реальные цепочки поставок часто характеризуются дополнительными сложностями, такими как размеры партий (различные желательные множители, устанавливаемые либо поставщиком, либо самим производственным процессом), сроки годности (не только для скоропортящихся товаров, но и для химикатов и чувствительного оборудования), несовершенные заменители (например, когда более дорогая деталь может использоваться в качестве замены, если менее дорогая недоступна). Эти сложности требуют дополнительных данных для отражения в модели.

Ограничения классического MRP

Создание DDMRP было обусловлено ограничениями, связанными с так называемой классической MRP парадигмой (в дальнейшем просто именуемой как MRP-подход), которая была разработана преимущественно в 80-х годах. MRP-подход сосредоточен на анализе сроков поставки и определяет самый длинный путь (по времени) в графе ведомости, который является узким местом в производственном процессе конечного продукта.

Для того чтобы выявить это узкое место, MRP использует два различных числовых метода для назначения статического срока поставки каждому ребру графа ведомости, а именно:

• производственные сроки — максимально оптимистичный подход, предполагающий, что запасы всегда доступны повсеместно (то есть для каждого SKU), и, следовательно, сроки поставки зависят только от производительности производственных процессов.
• кумулятивные сроки — максимально пессимистичный подход, предполагающий, что запасы всегда отсутствуют, и, таким образом, сроки поставки зависят только от времени, необходимого для производства первой единицы, начиная с нулевого запаса сырья и промежуточных продуктов.

Оба этих метода имеют одно общее ключевое преимущество: их относительно просто реализовать в реляционной базе данных, которая была архитектурным ядром почти всех MRP-систем, разработанных с 80-х до 2010-х годов.

Однако оба этих метода также чрезмерно упрощены и обычно дают бессмысленные сроки поставки. Авторы DDMRP отмечают, что вычисление заказов на закупку или производство на основе глубоко ошибочных оценок сроков поставки приводит к формированию комбинации избыточных запасов и дефицита товаров, в зависимости от того, завышены или занижены сроки поставки.

Числовая методика DDMRP

Числовая методика DDMRP оптимизация-за-счет-решений представляет собой сочетание числовых эвристик и экспертного суждения — то есть участия специалистов по цепочкам поставок. Данная методика призвана преодолеть недостатки классического MRP без обращения к «продвинутым» числовым алгоритмам. Методика состоит из четырех основных компонентов, а именно:

• разделение сроков поставки
• уравнение чистого потока
• разъединенный взрыв
• относительный приоритет

Комбинируя эти четыре компонента, специалист по цепочкам поставок может вычислить объем закупок и производства в условиях многоуровневой ведомости материалов. Авторы DDMRP утверждают, что данный метод обеспечивает более высокую эффективность цепочки поставок — измеряемую через оборачиваемость запасов или уровень сервиса — по сравнению с эффективностью, достигаемой MRP-системами.

Разделение сроков поставки

Чтобы компенсировать наивно экстремальный оптимизм/пессимизм MRP-подхода к срокам поставки, DDMRP вводит схему бинарного раскрашивания графа², где определенные вершины (то есть SKU) графа (то есть ведомости материалов) назначаются в качестве точек разделения. Предполагается, что эти вершины всегда обладают доступными запасами, и методология DDMRP гарантирует, что это действительно так.

Выбор точек разделения в основном оставляется на усмотрение специалистов по цепочкам поставок. Поскольку точки разделения предполагают, что соответствующие SKU будут иметь запасы, практикам следует отдавать предпочтение SKU, которые имеют стратегическое значение — например, тем, которые используются в нескольких конечных продуктах и характеризуются более устойчивыми паттернами потребления, чем большинство конечных продуктов.

Как только точки разделения выбраны, сроки DDMRP для любой вершины можно вычислить как самый длительный путь (по времени), начиная с данной вершины и идя вниз, при этом обрывая путь каждый раз, когда встречается точка разделения.

При тщательном выборе точек разделения авторы DDMRP утверждают, что методика DDMRP обеспечивает короче сроки поставки. Это утверждение не является полностью корректным, не потому что сроки поставки становятся длиннее, а потому что DDMRP предлагает новое определение того, что в первую очередь понимается под сроком поставки.

Уравнение чистого потока

Чтобы вычислить объемы, связанные с заказами на закупку или производство других продуктов, авторы DDMRP вводят понятие чистого потока, определяемого следующим образом:

На складе + В заказе - Спрос по квалифицированным заказам = Позиция чистого потока

Это уравнение определяется на уровне SKU. Объем чистого потока интерпретируется как количество запасов, доступных для удовлетворения неопределенной части спроса.

Затем позиция чистого потока сравнивается с размером буфера; и когда она оказывается заметно ниже целевого уровня буфера, формируется заказ. Мы вернемся к этому механизму в разделе приоритезации заказов ниже.

Методология DDMRP предоставляет некоторые общие рекомендации по определению размеров буферов, как правило, выражая их в днях спроса и обеспечивая безопасные маржи при соблюдении сроков DDMRP, определенных выше. На практике определение размеров буферов зависит от профессионального суждения специалистов по цепочкам поставок.

Через чистые потоки авторы DDMRP подчеркивают, что только неопределенная часть спроса действительно требует какого-либо статистического анализа. Работа с будущим спросом, который уже известен, является чисто вопросом следования детерминированному плану выполнения.

Разъединенный взрыв

Методология DDMRP как опирается на предположение, так и обеспечивает его выполнение, предполагая, что запасы всегда доступны с любой точки разделения. Это предположение дает возможность разделить рёбра, используя точки разделения (то есть подмножество вершин) в качестве границ между подмножествами разделения. Эта схема разбиения называется разъединенным взрывом.

С точки зрения DDMRP, когда клиентский заказ оформляется на конечный продукт, полученный спрос не разбивается рекурсивно до самых мелких компонентов, а лишь до первой встреченной точки разделения.

Схема разбиения графа, используемая в разъединенном взрыве, применяется в методологии DDMRP как стратегия разделяй и властвуй³. В частности, поскольку размер подграфа можно держать небольшим, DDMRP может быть реализована поверх реляционных баз данных, как и MRP-системы, даже если эти системы не предназначены для анализа графов.

Приоритезация заказов

Заключительный числовой этап в числовой методике DDMRP заключается в расчете самих заказов — как заказов на закупку, так и на производство. Методология DDMRP расставляет приоритеты для всех SKU по их разности Буфер - Чистый поток, при этом первыми обрабатываются наибольшие значения. Затем заказы формируются путем обработки списка в заданном порядке, выбирая все положительные значения, и, как правило, не менее величины MOQ (где применимо).

Приоритезация в DDMRP является одномерной (с точки зрения оценки) и обусловлена внутренним соблюдением собственной методологии, а именно поддержанием доступных запасов для всех точек разделения. Предыдущие разделы показали, как это ключевое свойство точек разделения было использовано. Приоритезация заказов объясняет, как данное свойство обеспечивается.

Предложенная авторами DDMRP приоритезация заказов является более детализированной, чем методики, обычно встречающиеся в MRP-системах, таких как ABC-анализ. Она предоставляет механизм для направления внимания специалистов по цепочкам поставок к тем SKU, которым требуется наибольшее внимание — по крайней мере, согласно критерию срочности DDMRP.

Критика DDMRP

Авторы DDMRP продвигают⁴ преимущества⁵ данной методологии как передовую практику для максимизации эффективности цепочек поставок. Хотя у DDMRP есть несколько «скрытых» преимуществ, описанных ниже, в отношении данной методологии можно высказать множество критических замечаний: наиболее заметными являются, во-первых, некорректная исходная база для оценки как новизны, так и эффективности, и, во-вторых, формализм, не отражающий сложность реального мира.

Скрытые преимущества

Хотя это может показаться относительным парадоксом, самые весомые аргументы в пользу DDMRP, возможно, не были должным образом определены его авторами, по крайней мере, не в их публикации 2019 года. Этот кажущийся парадокс, скорее всего, является непреднамеренным следствием ограниченного формализма DDMRP, описанного ниже.

Что касается производственных цепочек поставок, частотные скользящие средние обычно превосходят временные скользящие средние. Действительно, утверждать, что DDMRP работает без прогнозов спроса, некорректно. Буферы являются прогнозами, только это частотные прогнозы (то есть, дни спроса), а не временные (то есть, спрос в расчете на день). Как правило, частотные прогнозы являются более надежными, когда спрос является нестабильным и/или прерывистым. Это открытие можно отнести к J.D. Croston, который в 1972 году опубликовал статью «Forecasting and Stock Control for Intermittent Demands». Однако, хотя методы Кростона остаются несколько малоизвестными, DDMRP популяризировал эту точку зрения в широких кругах специалистов по цепочкам поставок.

Приблизительная приоритезация — это надежный механизм принятия решений в цепочках поставок, который предотвращает целые классы проблем, особенно систематические искажения. Действительно, в отличие от подходов, ориентированных на отдельные SKU, таких как резервные запасы, которые могут быть легко численно искажены локальными особенностями цепочки поставок (например, дефицитом товаров), даже поверхностная приоритезация на уровне всей цепочки поставок гарантирует, что ресурсы сначала направляются на очевидные узкие места. Хотя авторы DDMRP явно понимают, что приоритезация полезна как механизм внимания, это понимание не доведено до логического завершения: приоритезация должна быть экономической, то есть измеряться в долларах, а не в процентах.

Некорректная исходная база

Основная критика DDMRP заключается в его некорректной исходной базе. MRP-системы, реализованные и продававшиеся в течение четырех десятилетий с начала 80-х до конца 2010-х, никогда не были по-настоящему разработаны⁶ для планирования, прогнозирования или оптимизации чего-либо. Само название MRP (планирование материальных потребностей) является неверным. Лучше было бы назвать их MRM (управление материальными потребностями). Эти программные продукты построены на реляционной базе данных (то есть на SQL-базе данных) и в первую очередь предназначены для учета активов компании и выполнения всех канцелярских задач, связанных с самыми рутинными операциями, например, уменьшением уровня запасов при отгрузке единицы.

Поскольку реляционное ядро в значительной степени несовместимо с любыми вычислительно интенсивными процессами, такими как большинство алгоритмов графов, неудивительно, что числовые формулы, предлагаемые такими продуктами, оказываются упрощёнными и нефункциональными, как это иллюстрируется двумя видами оценки времени выполнения, обсуждаемыми выше. Тем не менее, в области компьютерных наук существует обширный каталог литературы по предиктивной числовой оптимизации цепей поставок. Эта литература была разработана в 50‑х годах под названием «Операционные исследования» и с тех пор развивается под разными названиями, такими как количественные методы в управлении цепями поставок или просто оптимизация цепей поставок.

Обе претензии на новизну и превосходство DDMRP ошибочно базируются на ложном предположении, что MRP являются релевантной отправной точкой для оптимизации цепей поставок, то есть улучшение MRP означает улучшение оптимизации цепей поставок. Однако MRP, как и все программные системы, централизованно разработанные вокруг реляционных баз данных, просто не предназначены для задач числовой оптимизации.

Производителям, застрявшим в ограничениях своих MRP, не следует стремиться к постепенным улучшениям самого MRP, поскольку числовая оптимизация принципиально противоречит его конструкции, а наоборот, следует воспользоваться всеми программными инструментами и технологиями, которые изначально были разработаны для числовой производительности.

Ограниченный формализм

Перспектива DDMRP представляет собой странное сочетание простых формул и субъективных решений. Хотя DDMRP явно работает в рамках конкретной математической модели — то есть взвешенного направленного ациклического графа — и его механизмы имеют хорошо известные названия, такие как раскраска графа и разбиение графа, эти термины отсутствуют в материалах по DDMRP. Можно утверждать, что теория графов слишком сложна для обычного специалиста по цепям поставок, однако отсутствие формализма заставляет авторов приводить длительные объяснения числовых явлений, которые могли бы быть описаны гораздо точнее и лаконичнее.

Что еще более тревожно, отсутствие формализма изолирует DDMRP от обширного корпуса литературы по компьютерным наукам, который предлагает множество идей о том, что можно сделать с известными алгоритмами из различных областей, изученных значительно глубже, чем этого требуют цепи поставок, а именно: теория графов, стохастическая оптимизация и статистическое обучение. В результате DDMRP часто принимает упрощённые точки зрения — к которым мы вернёмся ниже — которые не оправданы с учётом как известных алгоритмов, так и современных возможностей компьютерного оборудования.

Таким образом, ограниченный формализм DDMRP приводит к ошибочным утверждениям, таким как сокращение времени выполнения заказов. Действительно, с числовой точки зрения время выполнения заказов, вычисленное по методу DDMRP, безусловно, короче, чем у большинства альтернатив, потому что по конструкции пути времени выполнения укорачиваются при встрече с точкой разъединения. Однако методологическая ошибка заключается в утверждении, что при DDMRP время выполнения заказов короче. Правильное утверждение состоит в том, что при DDMRP время выполнения заказов измеряется по‑другому. Для надлежащей количественной оценки достоинств DDMRP с точки зрения времени выполнения требуется формальное понятие инерции всей системы, чтобы оценить, как быстро цепь поставок, управляемая формальной политикой, сможет компенсировать изменения рыночных условий.

Кроме того, DDMRP широко использует субъективные решения — то есть делегирует ключевые числовые решения, такие как выбор точек разъединения, человеческим экспертам. В результате практически невозможно, если не невозможно, провести сравнительный анализ практики DDMRP с конкурирующей, должным образом формализованной методологией, поскольку выполнение такого анализа потребовало бы неприемлемого количества человеческих ресурсов для любой значительной цепи поставок (то есть для тысяч SKU и более).

Наконец, опора на человеческий фактор для настройки процесса числовой оптимизации не является разумным решением, учитывая стоимость современных вычислительных ресурсов. Настройка метапараметров может быть приемлемой, но не детальное вмешательство в каждую вершину графа. В частности, поверхностное наблюдение за современными цепями поставок показывает, что потребность в человеческом участии является одним из главных факторов системной инерции. Добавление еще одного уровня ручной настройки — выбор точек разъединения — не является улучшением в этом отношении.

Пренебрежение сложностью реального мира

Моделирование цепи поставок по своей сути является приближением к реальному миру. Таким образом, все модели представляют собой компромисс между точностью, релевантностью и вычислительной осуществимостью. Тем не менее, DDMRP чрезмерно упрощает многие факторы, которые уже нельзя оправданно игнорировать при рассмотрении современной вычислительной техники.

Цепь поставок существует для обслуживания экономических интересов компании. Если сказать проще, компания максимизирует доходы, генерируемые её взаимодействием с экономикой в целом; однако DDMRP оптимизирует процент ошибок относительно, возможно, произвольных целей — своих буферов. Приоритизация, определяемая DDMRP, ориентирована внутрь: она направляет систему цепей поставок в состояние, соответствующее предпосылкам, лежащим в основе самой модели DDMRP — то есть наличию запасов в точках разъединения. Однако нет гарантии, что это состояние совпадает с финансовыми интересами компании. Это состояние может даже противоречить финансовым интересам компании. Например, если бренд производит множество товаров с низкой маржой, которые являются почти взаимозаменяемыми, поддержание высокого уровня обслуживания для конкретного SKU может оказаться нерентабельным, если конкурирующие SKU (квази-заменители) уже имеют избыток запасов.

Кроме того, схема приоритизации, предлагаемая DDMRP, по своей сути является одномерной: она основывается на соблюдении собственных целевых показателей запасов (буферов). Однако реальные решения в цепях поставок почти всегда являются многомерными. Например, после производства партии в 1000 единиц производитель обычно укладывает эти единицы в контейнер для морских перевозок; однако, если по цепи поставок ожидается дефицит, может оказаться выгодным отправить 100 единиц (из 1000) самолетом для предварительного устранения дефицита. Здесь выбор способа транспортировки становится дополнительным измерением задачи приоритизации цепей поставок. Для решения этой задачи метод приоритизации должен учитывать экономические факторы, связанные с разнообразными вариантами, доступными компании.

Другие измерения, которые необходимо учитывать в рамках приоритизации, могут включать:

• корректировки цен, для увеличения или уменьшения спроса (возможно, через вторичные каналы продаж)
• производство или закупку, когда на рынке можно найти заменители (обычно по более высокой цене)
• сроки годности запасов (требующие глубокого понимания состава запасов)
• риски возврата (когда у партнеров по дистрибуции есть возможность возврата непроданных товаров).

Таким образом, хотя DDMRP правильно утверждает, что приоритизация является более гибким подходом по сравнению с бинарными методами «все или ничего», используемыми в MRP, схема приоритизации, предлагаемая самим DDMRP, остается довольно неполной.

Точка зрения Lokad

Девиз DDMRP: строить для людей, а не для совершенства. В Lokad мы придерживаемся классического видения IBM: машины должны работать; люди — думать через призму Количественной цепочки поставок (QSCM).

QSCM исходит из гипотезы, что каждое рутинное решение в цепи поставок должно быть автоматизировано. Такой подход подчеркивает, что компетентные специалисты по цепям поставок считаются слишком редкими и слишком дорогими, чтобы тратить своё время на выполнение рутинных задач по формированию запасов, закупкам или ценообразованию. Все эти решения могут и должны быть автоматизированы, чтобы специалисты могли сосредоточиться на совершенствовании числовой формулы. С финансовой точки зрения, QSCM переводит эти затраты из операционных расходов (OPEX), где человеко-дни расходуются на поддержание работы системы, в капитальные затраты (CAPEX), где человеко-дни инвестируются в постоянное улучшение системы.

Подход DDMRP исходит из гипотезы, что компетентных специалистов по цепям поставок можно обучить массово, что снижает как затраты для работодателя, так и фактор груза, связанный с уходом любого сотрудника. DDMRP устанавливает процесс генерации рутинных решений в цепях поставок, однако достижение полной автоматизации в основном не является целью, хотя DDMRP не против автоматизации, когда представляется возможность.

Интересно, что в какой-то мере можно наблюдать, движется ли отрасль в сторону перспективы QSCM или DDMRP. Если перспектива QSCM будет принята шире, то команды по управлению цепями поставок эволюционируют и станут больше похожи на другие отрасли, требующие таланта, например, финансы с их количественными трейдерами, где несколько исключительно талантливых специалистов определяют эффективность крупных компаний. Напротив, если перспектива DDMRP будет принята шире, то команды по управлению цепями поставок превратятся в нечто, подобное успешным франшизам — например, менеджерам магазинов Starbucks, где команды многочисленны и хорошо обучены, а влияние отдельных выдающихся сотрудников на систему минимально, но превосходная корпоративная культура становится решающим фактором между компаниями.

Ресурсы

• Demand Driven Material Requirements Planning (DDMRP), версия 3, авторы Птак и Смит, 2019
• Material Requirements Planning Орликки, 3‑е издание, авторы Кэрол А. Птак и Чад Дж. Смит, 2011

Примечания