Bedarfsgesteuerte Materialbedarfsplanung (DDMRP)

Von Joannes Vermorel, Februar 2020

Die Bedarfsgesteuerte Materialbedarfsplanung (Demand Driven Material Requirements Planning, DDMRP) ist eine quantitative Methode zur Optimierung der Supply-Chain-Performance bei umfangreichen Herstellungsunternehmen. Bei der Methode dreht sich alles um die Konzepte der ‘Entkopplungspunkte’ und des ‘Bestandspuffers’, die die Schwachstellen früherer Methoden, die von den meisten MRP-Systemen (Materialbedarfsplanung) eingeführt wurden, beheben sollten. Diese Methode liefert die Mengen zur Beschaffung oder Herstellung für jegliche SKU (Stock-Keeping Unit) einer mehrstufigen Materialstückliste (auch Bill Of Materials oder BOM).

Das Problem der Flussoptimierung bei Strukturstücklisten    Beschränkungen der klassischen MRP    Die numerische Vorgehensweise der DDMRP       Entkopplung der Durchlaufzeiten       Die Net Flow Equation       Decoupled explosion       Bestellpriorisierung    Kritik an der DDMRP       Verborgene Schätze       Unzutreffende Ausgangspunkte       Begrenzter Formalismus       Fehldarstellung der tatsächlichen Komplexität    Lokads Ansicht    Ressourcen    Hinweise

Das Problem der Flussoptimierung bei Strukturstücklisten

Eine Stückliste (auch BOM oder Bill of Materials) stellt eine Anordnung der Baugruppen, Komponenten und Teilen, sowie deren erforderliche Menge zur Herstellung eines Endprodukts dar. Eine Strukturstückliste (auch multi-level BOM) wirft eine rekursive hierarchische Perspektive auf die ursprüngliche Stückliste, bei der bestimmte Teile mit eigenen Stücklisten weiter aufgeschlüsselt werden. Formal betrachtet ist eine Strukturstückliste ein gewichteter, gerichteter, azyklischer Graph (1), bei dem die Knoten SKUs darstellen und die Kanten Inklusion bedeuten (d.h., ist ein Teil von), und die Gewichtung die für die Montage der/s End- oder Zwischenprodukts/e erforderliche Menge darstellt.

Das Problem, dem sich die DDMRP widmet, ist die Flussoptimierung bei Strukturstücklisten, dabei soll zu jeglichem Zeitpunkt bestimmen werden, (a) ob mehr Rohmaterialien beschafft werden sollen und, wenn ja, wie viele und (b) ob mehr Einheiten einer SKU hergestellt werden sollen und, wenn ja, wie viele.

Intuitiv betrachtet ist dieses Problem schwierig, da keine direkte Korrelation zwischen der Servicequalität einer Zwischenartikelposition –gewöhnlich anhand des Servicelevels gemessen– und Endqualität der Dienstleistung besteht. So stellt die Erhöhung des Bestands einer bestimmten SKU nur eine Verbesserung der Servicequalität des Endprodukts dar, wenn diese SKU in gewisser Weise für den Herstellungsfluss einen Engpass bedeutet hat.

In der Praxis bedarf die Lösung dieses Flussoptimierungsproblems einer Reihe weiterer Inputs. Gewöhnlich:

• Bestellhistorie der Kunden
• Durchlaufzeiten der Lieferanten
• Bestandshöhen des Warenbestands, des Transitbestands oder des Bestellbestands
• Durchlaufzeiten der Herstellung und/oder Produktionsdurchsatz
• usw.
  

Zusätzlich kommt es in der Realität in den Supply-Chains zu weiteren Schwierigkeiten, wie etwa Losgrößen (jegliche Art von Multiplikatoren, die vom Lieferanten oder vom eigenen Herstellungsprozess festgelegt werden), Haltbarkeit (nicht nur bei verderblichen Produkten, sondern auch bei Chemikalien, heiklen Teilen oder Vorrichtungen), imperfekte Substitute (z.B. wenn ein teureres Teil als Ersatz eines nicht vorhandenen günstigeren Teils dienen kann). Diese Schwierigkeiten erfordern weitere Daten, um im Modell berücksichtigt zu werden.

Beschränkungen der klassischen MRP

Die Einführung der DDMRP ist auf die Beschränkung des sogenannten klassischen MRP-Ansatz zurückzuführen (im Folgenden lediglich als MRP-Ansatz bezeichnet), der hauptsächlich in den 80ern entwickelt wurde. Der MRP-Ansatz stützt sich auf die Analyse von Durchlaufzeiten und erkennt den längsten Weg (zeitlich betrachtet) im Graphen der Stückliste als den Engpass, der mit dem Herstellungsprozess des Endprodukts assoziiert wird.

Zur Erkennung dieses Engpasses, bietet MRP zwei verschiedene numerische Methoden, um jedem Graphen der Stückliste eine statische Durchlaufzeit zuzuordnen:

• Herstellungsdurchlaufzeiten, die mit einem Höchstmaß an Optimismus behaftet sind und bei denen man davon ausgeht, dass überall und immer Bestand verfügbar ist (d.h. für jede SKU), sodass diese Durchlaufzeiten lediglich vom Durchsatz der Herstellungsprozesse abhängen.
• kumulative Durchlaufzeiten, die mit einem Höchstmaß an Pessimismus behaftet sind und bei denen man davon ausgeht, dass der Bestand nie verfügbar ist, sodass diese Durchlaufzeiten lediglich von der Zeit für die Herstellung der ersten Einheit bei einem leeren Zustand, also null Rohmaterialien und null Zwischenprodukte, abhängt.
  

Diese beiden Methoden bieten einen einzigen gemeinsamen Vorteil: sie sind in einer relationalen Datenbank –die den architektonischen Kern der meisten zwischen den 80ern und den 2010ern entwickelten MRP darstellen– leicht implementierbar.

Doch diese beiden Methoden sind zu stark vereinfacht und bieten gewöhnlich sinnlose Durchlaufzeiten. Die Autoren der DDMRP heben hervor, dass die Berechnung von Bestellungen oder Fertigungsaufträgen auf Grundlage stark fehlerhafter Durchlaufzeiten zu einer Mischung von Überbeständen und Fehlbeständen führt, je nachdem ob die Durchlaufzeiten stark über- oder unterschätzt werden.

Die numerische Vorgehensweise der DDMRP

Die numerische Vorgehensweise der DDMRP ist eine Mischung aus numerischer Heuristik und Ermessensentscheidungen, also Supply-Chain-Experten. Mit dieser Vorgehensweise sollten die Mängel der klassischen MRP, ohne auf „erweiterte“ numerische Algorithmen zurückzugreifen, überwunden werden. Dieser Ansatz hat vier Hauptbestandteile:

• Entkopplung der Durchlaufzeiten
• die Net Flow Equation (Nettoflussgleichung)
• decoupled explosion (entkoppelte Explosion)
• die relative Priorität
  

Durch die Kombination dieser vier Bestandteile kann ein Supply-Chain-Fachmann bei einer Stukturstückliste die zu kaufenden oder zu produzierende Mengen berechnen. Die Autoren der DDMRP führen an, dass diese Methode im Vergleich zu MRP eine bessere Supply-Chain-Performance bietet –gemessen an Bestandsumschlägen oder in Service Levels.

Entkopplung der Durchlaufzeiten

Um den naiven extremen Optimismus bzw. Pessimismus der MRP-Perspektive zu umgehen, führt DDMRP ein binäres Färbungsschema (2) für den Graphen ein, bei dem die Knoten (also SKUs) des Graphen (d.h. die Stücklisten) als Entkopplungspunkt dargestellt werden. So wird davon ausgegangen, dass diese Knoten immer vorrätigen Bestand halten, was die DDMRP-Methode auch sicherstellt.

Die Auswahl der Entkopplungspunkte wird gewöhnlich den Supply-Chain-Fachkräften überlassen. Da die Entkopplungspunkte vorrätige SKUs darstellen sollen, sollten die Fachkräfte solche SKUs bevorzugen, die strategisch sinnvoll sind, etwa weil sie von mehreren Endprodukten verbraucht werden und stabilere Verbrauchsmuster als viele der Endprodukte aufweisen.

Sobald die Entkopplungspunkte gewählt wurden, können die jeglichem Knoten zugeordnete DDMRP Durchlaufzeiten als längster Weg (zeitlich betrachtet) berechnet werden, wobei man beim Knotenpunkt startet, nach unten geht und dabei den Weg jedes Mal, wenn ein Entkopplungspunkt vorhanden ist, kürzt.

Über eine sorgfältige Auswahl der Entkopplungspunkte, bietet die DDMRP ihren Autoren nach kürzere Durchlaufzeiten. Diese Aussage ist jedoch nicht ganz richtig, nicht weil die Durchlaufzeiten länger sind, sondern weil DDMRP an erster Stelle eine neue Definition für Durchlaufzeit vorschlägt.

Die Net Flow Equation

Zur Berechnung der Mengen der Bestellungen oder Fertigungsaufträge führen die Autoren der DDMRP das Konzept des net flow (Nettofluss) mit folgender Definition ein:


Diese Gleichung wird auf SKU-Ebene definiert. Die Menge des Nettoflusses wird als die vorhandene Menge von Bestand interpretiert, mit der ein ungewisser Anteil des Bedarfs gedeckt werden kann.

Die Nettoflussposition wird dann mit einer Puffergröße verglichen; wenn sie deutlich kleiner als die Puffergröße wird, wird eine Bestellung bzw. ein Auftrag abgeschickt. Dieser Mechanismus wird im nächsten Abschnitt über die Priorisierung von Bestellungen erneut aufgegriffen.

Die DDMRP-Methode bietet hochrangige Leitlinien zur Festlegung der Puffergrößen, die oft in Bedarfstagen ausgedrückt werden, und der Durchsetzung von Sicherheitsmargen bei Einhaltung der DDMRP-Durchlaufzeiten, wie oben definiert. In der Praxis hängen die Puffergrößen von der Beurteilung der Supply-Chain-Fachkräfte ab.

Über den Nettofluss heben die Autoren der DDMRP hervor, dass nur der ungewisse Anteil des Bedarfs jegliche Art statistischer Analyse benötigt. Der Umgang mit dem bekannten künftigen Bedarf erfordert nur die Einhaltung eines deterministischen Ausführungsplans.

Decoupled explosion

Die DDMRP Methode stützt sich einerseits auf die Annahme, dass Bestand von jedem Entkopplungspunkt bezogen werden kann, und bekräftigt andererseits diese Annahme. Durch diese Annahme lassen sich die Kanten anhand der Entkopplungspunkte (also von untergeordneten Knoten) als Grenzen zwischen den Partitionsteilmengen partitionieren. Dieser Partitionsplan wird als decoupled explosion (entkoppelte Explosion) bezeichnet.

Aus der DDMRP-Perspektive wird bei einer Kundenbestellung eines Endprodukts der entstehende Bedarf nicht rekursiv auf die einzelnen Komponenten disaggregiert, sondern nur bis zum ersten Entkopplungspunkt.

Die DDMRP-Methode macht sich den Partitionsplan des Graphen für decoupled explosion als Teile-und-Herrsche (3) Strategie zu Nutze. Insbesondere kann DDMRP, da die Größe der Teilgraphen gering gehalten werden kann, wie MRP auf Systemen mit relationalen Datenbanken implementiert werden, auch wenn diese Systeme nicht wirklich für Graphanalysen geeignet sind.

Bestellpriorisierung

Im letzten numerischen Schritt der numerischen DDMRP-Lösung geht es um die Berechnung der Bestellungen, d.h. Beschaffungsbestellungen oder Fertigungsaufträge. In der DDMRP-Methode wird die Priorisierung aller SKUs anhand der entsprechenden unterschiedlichen Puffer - Nettofluss vorgenommen, wobei die höchsten Werte an erster Stelle kommen. Die Bestellungen werden getätigt, indem die Liste der Reihe nach abgearbeitet, und die positiven Werte gewählt werden, die oft auch die Mindestbestellmengen (falls vorhanden) erfüllen.

Die Priorisierung der DDMRP ist eindimensional (was die Bewertung betrifft) und richtet sich intern nach der eigenen Methodik, d.h., dass für alle Entkopplungspunkte einsetzbarer Bestand gehalten wird. Im vorangehenden Punkt hatten wir bereits erläutert, wie diese Schlüsseleigenschaft der Entkopplungspunkte zum Vorteil genutzt wird. Mit der Bestellpriorisierung wird geklärt, wie diese Eigenschaft durchgesetzt wird.

Die Bestellpriorisierung ist den Autoren der DDMRP nach feinkörniger als herkömmliche MRP-Lösungen, wie etwa ABC-Analysen. Sie bietet einen Mechanismus, mit dem sich die Supply-Chain-Fachkräfte auf die SKUs konzentrieren können, die es am meisten benötigen –zumindest nach den Dringlichkeitskriterien der DDMRP.

Kritik an der DDMRP

Die Autoren der DDMRP heben (4) die Vorteile (5) dieser Methode als modernste Praxis zur Maximierung der Supply-Chain-Performance hervor. Auch wenn DDMRP einige, im Folgenden erläuterten, „verborgene Schätze“ bietet, können an der Methode verschiedene Kritikpunkte geäußert werden: insbesondere stellt sie erstens keinen guten Ausgangspunkt dar, um Neuheit und Performance zu beurteilen, und zweitens stützt sie sich auf einen Formalismus, der die Komplexität der Welt nicht widerspiegelt.

Verborgene Schätze

Auch wenn es etwas paradox erscheinen mag, haben die eigenen Autoren scheinbar das stärkste Argument für die DDMRP –zumindest nicht in der Veröffentlichung aus dem Jahre 2019– nicht richtig erkannt. Dieses augenscheinlich offensichtliche Paradoxon ist wahrscheinlich unabsichtlich dem begrenzten Formalismus der DDMRP, der im Folgenden beschrieben wird, zu schulden.

Was die Lieferketten im Bereich Herstellung betrifft, sind gleitende Durchschnitte der Häufigkeit gewöhnlich zeitlichen Gleitenden Durchschnitten überlegen. In der Tat wäre es richtig zu sagen, dass DDMRP ohne Bedarfsprognosen funktioniert. Die Puffer sind Prognosen, jedoch eher Häufigkeitsprognosen (d.h., Bedarfstage) statt zeitliche Prognose (d.h. Bedarf pro Tag). Als Faustregel kann man sagen, dass Häufigkeitsprognosen bei schwankendem und/oder sporadischem Bedarf etwas robuster sind. Diese Entdeckung lässt sich auf J.D. Croston zurückführen, der 1972 „Forecasting and Stock Control for Intermittent Demands“ veröffentlichte. Doch während Crostons Methode etwas undurchsichtig erscheint, hat sich diese Perspektive über die DDMRP auf der ganzen Supply-Chain-Welt verbreitet.

Die approximative Priorisierung stellt einen robusten Mechanismus zur Entscheidungsfindung in der Supply-Chain dar, mit dem sich ganze Problemarten, insbesondere systematische Neigungen, verhindern lassen. So kann eine Priorisierung über die gesamte Lieferkette –im Gegensatz zu SKU-basierten Ansätzen wie den Sicherheitsbeständen, die einfach von lokalen Artefakten der Lieferkette (z.B. einem Fehlbestand) numerisch verzerrt werden können– sicherstellen, dass die Ressourcen den ersten offenbaren Engpässen gewidmet werden. Während sich die Autoren der DDMRP offensichtlich der Vorteile der Priorisierung als Mechanismus zur Aufmerksamkeit bewusst sind, kommt es nicht zur logischen Konsequenz dieses Einblicks, nämlich, dass die Priorisierung auf finanzielle Kriterien beruhen sollte, also in Dollar und nicht in Prozenten gemessen werden sollte.

Unzutreffende Ausgangspunkte

Der Hauptkritikpunkt an der DDMRP sind die unzutreffenden Ausgangslage, die sie bietet. Wie sie in den vier Jahrzehnten von Anfang der 80er bis Ende der 2010er umgesetzt und verkauft wurden, wurden MRP nie wirklich für die Planung, die Prognose oder Optimierung entwickelt (6). Selbst der Name MRP (Materialbedarfsplanung) ist eine Fehlbezeichnung. Ein besserer Name wäre MRM (Materialbedarfsmanagement) gewesen. Den Kern dieser Softwareprodukte stellt eine relationale Datenbank (also eine SQL-Datenbank) dar und ihre hauptsächlichen Ziele sind die Kontrolle der Vermögenswerte des Unternehmens und die Durchführung von Büroaufgaben im Zusammenhang mit den alltäglichsten Aufgaben, z.B. die Senkung der Bestandshöhe, wenn eine Einheit aus dem Bestand entnommen wird.

Da der relationale Kern weitgehend nicht für eine intensive numerische Bearbeitung –wie die meisten Arten von Graphalgorithmen– vorgesehen ist, überrascht es nicht, dass die numerischen Lösungen, die solche Produkte liefern, am Ende zu vereinfacht sind und nicht funktionieren, wie etwa die beiden oben erörterten Varianten zur Schätzung der Durchlaufzeiten. Dennoch bietet die Literatur in der Informatik einen breiten Katalog zur prädiktiven numerischen Optimierung von Supply-Chains. Die Pionierarbeit in der Literatur geschah unter den Namen Operations research. Seitdem ist das Thema unter verschiedenen Namen aufgegriffen worden, wie etwa quantitative Methoden im Supply-Chain-Management oder einfach Supply-Chain-Optimierung.

Beide Behauptungen, DDMRP sei neuartig und überlegen gehen von der falschen Prämisse aus, dass MRP einen relevanten Ausgangspunkt für die Supply-Chain-Optimierung bietet –also, dass die Verbesserung über eine MRP eine Verbesserung der Supply-Chain-Optimierung mit sich bringt. Doch wie alle Softwaresysteme, die auf einer relationalen Datenbank basieren, sind MRP einfach für die numerische Optimierung von Problemen nicht geeignet.

Hersteller, die mit den Grenzen ihrer MRP umgehen müssen, sollten nicht sukzessive Verbesserung der MRP selbst erwarten, da die numerische Optimierung von Grund auf mit dem Design des MRP kollidiert. Stattdessen sollten sie die Vorteile aller Software-Tools und Techniken nutzen, die in erster Linie für die numerische Performance entwickelt wurden.

Begrenzter Formalismus

Die DDMRP-Perspektive stellt eine seltsame Mischung einfacher Formeln und persönlichen Ermessensentscheidungen dar. Während in der DDMRP klar innerhalb eines bestimmtem mathematischen Rahmens agiert wird, also einem gewichteten, gerichteten, azyklischen Graphen, und diese Mechanismen klare Namen haben, also Färbung und Partitionierung des Graphen, kommen diese Begriffe in den Unterlagen zur DDMRP nicht vor. Auch wenn argumentiert werden kann, dass die Graphentheorie für den durchschnittlichen Supply-Chain-Fachmann zu komplex ist, sehen sich die Autoren aufgrund des fehlenden Formalismus dazu gezwungen, das numerische Verhalten langwierig zu beschreiben, was eigentlich viel präziser und prägnanter getan werden könnte.

Noch besorgniserregender ist, dass der fehlende Formalismus DDMRP von der ausgedehnten Informatikliteratur isoliert, aus der man viele Einblicke zu den Möglichkeiten bekannter Algorithmen aus verschiedenen Informatikbereichen bekommen könnte, die bereits ausführlich über die Anforderungen des Supply-Chain-Managements hinaus erforscht wurden, nämlich der Graphentheorie, der stochastischen Optimierung und des statistischen Lernens. Folglich nimmt die DDMRP etwas vereinfachende Perspektiven ein –mehr dazu weiter unten–, die in Anbetracht der bekannten Algorithmen und des aktuellen Stands von Computern nicht gerechtfertigt sind.

So führt der begrenzte Formalismus der DDMRP zu falschen Behauptungen, wie etwa verkürzte Durchlaufzeiten. Tatsächlich sind numerisch betrachtet die Durchlaufzeiten, wie sie von der DDMRP berechnet werden, kürzer als bei den meisten Alternativen, weil von Haus aus die Wege der Durchlaufzeiten gekürzt werden, wenn ein Entkopplungspunkt angetroffen wird. Jedoch liegt ein methodischer Fehler bei der Aussage mit DDMRP sind Durchlaufzeiten kürzer vor. Korrekt wäre: mit DDMRP werden Durchlaufzeiten anders gemessen. Für eine korrekte quantitative Bewertung der Vorteile in Bezug auf die Durchlaufzeiten benötigt die DDMRP den formellen Begrifft der Systemträgheit, sodass beurteilt werden kann, wie rasch eine Supply-Chain mit einer formellen Richtlinie sich bei bestimmten Änderungen den Marktbedingungen anpassen würde.

Zusätzlich kommen in der DDMRP Ermessensentscheidung vielfältig zum Einsatz, so werden typische numerische Entscheidungen, wie etwa die Wahl von Entkopplungspunkten, Menschen überlassen. Infolgedessen ist der Vergleich des DDMRP-Ansatz mit einer konkurrierenden, korrekt formalisierten Methode anhand einer Benchmark unpraktisch, wenn nicht gar unmöglich, da hierfür bei einer größeren Supply-Chain (1000 SKUs oder mehr) eine unverhältnismäßige Anzahl an Personal erforderlich wäre.

In Anbetracht der Kosten moderner Rechnerleistung ist es kein vernünftiger Ansatz, auf menschliches Input für die Feinabstimmung eines numerischen Optimierungsprozesses zu setzen. Die Feinabstimmung von Meta-Parametern könnte noch sinnvoll sein, jedoch nicht ein feinkörniger Eingriff in jedem Knoten des Graphen. Rein ein flüchtiger Blick auf aktuelle Supply-Chains reicht, um festzustellen, dass das Bedürfnis nach menschlichen Eingriffen einen der Hauptfaktoren für Systemträgheit darstellt. Daher stellt eine zusätzliche Ebene für die manuelle Feinabstimmung, also die Wahl der Entkopplungspunkte, in diesem Kontext keine Verbesserung dar.

Fehldarstellung der tatsächlichen Komplexität

Die Modellierung einer Supply-Chain ist notwendigerweise eine Annäherung an die Realität. Daher muss ein Kompromiss zwischen Genauigkeit, Relevanz und rechnergestützter Umsetzbarkeit gefunden werden. Dennoch bietet die DDMRP übertriebene Vereinfachung vieler Faktoren, die vernünftigerweise in Anbetracht der heutigen Hardwareleistung nicht übersehen werden dürften.

Die Supply-Chain soll denn finanziellen Interessen des Unternehmens dienen. Genauer gesagt, maximiert das Unternehmen den Gewinn in Dollar, der über die Wechselwirkungen mit der Wirtschaft im Allgemeinen erlangt wird; dennoch optimiert die DDMRP Fehlerprozentsätze in Bezug auf recht zufällige Zielen, nämlich die Puffer. Wie sie von der DDMRP definiert wird, richtet sich die Priorisierung nach innen: es führt das Supply-Chain-System zu einem Zustand, der der grundlegenden Annahme des DDMRP-Modells entspricht, also der Bestandsverfügbarkeit an den Entkopplungspunkten. Jedoch gibt es keine Garantie dafür, dass dieser Zustand mit den finanziellen Interessen des Unternehmens übereinstimmt. Der Zustand könnte sogar den finanziellen Interessen des Unternehmens entgegenstehen. Man stelle sich eine Marke vor, die viele Produkte mit geringen Gewinnspannen produziert, die sich untereinander gut ersetzen lassen. Hier könnte es nicht rentabel sein, einen hohen Servicelevel für bestimmte SKUs zu halten, wenn es bereits einen überschüssigen Vorrat von konkurrierenden SKUs (potentielle Ersatzprodukte) gibt.

Zusätzlich ist das von der DDMRP vorgeschlagene Priorisierungsschema praktisch eindimensional: es befolgt die eigenen Bestandsziele (die Puffer). Doch in Wirklichkeit stellen Supply-Chain-Entscheidungen fast immer mehrdimensionale Probleme dar. Beispielsweise würde ein Hersteller nach der Produktion eines Fertigungsloses von 1000 Einheiten gewöhnlich diese 1000 Einheiten in einen Container zur Verschiffung als Seefracht legen. Droht jedoch ein Fehlbestand in der Lieferkette zu entstehen, kann es sinnvoll sein, 100 Einheiten (der 1000) per Luftfracht zu versenden, um dem Fehlbestand im Voraus entgegenzuwirken. Hier wäre die Wahl der Transportart eine zusätzliche Dimension im Priorisierungsproblem der Supply-Chain. Um sich dieses Problems anzunehmen, muss die Priorisierungsmethode in der Lage sein, Wirtschaftstreiber zu den verschiedenen Optionen des Unternehmens einzubinden.

Weitere Dimensionen, die in der Priorisierung mitberücksichtigt werden müssen, sind unter anderen:

• Preisanpassungen zur Erhöhung oder Senkung des Bedarfs (evtl. durch sekundäre Vertriebskanäle)
• Build-or-Buy-Analyse, wenn es auf dem Markt Ersatzprodukte gibt (gewöhnlich mit einem Zuschlag)
• Haltbarkeitsdatum des Bestands (bedarf eines umfassenden Einblicks in die Zusammensetzung des Bestands)
• Rückgaberisiken (wenn Vertriebspartner die Möglichkeit haben, nicht verkaufte Ware zurückzugeben).
  

Obwohl also die DDMRP richtig erkennt, dass die Priorisierung einen flexibleren Ansatz darstellt als binäre „Alles-oder-Nichts-Ansätze“ wie die der MRP, ist das von der DDMRP selbst vorgeschlagene Priorisierungsschema etwas unvollständig.

Lokads Ansicht

Das Motto der DDMRP lautet: für Menschen entwickelt, nicht für Perfektion. Bei Lokad ziehen wir die klassische IBM-Vision Maschinen sollen arbeiten; Menschen sollen denken über die Perspektive des Quantitative-Supply-Chain-Management (QSCM) vor.

QSCM geht von der Hypothese aus, dass jede alltägliche Supply-Chain-Entscheidung automatisiert werden sollte. Aus dieser Perspektive geht hervor, dass man kompetente Supply-Chain-Fachkräfte für zu selten und zu teuer erachtet, als dass sie ihre Zeit mit Routineentscheidungen zur Lagerung, zur Beschaffung oder zur Preisgestaltung verbringen. All diese Entscheidungen lassen sich automatisieren, damit sich die Fachkräfte auf die Verbesserung der eigentlichen numerischen Lösung konzentrieren können. Finanziell betrachtet, werden mit dem QSCM diese Gehälter von Betriebsausgaben, bei denen Personentage zur Aufrechterhaltung des Systems verbraucht werden, in Investitionsausgaben verwandelt, bei denen Personentage in die ständige Verbesserung des Systems investiert werden.

Die DDMRP geht von der Hypothese aus, dass kompetente Supply-Chain-Fachkräfte massenhaft trainiert werden können, wodurch die Kosten für den Arbeitgeber gesenkt werden, ebenfalls aber auch der Truck Factor für die Ausscheidung eines Arbeitnehmers reduziert wird. Mit DDMRP wird ein Prozess eingeführt, der alltägliche Supply-Chain-Entscheidungen erzeugt, dabei ist jedoch die komplette Automatisierung nicht das Ziel, wenngleich die DDMRP sich auch nicht gegen die Automatisierung stellt, wenn sich eine Möglichkeit ergibt.

Interessanterweise sollte sich in gewisser Hinsicht beobachten lassen, ob die Industrie sich in Richtung der QSCM-Perspektive oder der DDMRP bewegt. Sollte die QSCM-Perspektive sich mehrheitlich verbreiten, werden sich Teams im Supply-Chain-Management sowie andere Zweige entwickeln, in denen es um „Talente“ geht, z.B. im Finanzbereich mit vielzähligen Börsenhändlern, wo einige wenige Begabte die Leistung von großen Unternehmen vorantreiben. Verbreitet sich jedoch die DDMRP-Perspektive stärker, werden sich Teams im Supply-Chain-Management sowie andere Zweige entwickeln wie erfolgreiche Franchise-Unternehmen entwickeln, z.B. Starbucks Filialleiter, wo üppige und gut geschulte Teams vorkommen und einzelne herausragende Mitarbeiter keine wirkliche Einwirkung auf das System haben, sondern eine überlegene Kultur den Unterschied zwischen den Unternehmen ausmacht.

Ressourcen

• Demand Driven Material Requirements Planning (DDMRP), Version 3, von Ptak und Smith, 2019
• Orlicky’s Material Requirements Planning, 3. Auflage, von Carol A. Ptak und Chad J. Smith, 2011
  

Hinweise

(1) In der diskrete Mathematik bezeichnet ein Graph eine Reihe von Knoten (oder Ecken) und Kanten. Von einem Digraphen (auch orientierter oder gerichteter Graph, engl. directed graph) spricht man, wenn die Kanten gerichtet sind. Von einem gewichteten Graphen spricht man, wenn die Kanten gewichtet sind. Enthalten die gewichteten Kanten keinen Zyklus, spricht man von einem azyklischen oder zyklenfreien Graphen.

(2) Die Färbung besteht darin, jedem Knoten eines Graphen eine kategorische Eigenschaft zuzuordnen. Im Falle der DDMRP gibt es nur zwei Optionen: Entkopplungspunkt oder kein Entkopplungspunkt; d.h. nur zwei Farben.

(3) In der Informatik bezieht sich Teile-und-Herrsche (divide and conquer) auf einen Algorithmus, dessen Funktionsweise sich auf die rekursive Teilung eines Problems in zwei oder mehr zusammenhängende Unterprobleme stützt, bis diese einfach genug sind, um direkt gelöst zu werden. Dieser Ansatz wurde als erstes von John von Neumann 1945 aufgegriffen.

(4) Seit dem 24. Februar 2020 ist die Demand Driven Institute™ ein gewinnorientiertes Unternehmen, das sich selbst als Weltweite Autorität in der Bildung, Schulung, Zertifizierung und Compliance rund um die Bedarfsbezogenheit definiert. Ihr Unternehmensmodell dreht sich um den Vertrieb von Schulungseinheiten und Materialien zur DDMRP.

(5) Seit dem 24. Februar 2020 stellt die Website des Demand Driving Institute™ (demanddriveninstitute.com) folgende Zahlen als typische Verbesserung an: Nutzer erreichen stets eine Rate von rechtzeitig erfüllten Aufträgen von 97-100%, in verschiedenen Industriezweigen wurden Verkürzungen der Durchlaufzeiten von über 80% erreicht, gewöhnlich wird eine Bestandsreduzierung von 30-45% erreicht, während die Kundenbetreuung verbessert wird.

(6) Anbieter von MRP-Lösungen haben selbstverständlich mutige Behauptungen zur den Fähigkeiten ihrer Produkte in den Bereichen Planung, Prognose und Optimierung geäußert. Doch sowie sich auch der Guide Michelin nicht mit der Beurteilung abgibt, ob Cornflakesmarken trotz ihrer zauberhaft köstlichen Namen einen Stern verdienen könnten, sollte sich unsere Beurteilung an diejenigen richten, die Supply-Chain-Performance auf den letzten Stand der Technik liefern.