Жоаннес Верморель, февраль 2020 г.Планирование материальных потребностей по спросу (DDMRP) — это метод оптимизации цепей поставок для многоуровневого производства. Этот метод вращается вокруг таких понятий, как «точки рассогласования» и «страховые запасы», которые нужны для нейтрализации недостатков большинства систем MRP (планирования материальных потребностей), использующих старые методы расчетов. Этот метод позволяет рассчитать количество позиций для каждой
SKU (единицы складского учета) в многоуровневой ведомости материалом (BOM), которые нужно закупить или произвести.
Задача оптимизации потоков для многоуровневых ведомостей материалов
Ведомость материалов (BOM) представляет собой список узлов, компонентов и деталей с указанием их количества, которые необходимы для производства конечного продукта. Многоуровневая ведомость материалов — это рекурсивное иерархическое представление исходной ВОМ, где некоторые элементы также раскладываются по собственным ведомостям. С формальной точки зрения, многоуровневая ведомость материалов представляет собой
взвешенный ориентированный ациклический граф (1), в котором вершины — это SKU, ребра — включения (
х — это часть у), а весовые функции отражают количество элементов, необходимых для сборки изделия, будь то конечный или промежуточный продукт.
Планирование материальных потребностей по спросу решает задачу оптимизации потоков внутри многоуровневых ведомостей материалов, и оно заключается в определении для любого момента времени (a) необходимости закупки сырья в определенных объемах и (b) необходимости производства любой из SKU в определенном количестве.
Эта задача является сложной, потому что между качеством обслуживания для любой из промежуточных SKU (обычно измеряется посредством
вероятности обслуживания) и качеством обслуживания для конечного товара прямого соответствия нет. Увеличение запасов для определенной SKU повышает конечное качество обслуживания для нее только в том случае, если в потоке производства этой SKU есть какие-либо
узкие места.
На практике для решения таких задач по оптимизации потоков требуются дополнительные данные, обычно речь идет о следующем:
- История заказов от клиентов
- Время выполнения заказов поставщиками
- Уровень запасов — наличных, в пути или заказанных
- Время выполнения заказов и эффективность производителей
- другие данные.
Кроме того, в реальных цепях поставок встречаются дополнительные сложности, например размеры партии (любые коэффициенты, устанавливаемые поставщиком или производителем), срок годности (не только для продуктов питания, но и для химикатов и чувствительного оборудования), неидеальные альтернативные варианты (например, если более дешевой детали нет в наличии, может быть использован более дорогой компонент). Все эти сложности требуют того, чтобы выбранная модель отражала дополнительные данные.
Ограничения классических систем MRP
Планирование материальных потребностей по спросу появилось из-за ограничений, которые были характерны для
классических MRP-систем (далее — просто MRP), которые разрабатывались в 80-х годах. В основе MRP-систем лежал анализ
времени выполнения заказов, и при таком подходе считалось, что самый длинный (по времени) путь в графе ВОМ является проблемной зоной в процессе производства конечного продукта.
Для выявления этой проблемой зоны MRP предлагают два разных числовых метода назначения статического времени выполнения заказа для каждого из ребер графа BOM:
- время выполнения заказа на производство — максимально оптимистичный показатель, основанный на предположении, что запасы доступны всегда и везде (для каждой SKU), то есть, в таком случае время выполнения заказа зависит только от эффективности производственных процессов.
- общее время выполнения заказа — максимально пессимистичный показатель, основанный на предположении, что запасы всегда недоступны, а значит время выполнения заказа зависит только от времени производства первой единицы товара с нуля, то есть без сырья и промежуточных изделий.
У этих двух методов есть только одно общее преимущество — их сравнительного легко применять в реляционных базах данных, которые являлись архитектурным ядром практически всех MRP, разрабатываемых с 1980-х по 2010-е.
Тем не менее оба этих метода чрезмерно упрощают ситуацию и рассчитываемое с их помощью время выполнения заказа просто неактуально. Создатели DDMRP подчеркивают, что расчет заказов на закупки или производство по крайне ошибочным прогнозам времени выполнения заказов приводит к целому букету случаев затоваривания складов или дефицита товаров, в зависимости от того, завышено спрогнозированное значение или занижено.
Числовое решение для DDMRP
Числовое решение для DDMRP — это набор числовых эвристических правил, согласованных с человеческими суждениями (экспертов по цепям поставок). Это решение должно сгладить недостатки классических систем MRP, не прибегая к «сложным» числовым алгоритмам. Это решение состоит из четырех основных компонентов:
- рассогласование времени выполнения заказов
- уравнение чистого потока
- взрыв рассогласования
- относительный приоритет
Сочетая эти компоненты, сотрудники, занимающиеся цепями поставок, могут рассчитать объемы закупок и производства при наличии многоуровневых BOM. Создатели DDMRP считают, что данный метод обеспечивает высокую эффективность цепей поставок (которая измеряется по оборачиваемости запасов или вероятности обслуживания), по сравнению с MRP.
Рассогласование времени выполнения заказов
Для борьбы с чрезмерно наивными оптимистическими или пессимистическими оценками времени выполнения заказов системами MRP в DDMRP используется бинарная схема окрашивания (2), при которой некоторые вершины (SKU) графа (BOM) считаются
точками рассогласования. Предполагается, что эти вершины всегда содержат обслуживаемые запасы, и благодаря методам DDMRP это действительно будет так.
Выбор точек рассогласования возлагается на сотрудников, отвечающих за цепи поставок. Точки рассогласования должны быть
укомплектованы запасами, поэтому на их роль рекомендуется выбирать SKU, которые имеют стратегическое значение — например, потому что они требуются для множества конечных изделий и их потребление стабильнее, чем у других.
После выбора точек рассогласования можно рассчитать
время выполнения заказов DDMRP для любой из вершин как наиболее долгий по времени путь, который начинается с вершины и идет дальше вниз до следующей точки рассогласования.
Согласно авторам DDMRP, при тщательном выборе точек рассогласования эта методика обеспечивает
более короткое время выполнения заказов. Это утверждение не совсем верно, но не потому что реальное время выполнение заказов дольше, а потому что DDMRP вообще подразумевает новое понимание
времени выполнения заказа.
Уравнение чистого потока
Для расчета объема заказов на закупку или производство товаров авторы DDMRP предлагают использовать понятие
чистого потока, который высчитывается следующим образом:
Наличные запасы + Заказанные запасы – Квалификационный спрос для клиентского заказа = Позиция чистого потока
Это уравнение определяется на уровне SKU. Объем чистого потока — это объем доступных запасов, с помощью которых можно удовлетворить
неопределенную часть спроса.
Затем позиция чистого потока сравнивается с
размером буфера, и заказ размещается, когда это значение становится значительно ниже целевого буфера. Мы вернемся к этому механизму в разделе о
расстановке приоритетов в заказе.
Методика DDMRP предлагает высококлассную поддержку при выборе размера буфера, который обычно выражается в
днях спроса, и, как говорилось выше, при соблюдении времени выполнения заказов DDMRP поддерживается безопасный запас. На практике размер буфера зависит от здравомыслия сотрудников, отвечающих за цепи поставок.
С помощью чистых потоков создатели DDMRP подчеркивают, что статистический анализ требуется только для неопределенной части спроса. Работа с известным будущим спросом заключается лишь в строгом выполнении плана.
Взрыв рассогласования
Методика DDMRP полагается на предположение, что в любой точке рассогласования есть доступные запасы, и реализует его. Данное предположение позволяет разделить ребра графа, принимая точки рассогласования (то есть набор вершин) в качестве
границ между разделенными наборами. Такая схема разделения называется
взрывом рассогласования.
С точки зрения DDMRP, когда клиент размещает заказ на конечный продукт, итоговый спрос рассредоточивается не по всем внутренним компонентам, а только до первых точек рассогласования.
Схема разделения графа с помощью
взрыва рассогласования используется в методике DDMRP для реализации стратегии
разделяй и властвуй (3). В частности, размер подграфа может быть небольшим, так что планирование материальных потребностей по спросу можно производить с использованием систем с реляционными базами данных, почти как MRP, даже если такие системы не совсем пригодны для анализа графов.
Расстановка приоритетов в заказе
Финальный шаг числового решения DDMRP заключается в расчете непосредственно самих заказов, будь то закупки или производство. Методика DDMRP расставляет приоритеты по всем SKU, согласно разнице между их
чистым потоком и буфером — чем выше значение, тем выше приоритет. Затем путем особой обработки списка формируются заказы: выбираются все положительные значения, а зачастую еще и такие, которые соответствуют ограничениям по MOQ (если они есть).
Расстановка приоритетов в DDMRP
одномерна (с точки зрения классификации), и она внутренне соответствует собственной методике, то есть обеспечивает поддержание запасов во всех точках рассогласования. О том, как
используется это свойство точек образования, говорилось в предыдущих разделах. Расстановка приоритетов в заказе показывает, как это свойство
реализуется.
Расстановка приоритетов в заказе, по задумке создателей DDMRP, является более точной, чем решения, характерные для обычных MRP, например
ABC-анализ. Эта функция представляет собой механизм, который направляет внимание специалистов по цепям поставок на SKU, которым это внимание требуется больше всего — по крайней мере, в соответствии с критерием срочности DDMRP.
Критика DDMRP
Создатели DDMRP продвигают (4) преимущества (5) данной методики как передовую практику для повышения эффективности цепей поставок. У DDMRP есть несколько «приятных сюрпризов», которые мы опишем ниже, однако данная методика неоднократно подвергалась критике, во-первых, за неверную базу для оценки новизны и эффективности и, во-вторых, за формализм, который не отражает сложность реальной ситуации.
Скрытые сокровища
Хоть это и может показаться странным, но авторы DDMRP, возможно, не до конца осознали
плюсы своей методики — по крайней мере, такое впечатление остается после их публикаций 2019 года. Этот очевидный на первый взгляд парадокс, вероятно, является незапланированным следствием
ограниченного формализма DDMRP — подробнее см. ниже.
В цепях поставок на производстве
частотные скользящие средние показатели обычно дают лучшие результаты, чем
временные скользящие средние показатели. Было бы неверно утверждать, что DDMRP работает
без прогнозов спроса.
Буферы — это прогнозы, но они скорее
частотные (в днях спроса), а не временные (в спросе за день). Как правило, частотные прогнозы надежнее, если спрос неравномерный или нестабильный. Это открытие сделал Дж. Д. Кростон, который опубликовал статью «Прогнозирование и управление запасами при неравномерном спросе» в 1972 г. Тем не менее методы Кростона не очень ясны, и именно методика DDMRP популяризовала данный подход среди специалистов по цепям поставок.
Примерная расстановка приоритетов — это надежный механизм принятия решений для цепей поставок, который предотвращает целые классы проблем, в частности, системные ошибки. В отличие от подходов, ориентированных на SKU, таких как
резервные запасы, которые легко могут выдавать искаженные значения из-за ошибок в локальных цепях поставок (например, случаев дефицита товара), даже слабая расстановка приоритетов по всей цепи поставок приводит к направлению ресурсов в
очевидные проблемные зоны. Хотя создатели DDMRP понимают, что расстановка приоритетов является полезным механизмом привлечения внимания, они не приходят к логическому заключению: расстановка приоритетов должна руководствоваться экономикой, то есть оценки должны быть в долларах, а не в процентах.
Неверная база
Основной причиной критики DDMRP стал неправильный выбор базы. MRP, которые создавались и продавались на протяжении четырех десятилетий с начала 1980-х и до конца 2010-х, не предназначались (6) для
планирования,
прогнозирования или
оптимизации чего бы то ни было. Само название, MRP — планирование материальных потребностей — подобрано неудачно. Куда больше таким системам подходит MRM — управление материальными потребностями. Эти программные продукты создавались на базе реляционных баз данных (то есть базы данных SQL) и предназначались в основном для отслеживания активов компании и выполнения всех административных задач, связанных с рутинными операциями типа уменьшения уровня запаса после изъятия из него единицы товара.
Реляционное ядро не поддерживает интенсивную математическую обработку, которая требуется для большинства графовых алгоритмов, так что неудивительно, что решения, предлагаемые такими системами, оказываются упрощенными и непригодными к использованию — что хорошо видно по двум проблемам с прогнозированием времени выполнения заказов, о которых мы говорили ранее. Тем не менее в информатике есть множество литературы по предиктивной числовой оптимизации цепей поставок. Эта литература появилась в 50-х годах под названием
Исследования операций. С тех пор цель оставалась прежней, но название менялось: говорили и о
количественных методах в управлении цепями поставок и просто об
оптимизации цепей поставок.
Заявления о новизне и эффективности DDMRP основываются на ложном предположении, что MRP являются надежной базой для оптимизации цепей поставок, то есть оптимизация MRP — это улучшение оптимизации цепей поставок. Однако MRP, как и все программные решения на основе реляционных баз данных, просто не подходят для задач числовой оптимизации.
Производители, столкнувшиеся с ограничениями своих систем MRP, не должны пытаться улучшить сами системы, потому что числовая оптимизация не согласуется с базой MRP. Напротив, им следует воспользоваться всеми программными инструментами и технологиями, которые были разработаны специально для числовой оптимизации.
Ограниченный формализм
Методика DDMRP — это гремучая смесь простых формул и здравомыслия. Несмотря на то, что планирование материальных потребностей по спросу работает только в пределах определенной математической основы — взвешенного ориентированного ациклического графа — и что его механизмы хорошо известны (раскраска графа, разбиение графа и т. д.), соответствующих терминов в материалах по DDMRP нет. Можно сказать, что теория графов слишком сложна для среднестатистического специалиста по цепям поставок, но недостаток формализма заставляет авторов давать большие описания поведения чисел, которые могли бы быть точнее и короче.
Хуже того, недостаток формализма отделяет DDMRP от обширного корпуса литературы по информатике, в которой много говорится о том, что можно сделать с известными алгоритмами из различных сфер, которые уже хорошо изучены за пределами управления цепями поставок. Сюда относятся и теория графов, и стохастическая оптимизация, и статистическое обучение. Как следствие, в DDMRP часто применяются упрощенные точки зрения — об этом мы еще поговорим ниже — что просто неоправданно, если учесть доступность алгоритмов и возможности современной вычислительной техники.
Далее, ограниченный формализм DDMRP приводит к ложным заявлениям вроде обещания
снизить время выполнения заказов. Чисто технически время выполнение заказов, рассчитанное при DDMRP, действительно короче, чем при использовании альтернативных методов, потому что здесь пути выполнения заказов
обрываются на точках рассогласования. Однако утверждать, что
DDMRP позволяет сократить время выполнения заказов, неверно с методологической точки зрения. Правильнее было бы сказать, что
при DDMRP время выполнения заказов измеряется иначе. Для надлежащей количественной оценки преимуществ DDMRP с точки зрения времени выполнения заказов требуется формальное определение
инертности в масштабе всей системы для оценки скорости работы цепи поставок в условиях изменяющегося рынка, если эти цепи работают в соответствии с формальной политикой.
Кроме того, при DDMRP огромное значение имеют суждения специалистов — иначе говоря, ключевые решения, такие как выбор точек рассогласования, делегируются людям. Как следствие, сравнивать методику DDMRP с аналогичной, но надлежащим образом формализованной системой непрактично, а то и невозможно — для этого может потребоваться слишком большое количество персонала, если цепь поставок достаточно велика (начиная с нескольких тысяч SKU).
Наконец, доверять численную оптимизацию человеку, принимая во внимание стоимость современных вычислительных ресурсов, просто нерационально. Подстройка метапараметров может быть допустима, но никак не точечное редактирование всех вершин графа. В частности, опыт наблюдения за современными цепями поставок показывает, что потребность в человеческом вмешательстве является одним из важнейших факторов инертности в масштабе всей системы. Ручная настройка еще одного параметра — точек рассогласования — не является преимуществом с этой точки зрения.
Неточное отражение сложности реальной ситуации
Моделирование цепей поставок позволяет лишь приблизительно отразить реальную работу систем. Таким образом, любая модель — это компромисс между точностью, актуальностью и возможностями реализации. Как бы то ни было, методика DDMRP
чрезмерно упрощает некоторые факторы, которые не стоит сбрасывать со счетов, зная возможности современной вычислительной техники.
Цепи поставок должны служить экономическим интересам компании. Проще говоря, коммерческая деятельность компании направлена на максимальное получение
прибыли в долларах; однако при DDMRP оптимизируется процент ошибочности показателей при достаточно произвольных целях — буферах. Расстановка приоритетов при DDMRP направлена внутрь — на приведение системы цепей поставок в такое состояние, которое будет согласовано с базой модели DDMRP. Иначе говоря, такая расстановка стремится к тому, чтобы в точках рассогласования были доступные запасы. Нет никаких гарантий, что такое состояние соответствует финансовым интересам компании. Напротив, оно может очень сильно расходиться с ними. Например, выбор бренда, под которым выпускается много товаров с низкой рентабельностью, в качестве альтернативы другому бренду, который поддерживает высокую вероятность обслуживания по данной SKU, может быть невыгодно, если конкурирующих SKU (близких аналогов) уже много в запасе.
Далее, схема расстановки приоритетов при DDMRP, по сути,
одномерна: она ориентируется на собственные цели (буферы). В реальных цепях поставок, напротив, задачи, требующие решений, почти всегда многомерны. Например, после производства партии в 1000 единиц товара производитель обычно помещает эти 1000 единиц в контейнер для доставки морем; однако если далее в цепях поставок есть риск дефицита товара, то может оказаться выгоднее отправить 100 единиц (из 1000) самолетом, чтобы снизить негативные последствия дефицита. В данном случае выбор вида транспорта является дополнительным измерением задачи по расстановке приоритетов в цепях поставок. Для решения необходимо, чтобы в методику расстановки приоритетов можно было включить экономические факторы, связанные с различными вариантами, доступными для компании.
Другие измерения, которые могут быть частью процесса расстановки приоритетов:
- корректировка расценок для повышения или снижения спроса (возможно, через вторичные каналы продаж)
- производство или закупки, когда на рынке есть аналоги (обычно по высокой цене)
- сроки хранения (требуются глубокие знания о составе запасов)
- риск возвратов (когда дистрибьюторы могут возвращать нераспроданные товары).
Таким образом, методика DDMRP верна, потому что в ней расстановка приоритетов считается эффективнее, чем бинарные подходы в духе «пан или пропал», которые применяются в MRP, однако схема расстановки приоритетов в DDMRP несовершенна сама по себе.
Точка зрения Lokad
Девиз DDMRP —
работать на людей, а не на идеал. Команда Lokad разделяет ставшее классикой убеждение IBM:
машины должны работать, а люди должны думать. Мы реализуем данный подход посредством
количественной оптимизации и управления цепями поставок (QSCM).
QSCM начинается с гипотезы, что все рутинные решения в цепях поставок должны быть автоматизированы. Такая точка зрения подразумевает, что компетентных специалистов по цепям поставок слишком мало и их время стоит слишком дорого, чтобы тратить его на разработку рутинных решений по запасам, закупкам или расценкам. Все подобные решения можно и нужно автоматизировать, чтобы специалисты могли сконцентрироваться на оптимизации самого численного решения. С финансовой точки зрения, QSCM переводит зарплату специалистов из разряда оперативных расходов, где человеко-дни
потребляются на поддержание работоспособности системы, в разряд капитальных расходов, где человеко-дни
инвестируются в постоянное улучшение системы.
Методика DDMRP начинается с гипотезы, что компетентных специалистов по цепям поставок можно обучать
массово, что снижает расходы работодателя и «фактор автобуса» из-за увольнения отдельных сотрудников. При DDMRP разрабатывается процесс принятия рутинных решений для цепей поставок, но полная автоматизация редко является его целью, хотя данная методика допускает автоматизацию, когда это возможно.
Вопрос о том, движется ли данная сфера к точке зрения QSCM или DDMRP, остается открытым. Если широко принята будет точка зрения QSCM, то сотрудники, контролирующие цепи поставок, станут «звездами», как в некоторых других сферах: например, в финансовой сфере отдельные исключительно талантливые трейдеры обеспечивают успех крупных компаний. С другой стороны, если распространение получит методика DDMRP, то управление цепями поставок станет похожим на успешные франшизы — типа Starbucks — где команд много, и они хорошо обучены. Отдельные талантливые сотрудники будут мало влиять на систему, и различия между компаниями можно будет объяснить разницей корпоративных культур.
Источники
- Планирование материальных потребностей по спросу (DDMRP), Версия 3, Птак и Смит, 2019
- Планирование материальных потребностей Орлицкого, 3-е издание, Кэрол А. Птак и Чед Дж. Смит, 2011
Примечания
(1) В дискретной математике под
графом понимают набор вершин (узлов или точек) и ребер (связей, линий). Граф считается
ориентированным, если у ребер есть ориентация. Граф считается
взвешенным, если ребрам присваивается число (вес). Граф считается
ациклическим, если в ребрах и их ориентации не наблюдается циклов.
(2) Схема раскраски заключается в присвоении категорических свойств каждой вершине графа. В методике DDMRP есть всего два варианта:
точка рассогласования или
не точка рассогласования, то есть цветов тоже только два.
(3) «Разделяй и властвуй» в информатике — это алгоритм, который работает за счет рекурсивного разобщения задачи на две или более связанных подзадач до тех пор, пока задачи не станут достаточно простыми, чтобы их можно было легко решить. Этот подход был впервые предложен Джоном фон Нойманом в 1945.
(4) На 24 февраля 2020 г. Demand Driven Institute™ является коммерческой организацией, которая называет себя (цитата):
Всемирным авторитетом по делам образования, обучения, сертификации соответствия требованиям в вопросах спроса. Коммерческие модели этой организации связаны с продажей обучающих курсов и материалов по DDMRP.
(5) На 24 февраля 2020 г. главная страница Demand Driving Institute™ (demanddriveninstitute.com) дает следующие показатели в качестве
типичных примеров улучшений: своевременность пополнения у пользователей стабильно достигает 97-100%, в некоторых отраслях время выполнения заказов сокращается более чем на 80%, запасы сокращаются на 30-45%, при этом повышается уровень обслуживания клиентов.
(6) Поставщики систем MRP, безусловно, делают громкие заявления о возможностях своего продукта в отношении планирования, прогнозирования и оптимизации. Тем не менее наши оценки должны быть направлены на тех, кто разрабатывает инновационные системы управления цепями поставок — ведь составители
рейтинга «Мишлен» не дают звезды производителям кукурузных хлопьев, несмотря на заверения последних в
«волшебном вкусе» их продукта.
