Ciągłe doskonalenie, sztuczna inteligencja i DDMRP

Zachód vs Wschód

Dziesięciolecia inicjatyw Lean i ciągłego doskonalenia głęboko zmieniły sposób działania wielu firm.

Odeszliśmy od tradycyjnej organizacji z hierarchiczną strukturą liderów, którzy podejmują decyzje i wykonawców, którzy są im posłuszni. Zmigrowaliśmy do sieci składających się z mężczyzn i kobiet, którzy każdego dnia wnoszą do biznesu swoją wiedzę, aby poprawić wyniki.

Pod koniec lat dziewięćdziesiątych uczestniczyłem w prezentacji japońskiego lidera, który porównał dominujące wówczas podejścia w krajach zachodnich z tymi, które były stosowane w Japonii. Zwrócił uwagę, że na Zachodzie rozwijaliśmy się głównie przez kolejne przełomy: duże inwestycje, nowe technologie, które za każdym razem przenosiły nas na nowy poziom, ale na tym poziomie mieliśmy tendencję do stagnacji, przygotowując się do kolejnej przełomowej innowacji. Zainwestowalibyśmy w nowy sprzęt, ale pozwolilibyśmy mu się psuć, brudzić i rdzewieć. I odwrotnie, powiedział z nutą arogancji, my Japończycy, kiedy osiągamy jakiś poziom, to nigdy nie przestajemy próbować ulepszać, co gwarantuje, że pozostaniemy przed tobą, a krok do przeskoczenia na następny poziom będzie przy takim podejściu mniejszy.

W krajach zachodnich dostrzegamy teraz siłę tego podejścia i szeroko je przyjęliśmy jako swoje. Razem jesteśmy mądrzejsi. Doceniamy również siłę szkoleń i wsparcia menedżerskiego, które pomagają wszystkim naszym zespołom rozwijać się. Ten rozwój następuje z jednej strony poprzez znajomość metod i narzędzi – rozwiązywania problemów, statystyki, 5S, DDMRP itp. – a z drugiej strony poprzez udostępnianie jasnych wizji odnośnie wspólnych wartości i kierunku, w jakim zmierza firma.

DDMRP jest zbyt proste …

Myślałem o tym niedawno, gdy usłyszałem sprzeciw firmy wobec metody DDMRP: wymiarowanie buforów, a w szczególności czerwonej strefy, wydaje się zbyt proste, wręcz prostackie. Ta firma woli eksplorować bardziej wyrafinowane techniki: podejścia probabilistyczne, sztuczną inteligencję. Wydaje im się to bardziej uspokajające, bardziej naukowe.

Ponadto firma ta zarządza dziesiątkami tysięcy referencji, więc do produktywnego radzenia sobie z tą złożonością wymagana jest automatyzacja. To jest akurat uzasadnione.

Ci, którzy mnie znają, wiedzą, że jestem trochę maniakiem. Interesuję się sieciami neuronowymi od lat dziewięćdziesiątych. Próbowałem nauczyć się podstaw data science i lubię popularyzować te podejścia za pomocą narzędzi takich jak Power BI, aby zestawy danych mogły przemówić. Każdy proces ciągłego doskonalenia zaczyna się od obserwacji i pomiarów, a my jesteśmy do tego coraz lepiej wyposażeni.

Jestem przekonany, że sztuczna inteligencja może pomóc usprawnić model zarządzania łańcuchem dostaw. Nasza praca w Demand Driven Technologies to potwierdza, ale nie sądzimy, że będzie to alfa i omega w łańcuchu dostaw! Chociaż sztuczna inteligencja udowodni wydajność łańcucha dostaw, nadal będzie odgrywać kluczową rolę dla inteligencji i zaangażowania ludzi.

Automatyzja ma granice

Na przykład, branża przemysłowa doświadczyła już zjawisk „czarnych skrzynek”, z którymi często stykają się planiści. Efekt jest taki, że te czarne skrzynki prowadzą planistów do stworzenia niezależnej, tym razem zrozumiałej logiki poza systemem, w programie Excel. Sztuczna inteligencja niesie to samo ryzyko. Nie przeszliśmy całej drogi, aby zastąpić „szefa, który wie” podobną w działaniu „sztuczną inteligencją, która wie”.

Nie zapominajmy, że dane, którymi manipulujemy, mają nie tylko charakter naukowy. Przykładowo, realizacja terminowości dostaw dostawcy może zależeć od elementów niematerialnych: jakości i długości horyzontu widoczności, jaką mu zapewniamy, uwagi, jaką mu poświęcamy, jakości relacji między rozmówcami z obu stron. Jeśli zastosujesz algorytm uczenia maszynowego do historii dostaw swojego dostawcy, aby ocenić zmienność lub zapotrzebowanie klienta, czy opowie on całą historię i czy da ci rzeczywiste dźwignie do poprawy?

Nie mam wątpliwości, że sztuczna inteligencja może pomóc w podejmowaniu decyzji, głównie pomagając planistom w identyfikowaniu wyjątków do analizy i dając wskazówki dotyczące ustawień w modelu operacyjnym.

Dźwignia postępu

Jednak prawdziwym motorem postępu jest widoczność, która wpływa na zespołowe pętle doskonalenia (PDCA). Nie bój się, jeśli początkowe ustawienie buforów jest „prawie właściwe”. To jest dokładnie ta logika, która przyniosła znaczny postęp dzięki metodzie Kanban: zaczynasz pragmatycznie, a potem się doskonalisz.

W naszych rozwiązaniach używamy „Smart Buffer Profiler”. Kreator analizuje historie i proponuje profile buforów dla wszystkich produktów wartych magazynowania (utrzymania zapasów). Doświadczenie pokazuje, że proces ten jest bardzo wydajny, nawet w przypadku zbiorów danych zawierających dziesiątki tysięcy pozycji i pozwala na ustalenie odpowiedniej wielkości zapasów. Może nie idealnej wielkości zapasu, ale odpowiedniej (ang relevant), a to nie to samo!

Ale to dopiero początek! Oprogramowanie nie jest tak „inteligentne”, tak naprawdę nie zna twoich dostawców, środków produkcji, żywotności twoich produktów, uprzedzeń behawioralnych graczy w twoim łańcuchu dostaw. Oprogramowanie ciągle nie wie, jak kwestionować ograniczenia wielkości partii lub czasu realizacji itp. Musisz polegać na swoich zespołach, które posiadają tą wiedzę i dlatego są nadal niezbędni.

O wiele więcej niż algorytmy określania wielkości zapasów lub prognozowania, potrzebujesz widoczności, łatwości czytania i analizy, współpracy i wspólnej wizji tego, co jest ważne dla twoich zespołów. Wszystko po to, aby napędzać ciągłe doskonalenie. Ciągłe doskonalenie to twój najlepszy sprzymierzeniec w coraz bardziej wydajnym i elastycznym łańcuchu dostaw.