Zapomnij o wskaźniku dokładności prognozy!

W niniejszym dokumencie opisano, w jaki sposób firmy produkcyjne i dystrybucyjne mogą dokonać transformacji wyników, które osiągają ich łańcuchy dostaw – poziomy obsługi klienta, rotacja zapasów, OEE i koszty operacyjne.

Cała ta transformacja możliwa jest bez konieczności skupiania się na osiągnięciu wysokiego poziomu dokładności prognozowania na poziomie pojedynczego indeksu SKU w krótkim okresie.

Czy powinniśmy prognozować?

Oczywiście, że tak, ale powinniśmy bardzo uważać, jak i do czego używamy prognoz!

Większość firm produkcyjnych poczyniła znaczne inwestycje w planowanie popytu lub prognozowanie. Zwykle ma to postać specjalistycznego oprogramowania i dedykowanych osób zajmujących się generowaniem dokładnych krótkoterminowych prognoz na poziomie konkretnych wyrobów – w miesięcznych lub tygodniowych koszykach – w celu uzupełnienia zapasów za pośrednictwem systemów klasy DRP / MRP / APS.

W wielu przypadkach zespół planowania popytu jest postrzegany jako „specjaliści” i różni się od zespołu planowania zaopatrzenia, który „jedynie| wykorzystuje prognozy do generowania planów dostaw do późniejszej realizacji przez działy operacyjne.

Kluczową miarą wydajności dla planowania popytu jest oczywiście „dokładność prognozy”, którą zwykle mierzy się przy użyciu pewnej formy zagregowanego bezwzględnego błędu prognoz dla miksu produktowego. Ten błąd odnoszony jest jako procent całkowitej prognozy (lub całkowitego popytu) w portfelu produktów dla danego przedziału czasu (miesięcznie lub co tydzień) z odpowiednim przesunięciem o termin realizacji (leadtime).

Zmierzona w ten spójny sposób dokładność prognoz dla miksu produktów wynosząca 80% jest ogólnie uważana za dobrą wartość wskaźnika – wskaźnik na poziomie światowym.

Przesłanki do ustawiania wielkości zapasów przy użyciu takiego wskaźnika dokładności prognozy są oczywiste. W środowisku MRP napędzanym prognozami to właśnie prognoza popytu poszczególnego indeksu uruchamia aktywności związane z zaopatrzeniem i dostępnością, a konkretnie to główny harmonogram produkcji (MPS) uruchamia odbudowę dostępności produktów, a przez nettowanie prognoz również uzupełnienie materiałów składowych i komponentów zakupowych. Wszystko po to, aby zapewnić właściwe wielkości zapasów we właściwych lokalizacjach blisko klienta, dzięki czemu dostawca uzyska wysoką terminowość dostaw (OTIF), a klient oczekiwany poziomu obsługi, i to niezależnie, czy produkt jest sprzedawany z zapasu, czy montowany na zamówienie.

Rzeczywistość

Oczywiście nie oczekuje się 100% dokładności prognozy, ponieważ jest to niemożliwe, a poza tym zapasy bezpieczeństwa są właśnie po to utrzymywane, żeby zabezpieczyć przed błędem prognozy.

Ale, jak wszyscy planiści popytu wiedzą doskonale, pierwsze pytania, jakie należy zadać, gdy pojawią się problemy z poziomem obsługi klienta dotyczą prognozy i, oczywiście, w niektórych przypadkach ekstremalna wielkość popytu może zostać zidentyfikowana jako przyczyna wyczerpania zapasów.

Jak dotąd wszystko wydaje się działać dobrze – proces wydaje się całkowicie rozsądny:

• można osiągnąć rozsądną dokładność prognozy,
• zapasy bezpieczeństwa można wykorzystać do zrekompensowania błędu prognozy,
• o ile istnieje skuteczny proces zarządzania zdarzeniami specjalnymi, a operacje wykonują mniej więcej to, co jest od nich wymagane, oczekiwany poziom obsługi klienta zostanie osiągnięty,
• a rotacja zapasów będzie bliska celom z uwzględnieniem zapasu bezpieczeństwa oraz średnich wielkości zamówień

Zgadza się?

Nie, bardzo się nie zgadza!!

Dlaczego korzystanie z prognoz w celu uzupełnienia zapasów nie działa

Istnieją dwa kluczowe powody, dla których nie można osiągnąć dobrej wydajności łańcucha dostaw za pomocą procesu „wypychania pod prognozy”, a główną przyczyną obu tych czynników jest „zmienność”.

1. Błąd prognozy

„Światowej klasy” 80-procentowy poziom dokładności miksu prognoz portfela produktów faktycznie kryje w sobie ogromną niedokładność. Osiągnięte 80% bierze się głównie z wyniku związanego z relatywnie niewielką ilością produktów wysoko wolumenowych charakteryzujących się niską zmiennością popytu, które same potrafią dostarczyć dokładność prognoz wynoszącą powyżej 90%.

Pareto w prognozowaniu?

Zgodnie z zasadą Pareto większość SKU w większości portfeli produktowych ma średnie / niskie wolumeny sprzedaży oraz średnią / wysoką zmienność popytu, dla których dokładność prognoz wynosząca 60% i mniej jest najlepsza, jaką można osiągnąć. Uzupełnianie zapasów za pomocą takich niedokładnych prognoz nieuchronnie prowadzi do niezrównoważonych zapasów i zagrożeń dla poziomu obsługi klienta. Większość firm spędza zdecydowanie za mało czasu na dokładnym zarządzaniu zapasami bezpieczeństwa i bardzo rzadko korzysta z poprawnie obliczonego i utrzymywanego algorytmu „błąd prognozy z przesunięciem”. I nawet jeśli tak postępują to cała logika stojąca za DRP / MRP / APS generuje komunikaty wyjątków ilekroć przewidywane jest wykorzystanie zapasów bezpieczeństwa (przy tych niedokładnych prognozach).

Planistyczny ping-pong

W przypadku odpowiedzi na komunikaty o wyjątkach błąd prognozy jest po prostu „odbijany” w górę łańcucha dostaw w postaci zmienności: korekty harmonogramu dostaw, które wykorzystują nieplanowane moce produkcyjne i zakłócają przepływ, tworząc kolejki materiałowe (1). Oczywiście komunikaty wyjątków można zignorować, ale pytanie, które z tych komunikatów nadają się do zignorowania, bo lawina różnych komunikatów wyjątków to codzienna rzeczywistość każdego planisty? I czy to zachowanie jest właściwe w kontekście bezpieczeństwa pracy planisty, aby w ogóle ignorować komunikaty systemowe?

Dlatego większość planistów będzie przyspieszać te konkretne harmonogramy i zakłócać inne, aby uniknąć przewidywanych braków zapasów oraz zamówień klientów nieobsłużonych w terminie. Wiele firm stara się zminimalizować częste zmiany harmonogramu, chroniąc swoje fabryki za pomocą blokowania zmian w ustalonych horyzontach czasowych. Takie ograniczenia dodatkowo przyczyniają się do niezrównoważonych zapasów, przesuwają zmienność dalej do dostawców po przekroczeniu horyzontu dozwolonych zmian w harmonogramach produkcji i dostaw.

2. Usztywnione czasy realizacji i zapotrzebowanie zależne

Podstawowym założeniem MRP jest to, że czasy realizacji (Lead Times) są znane, ustalone i takie same, ale niestety to jest zupełnie błędne założenie. Czas realizacji zmienia się bezpośrednio w zależności od poziomów zmienności i rośnie wykładniczo, gdy wykorzystanie mocy produkcyjnej jest wysokie. Istnieje równanie matematyczne, które kwantyfikuje te relacje iw najprostszej formie mówi nam, że:

Średni czas oczekiwania w kolejce = Stopień zmienności x Stopień Wykorzystania / (1-Stopień Wykorzystania) x Średni czas przetwarzania (2)

lub prościej do zapamiętania

Q = VUT

A ponieważ MRP wykorzystuje ściśle powiązaną zależną sieć popytu, każde wydłużenie czasu realizacji rozchodzi się w całym łańcuchu dostaw, ponieważ w takim środowisku opóźnienia się kumulują i potrzebna jest dodatkowa moc produkcyjna do nadgonienia opóźnień.

Zmienność

Jak widzieliśmy, niedokładne prognozy uwzględnione za pośrednictwem MPS / MRP, skutkują tasowaniem harmonogramu w pogoni za utrzymaniem poziomu obsługi klienta. Prowadzą również do nieplanowanych przezbrojeń, które zmniejszają wydajność, zużywają cenne moce produkcyjne i nieuchronnie wpływają na planowane harmonogramy innych produktów i wydłużają ich czasy realizacji.

Szczególnie, jeśli planowane wykorzystanie mocy produkcyjnych jest wysokie i nawet jeśli prognozy byłyby w 100% dokładne, to naturalna zmienność procesu spowoduje ten sam efekt. Nieuniknionym rezultatem są nadmierne (i niestabilne) terminy realizacji oraz, zgodnie z prawem Little’a, nadmierne poziomy (niezrównoważonych) zapasów, późniejsze wykorzystanie nieplanowanej mocy produkcyjnej związanej z „nadrabianiem zaległości” (zwykle jako nadgodziny) i nader często utrzymujące się problemy z uzyskaniem zamierzonego poziomu obsługi klienta.

Łańcuch Dostaw – Przepływ 1:1

Wszystko to można zrozumieć w kontekście tego, czym tak naprawdę są łańcuchy dostaw – przepływami materiałów poprzez procesy dodające wartość dodaną. Łańcuchy i przepływy, które mają skłonność do przekształcania się w zatory i kolejki, ilekroć do głosu dochodzi zmienność, szczególnie przy wysokim wykorzystaniu mocy produkcyjnych (1). Większość tej zmienności jest spowodowana interwencjami w harmonogramy, a ich konsekwencją jest utrata zdolności produkcyjnej i kolejki zapasów, które wydłużają czasy realizacji, co powoduje, że łańcuch dostaw jest rozdęty i wyjątkowo nieefektywny.

Taki łańcuch dostaw bazuje na znacznie większych mocach produkcyjnych niż potrzebne z nadmiernie długimi czasami realizacji i niepotrzebnie wysokimi poziomami zapasów – tj. z trzema rodzajami buforów zmienności, które w tym przypadku oznaczają wyłącznie niepotrzebne koszty (2).

Reczywistość – Przepływ 27:1

Niestety często obserwowana reakcja w systemach klasy ERP / MRP, polegająca na inflacji czasów realizacji, czyli na ich wydłużeniu, tylko pogarsza sytuację – nie tylko poprzez spowodowanie zwolnienia większej ilości pracy na hali produkcyjnej, ale również przez dalsze zwiększenie zapotrzebowania na moce produkcyjne i zaostrzenie problemów.

W rzeczywistości łańcuchy dostaw zawsze wykazują te trzy bufory ze względu na naturalną zmienność procesu, ale gdy napędzane prognozą, bufor zagregowany jest zawsze znacznie większy ze względu na zmienność tasowania harmonogramu spowodowaną przez błąd prognozy i jego wzmocnienie przez ściśle zależny charakter sieci popytu.

Zarówno w przypadku producentów jak i dystrybutorów rezultatem jest wiele działań przyspieszających, które u tych pierwszych destabilizują fabrykę, podczas gdy w przypadku tych drugich to dostawcy doświadczają największego wpływu i często zabezpieczają się przez celowo wydłużane czasy realizacji zamówień.

Obie strony cierpią również z powodu niezrównoważonych i nadmiernych zapasów, co prowadzi do kosztownych wysyłek w nagłych wypadkach i / lub transferów międzymagazynowych w sieci dystrybucji.

Co można z tym zrobić?

Łańcuchy dostaw zawsze będą w pewnym stopniu podlegać zmienności (1) , ale można ten wpływ zminimalizować. Jedny ze sposoow minimalizacji tego wpływu jest implementacja metod Lean.

„(Metody Lean dotyczą) minimalizowania kosztów zmienności buforowania” (3)

Działania takie jak TPM, TQM, 5S, Poka-yoke, praca standardowa, SMED i redukcja wielkości partii przyczyniają się do niezawodności i elastyczności.

DDMRP jako wielopoziomowy Pull

Innym dobrze znanym narzędziem Lean jest system ciągniony Pull, a metoda DDMRP (Demand Driven MRP) to po prostu wersja Pull dla wielu przedsiębiorstw i ogniw sieci dystrybucyjnych, która umożliwia taką sytuację, gdzie cały „end to end” łańcuch dostaw, od dostawców dostawców po klientów klientów, płynie zgodnie z rzeczywistym popytem.

Istotą DDMRP jest celowe pozycjonowanie planowanych, często wielokrotnych, niezależnych i rozdzielonych lokalizacji zapasów, w górę i w dół łańcucha dostaw (ale zdecydowanie nie wszędzie – 4), które są uzupełniane, w wydajnej i stabilnej kolejności, do starannie obliczonych i odświeżanych docelowych stanów zapasów, a wszystko zgodnie z prawdziwym, potwierdzonym popytem.

W rezultacie łańcuch dostaw jest w stanie autonomicznie reagować na popyt, podczas gdy ulokowane zapasy celowo rozłączają działania związane z „wartością dodaną”, zapobiegając w ten sposób propagowaniu i wzmacnianiu działania zmienności w sieci łańcucha dostaw.

A w związku z tym, że uzupełnianie zapasów jest napędzane prawdziwym popytem, ​​a nie prognozą, to takie odbudowywanie zapasów jest zawsze poprawne, a zakłócenia w harmonogramach, które w przeciwnym razie byłyby źródłem zmienności, zostają wyeliminowane.

Prognozowanie potrzebne gdzie indziej

W łańcuchu dostaw napędzanym popytem prognozowanie jest nadal ważne dla procesów strategicznego i taktycznego planowania S&OP, zarządzania zdarzeniami wyjątkowymi / ekstremalnymi oraz określania wielkości zapasów (np. jeśli istnieje trend lub sezonowość, cele muszą zostać dostosowane, aby odpowiednio odzwierciedlić wpływ wzorców popytu).

Jednakże wysokie poziomy krótkoterminowej dokładności prognozy na poziomie pojedynczego produktu i powiązane z nimi uzupełnianie zapasów przez kombinację MPS/MRP nie są już do niczego potrzebne – i ten konkretny KPI można po prostu pominąć.

Ze względu na znacznie niższy poziom zmienności w łańcuchu dostaw napędzanym popytem, ​​w porównaniu do tego, w którym zastosowano sekwencję DRP / MRP / APS z funkcją „wypychania pod prognozy”, jego wdrożenie konsekwentnie zapewnia znaczną poprawę wydajności dzięki minimalizacji buforów zmienności generujących koszty (5). Spodziewane rezultaty takiego poprawione łańcucha dostaw obejmują:

• Osiąganie planowanych poziomów obsługi klientów
• Bilansowanie i redukcja zapasów od 30% do 50%
• Wyższe wykorzystanie mocy produkcyjnych / wskaźniki OEE prowadzące do redukcji kosztów o około 20%
• Redukcja czasu realizacji produkcji nawet o 50%
• Wszystko to bez potrzeby osiągania wysokiej dokładności prognozowania na poziomie SKU lub przyspieszania i zwalczania pożarów.

Korzyści te powstają niezależnie od tego, czy łańcuch dostaw obejmuje tylko jedną pozycję zapasów (np. w środowisku ATO lub w jednostopniowej dystrybucji), czy wiele takich pozycji i lokalizacji zapasów, na przykład w złożonej globalnej sieci dostaw.

MRP Napędzany Popytem (DDMRP) może być teraz niedrogo symulowany, testowany, pilotowo wdrażany za pomocą solidnego, funkcjonalnego i globalnie przetestowanego oprogramowania, które działa ze starszymi systemami operacyjnymi (6).

Aby dowiedzieć się więcej, odwiedź Demand Driven Institute.

Bibliografia

1. Aby lepiej zrozumieć, czym jest zmienność łańcucha dostaw i jak generuje on kolejki zapasów, zobacz Co, dlaczego i jak w temacie FLOWoraz ten dwuminutowy krótki film Jak działa DDMRP?
2. Równanie Kingmana, patrz Hopp & Spearman „Factory Physics” 1999
3. Hopp & Spearman, „To pul or not to pull” M & SOM Vol. 6, nr 2, 2004, s. 133–148
4. ETO, MTO i ATO są technikami skutecznie sterowanymi popytem, ​​ale pozycje zapasów w sieci BOM i BOD mogą być również w przeważającej mierze oparte na popycie – zamiast na prognozach , jak to zwykle ma miejsce.
5. Studia przypadków Demand Driven
6. Zobacz oprogramowanie certyfikowane na zgodność ze standardami DDI