Si alguna vez se ha enfrentado al reto de planificar la producción de productos configurados con variantes más allá del horizonte de pedidos del cliente, conoce los retos y escollos que hacen de este uno de los problemas más difíciles de la fabricación.
En el horizonte, SAP lo hace excepcionalmente bien con la planificación de la producción y la programación detallada (PP-DS) o, más apropiadamente, con la planificación/secuenciación de la combinación de modelos. Esto se puede hacer porque el sistema ya tiene pedidos de cliente para configuraciones específicas y pedidos de fabricación asociados que llaman a la lista de materiales (L. MAT) y a los elementos de hoja de ruta necesarios para planificar.
Más allá del horizonte, no tanto. La planificación a nivel agregado (¿cuántas motos de nieve, tractores, camiones…?) está bien respaldada. El reto consiste en planificar las características y opciones seleccionables, así como los requisitos de materiales y recursos asociados.
La industria de ERP, incluido SAP, ha hecho lo mejor que se puede hacer con el uso de facturas de planificación, que utilizan un modelo de tasa de conexión para expresar los requisitos de componentes como un porcentaje de la demanda de artículos principales. SAP ECC, SAP S/4HANA y SAP Integrated Business Planning (SAP IBP) son compatibles con esto.
Limitaciones de los Modelos de Planificación Actuales
No tiene que pensar demasiado en esto para ver el problema: este proceso no respeta ninguna dependencia entre las selecciones. Por ejemplo, puedo decir que los motores de 1600 cc y los motores de 2400 cc tienen tasas de conexión del 60% y el 40% respectivamente. Y las transmisiones de seis y cuatro velocidades son 50%/50%. Pero si solo puedo usar la transmisión de seis velocidades con un motor de 2400 cc, esa regla no se puede comprender y los resultados no serán del todo precisos.
Ir más allá es uno de los problemas informáticos más difíciles en la cadena de suministro. Google no muestra buenas respuestas. Para hacerlo bien, debe pronosticar los pedidos futuros utilizando el modelo de configuración de variantes completa (VC), con entradas basadas en parámetros. Y, probablemente, algún análisis de Monte Carlo para tener en cuenta la variabilidad. Si te acercas a hacerlo bien, buena suerte con el consumo previsto. Si los ingenieros de SAP, y sus competidores, no han sido capaces de desarrollar una solución integral, puede apostar que es bastante difícil de hacer.
Lo que no impide que los planificadores de todo el mundo tengan que hacer algo, ya que es la naturaleza de su negocio.
MRP Basado en la Demanda
Para ellos, y tal vez para ti, ¡buenas noticias! Y buenas noticias que llegan a través de una solución simple y elegante: MRP basado en la demanda (DDMRP). Es posible que esté familiarizado con el concepto; Si no es así, una discusión exhaustiva está más allá del alcance de este blog. Consulte el Demand Driven Institute para obtener más información.
Para nuestros propósitos aquí, permítanme enunciar el más básico de los principios de DDMRP: cuando los clientes exigen que el producto, configurado o no, se entregue en menos del tiempo de entrega acumulado requerido para adquirir materiales y realizar los pasos de producción y transporte necesarios, se debe mantener un inventario intermedio para acortar el tiempo de entrega.
Nada nuevo aquí. Lo que es nuevo en DDMRP es el arte y la ciencia asociados con la determinación de qué materiales, y dónde, establecer como «puntos de desacoplamiento estratégicos», y el proceso mediante el cual se calculan los tamaños de búfer apropiados y se garantiza el flujo de materiales en función de la atracción de la demanda. SAP ofrece estas capacidades, y más, tanto en SAP S/4HANA como en SAP IBP para el reabastecimiento basado en la demanda. Para obtener más información sobre la solución SAP IBP, consulte mi reciente SAP PRESS E-Bite.
Si bien el DDMRP no es sólo, ni siquiera específicamente, para organizaciones cuyos productos finales se fabrican a medida o se ensamblan a medida con capital de riesgo, sus principios e implementación proporcionan de manera única una solución a este difícil problema.
A continuación, te explicamos cómo hacerlo. En un ejemplo simple, supongamos que somos una empresa de deportes motorizados que fabrica una línea de motos acuáticas con la opción de un motor de 1600 cc o 2400 cc. Con todo lo demás siendo estándar, podemos ensamblar una embarcación en un día. Pero los motores tardan seis semanas en llegar. En el pasado, hemos podido usar una factura de planificación, especificando los motores como una cantidad fraccionaria por ensamblaje, a veces llamada tasa de conexión. Por ejemplo, el 60% de nuestras motos acuáticas tienen un motor de 1600 cc, el 40% un motor de 2400 cc. Si nos detuviéramos ahí, no tendríamos un problema sobre el que valiera la pena escribir. Es probable que nuestras prácticas actuales sean adecuadas. Pero el mundo real no es tan simple; es probable que haya otros componentes opcionales implicados, en varios niveles de L. MAT, y reglas de dependencia que rijan su selección. Las dependencias, en particular, rompen rápidamente el modelo de tasa de asociación y hacen que las herramientas de planeación estándar sean menos que ideales.
Así que cambiemos el juego. Si comprendemos la lista de materiales y la red de suministro asociada con el artículo final, y el tiempo de entrega de cada paso, la teoría DDMRP permite determinar dónde se deben colocar los puntos de desacoplamiento estratégicos para garantizar que el tiempo de entrega desacoplado (el tiempo de producción basado en el ensamblaje final, más el tiempo de la cadena de suministro de alimentación más larga) sea menor que el tiempo de tolerancia del cliente. SAP IBP para el reaprovisionamiento basado en la demanda realiza este cálculo explícitamente.
En el ejemplo simple del que estamos hablando, es una apuesta segura que cada motor se identificaría como un punto de desacoplamiento solo debido al tiempo de entrega. También puede haber otros en la red. Para cada punto de desacoplamiento material/ubicación, conocemos la demanda histórica; A partir de esto, se puede calcular el uso diario promedio del material y la variabilidad de esta variable. Estos y otros valores, junto con el tiempo de entrega desacoplado del material, permiten calcular los tamaños de búfer de inventario adecuados. Si bien el álgebra es simple, la escala del mundo real requiere un software como SAP IBP para respaldar al analista.
Una vez que se han calculado los búferes, DDMRP utiliza la oferta y la demanda para calcular una medida de disponibilidad llamada posición de flujo neto (NFP), y el valor del NFP es relativo a los tamaños de los búferes para determinar cuándo se requieren elementos de suministro, completamente sobre una base de extracción.
En nuestro ejemplo de embarcaciones, podemos dejar de utilizar la planificación de la velocidad de conexión y dejar que las señales de demanda procesadas por DDMRP garanticen que tenemos suficientes motores disponibles para soportar el montaje final. Otros componentes, en particular los que se utilizan al 100 % como parte del producto base, pueden seguir planificarse con la planificación de necesidades tradicional. (Aunque es probable que muchos también se identifiquen como puntos de desacoplamiento).
Sencillo, ¿verdad? Y elegante e intuitivo, ya que el concepto amplía lo que la mayoría ya está haciendo en la práctica con otras herramientas.
Posibles Objeciones y Respuestas al DDMRP
Justo aquí, alguien lanzará una de varias objeciones válidas, que incluyen:
- A menudo tenemos planeada la sustitución de productos en fechas futuras. ¿Cómo maneja eso este modelo?
- Nuestra producción es muy cíclica y no construimos embarcaciones todo el año. ¿Cómo garantizamos la disponibilidad a medida que aumenta la producción?
Todas las objeciones tienen una causa raíz común: el DDMRP, tal como lo hemos discutido hasta ahora, asume que la demanda de un producto, aunque variable, variará en torno a una media relativamente estable. Las preocupaciones anteriores son el resultado de una situación en la que esto es falso.
Afortunadamente, la teoría DDMRP, y la implementación de la misma por parte de SAP, también proporcionan una respuesta aquí. Aunque sí implica un pronóstico.
La previsión se utiliza para adaptar el cálculo del uso medio diario especificando el número de períodos (hacia delante y hacia atrás) utilizados. El valor predeterminado es todo al revés; Los resultados son análogos a una media móvil, aunque no mira más allá de la actualidad.
En el caso de un producto recién introducido, sería apropiado utilizar solo la previsión futura, lo que permitiría que los tamaños de los amortiguadores se adapten a medida que aumenta la demanda y luego se estabiliza. Lo mismo ocurre en el caso de la sustitución de materiales, en la que el uso del material antiguo disminuirá a cero y el nuevo aumentará.
Un «uso diario promedio combinado», con períodos hacia adelante y hacia atrás, sirve para consumir y considerar un pronóstico al tiempo que amortigua su impacto inmediato.
Al usar esta capacidad, podemos permitir que DDMRP planifique de manera efectiva con flujos de demanda inestables.
Pero hay una consideración muy importante. La planificación de necesidades tradicional genera una demanda dependiente basada en una relación de lista de materiales y la utiliza para impulsar los requisitos de material de nivel inferior. La presencia de puntos de desacoplamiento en DDMRP limita la aplicabilidad de esta lógica, requiriendo en su lugar un pronóstico de cada parte almacenada en búfer independientemente de su(s) material(es) matriz(es).
Esto significa que tiene dos opciones para generar una previsión para estos materiales almacenados:
- Pronóstico estadístico mediante un modelo univariante o multivariante. Esto puede ser válido para materiales que han sido parte constante del conjunto de características a lo largo del tiempo y han tenido tasas de conexión relativamente estables.
- Explosión a través de tasas de conexión y una lista de materiales de planificación. Sí, sé que lo descontamos antes. Pero eso fue como un impulsor para el MRP determinista. En este contexto, es la única manera de lidiar con tres consideraciones del «mundo real»:
- Se espera que las tasas de conexión difieran en el futuro
- La introducción o sustitución de nuevos productos cambia el componente requerido
- Se espera que la demanda de los artículos principales difiera de la del pasado.
Si alguna de estas características está presente, es posible que un pronóstico estadístico a nivel de artículo no sea suficiente. Afortunadamente, como ya hemos señalado, el pronóstico de la tasa de conexión es fácil de obtener a través de la heurística de suministro de SAP IBP.
Al igual que en el caso de la determinación de la demanda de consenso en un ciclo básico de S&OP, recomendamos hacer ambas cosas, estadística y tasa de adhesión, y comparar los resultados. Se deben entender las diferencias significativas y tomar una decisión sobre el pronóstico final.
Para este caso de prueba, hemos creado un caso de demanda cíclica significativo, que se refleja en nuestro pronóstico futuro y el uso diario promedio (ADU) asociado.
Una vez que tiene un pronóstico, SAP IBP se hace cargo y calcula el uso diario promedio y, posteriormente, el tamaño del búfer. Esta es la parte científica. El «arte», y algo que puedes elegir explorar más a fondo, son los horizontes hacia adelante y hacia atrás. Sobre la base de las cuestiones presentadas anteriormente:
- Los horizontes más cortos conducen a un uso diario promedio más «nervioso», lo cual no es ideal, pero puede ser necesario.
- Un horizonte hacia atrás más largo hace que los cambios de uso diario promedio respondan menos a los cambios en el futuro, lo que ralentiza el aumento o la disminución del tamaño del búfer. Cuando la rampa o la rampa descendente son rápidas, como en el escenario NPI descrito anteriormente, puede elegir cero hacia atrás
- El horizonte a futuro debe comenzar como (al menos) un plazo de entrega desacoplado. Es posible que haya existencias menores e insuficientes a medida que aumenta la demanda.
Entonces… Enciéndalo. Bueno, tal vez no. ¿Esto suena demasiado simple, tal vez?
Poner a Prueba sus Pronósticos.
Afortunadamente, SAP IBP proporciona una facilidad para algunas pruebas utilizando un parámetro llamado desplazamiento del período actual, que le permite simular el paso del tiempo. Esto es fundamental con un proceso como el DDMRP, que evalúa el NFP y reacciona a diario. He cubierto este proceso de prueba en una publicación separada («Prueba de un modelo DDMRP con SAP IBP para el reabastecimiento basado en la demanda») en la que probé solo el caso descrito aquí. Como era de esperar de la ADU, los tamaños de los búferes también son cíclicos.
Hemos abordado la creación de búferes de tamaño adecuado, pero ¿qué pasa con el problema del tiempo de entrega? Afortunadamente, SAP IBP para el reabastecimiento basado en la demanda también se encarga de eso. En una ligera (pero aprobada e importante) desviación de la teoría básica de DDMRP, SAP IBP evalúa la posición de flujo neto un tiempo de entrega desacoplado en el futuro. Esto garantiza que los aumentos pendientes en el tamaño de la zona de influencia se reconozcan y planifiquen a tiempo para asegurar los materiales, de modo que al recibirla la cantidad disponible sea coherente con las reservas de carga vigentes en ese momento.
Por favor, comprenda que esta no fue una prueba académica rigurosa que utilizó simulación de eventos discretos. De hecho, encontré muchos de estos en la web; Busque en Google «simulación de eventos discretos DDMRP» y usted también lo hará.
Pero sí simulé un ciclo de 180 días con un aumento significativo de la demanda en el medio, en el que el artículo final estaba planificado para el MRP (y, por lo tanto, no en la prueba) y tres componentes clave estaban planificados para el DDMRP.
Los resultados sugieren que DDMRP soporta adecuadamente este caso de uso, con DDMRP rastreando la demanda de inventario como se esperaba.
¿Seguimos expuestos? Claro. Nuestra planificación aquí se basa en el pronóstico, y los pronósticos son erróneos. Pero DDMRP, a través del uso explícito de búferes, proporciona una capacidad más robusta para absorber la variación que el MRP determinista. El caso de prueba que realicé no incluía ninguna corrección del curso en tiempo real, por ejemplo, el uso de la detección de demanda de SAP IBP para evaluar las diferencias entre la demanda real y la prevista, o incluso la repetición de la previsión durante el período de ejecución.
No hemos «probado» nada, necesariamente. Sin embargo, los resultados de esta prueba respaldan la confianza en la capacidad de DDMRP para respaldar la planificación de materiales configurados de manera efectiva.
Por Thomas Wright
Thomas Wright es ingeniero principal de soluciones de SAP América. Como miembro del equipo de planificación de la cadena de suministro de SAP, aprovecha la experiencia colectiva de SAP para ayudar a los clientes a mejorar la eficiencia utilizando tecnologías para la planificación y ejecución de cadenas de suministro ajustadas. Tom también se desempeña como ingeniero líder de soluciones en la comunidad de práctica automotriz dentro de SAP, y brinda soporte a múltiples industrias donde se aplican las mejores prácticas de fabricación discreta. Tom se ha convertido en uno de los principales defensores de la planificación empresarial integrada de SAP, blogueando y presentando a los clientes y en los eventos SAPPHIRE y ASUG sobre SAP IBP en general, y en particular para las industrias automotriz, industrial y de ingeniería a pedido. En 2019, Tom se convirtió en un planificador certificado impulsado por la demanda.
