In plaats van “Big data”, waarom zorgen we niet eerst voor onze “Small Data”?

“Big Data” en “advanced analytics” zijn voorpaginanieuws in de supply chain wereld en zijn al jaren in opkomst in het vocabulaire van adviesbureaus en software-uitgevers.

Het verzamelen van massa’s informatie, ze door de molen van statistische algoritmen of zelfs kunstmatige intelligentie halen, het detecteren van zwakke signalen om trends te identificeren, dit alles is zeer interessant.

Echter, als het gaat om het beheren van voorraad dimensionering en aanvulling, het bepalen van de juiste prioriteiten, en dus het sturen van de dagelijkse beslissingen van onze teams, hebben we in de eerste plaats een aantal van onze eigen basisgegevens nodig, waarop we kunnen vertrouwen.

De realiteit van veel bedrijven vandaag, groot en klein, is dat basis planningsgegevens en logistieke masterdata vaak – hmm – fragiel zijn.

In de vele DDMRP-implementaties die we hebben begeleid, is het opvallend dat decennia na de komst van ERP ’s, belangrijke gegevens niet onder controle zijn, en de eerste stap in een DDMRP-project is vaak om de gegevens opnieuw te onderzoeken of valideren:

  • Realistische lever- of productietijden instellen
  • Inzicht in de levertijden die onze klanten verwachten
  • Beschikken over duidelijk omschreven logistieke masterdata, minimum/maximum/partijgroottes
  • Definiëren wat als beschikbaar of niet op voorraad wordt beschouwd
  • Zorg ervoor dat er geen “beloofde leveringen” in het verleden staan (zal niet gebeuren)
  • “Vrij accurate” voorraad niveaus
  • BOM up-to-date

Het is vaak niet bij gebrek aan focus tijdens de implementatie van het ERP, en het hebben van consultants, soms verschillende keren, om te helpen bij de inrichten en opzetten van het systeem.

Mijn interpretatie is dat het probleem te wijten is aan een gebrek aan concentratie. Er is zoveel informatie in een ERP-systeem, zoveel bij te werken, dat je na een tijdje de essentie vergeet en gaat werken met gegevens waarvan je weet dat ze verkeerd zijn.

Als we bovendien de problemen van MRP hebben gecompenseerd door de logica in Excel op te zetten en de kennis van planners te gebruiken, is het niet nodig om een perfect ERP-systeem te hebben, en dus zijn er dingen die we uit het oog hebben verloren…

DDMRP is toleranter ten opzichte van onnauwkeurige gegevens dan standaard MRP, met name onbetrouwbare forecast. Het is echter een kwestie van het beheer van een operationeel model, en daarom moet de digitale weergave van het operationeel model redelijk goed zijn.

Het goede nieuws is dat DDMRP het veel gemakkelijker en sneller maakt om de nauwkeurige basisgegevens te krijgen, omdat de anomalieën ofwel uitzonderingen onmiddellijk duidelijk zijn!

De weinige belangrijke gegevens worden duidelijk geïdentificeerd, zonder te verdwalen in het ERP-doolhof.

De ontwerpfase vereist de vaststelling van kritische doorlooptijden en de positionering van de voorraden.

Visueel beheer doet de rest: Als een order balans voor 2019 in het systeem blijft, kan de donkerrode executie waarschuwing niet worden gemist, als een onjuiste bestel grootte resulteert in een enorm groengebied en een onevenredige doelvoorraad, is deze niet te missen.

Onze ervaring leert dat het systeem binnen enkele weken weer op de rails staat.

Het beste van alles is dat het continue verbetering proces dat inherent is aan DDMRP ervoor zorgt dat deze belangrijke gegevens na verloop van tijd correct blijven.

Dus als er weer een nieuw initiatief wordt gestart om de logistieke en operationele basis date te repareren en opnieuw te valideren voor uw MRP, ga dan naar de DDMRP nu om dit probleem voor eens en altijd op te lossen!