Purchased lead time è il tempo necessario per ottenere un componente acquistato, quindi considera i lead time del venditore, i tempi di trasporto, la
2.4 Protect: Profili di buffer e livell
2.4.1 Attributi individuali dei buffer
Per ogni buffer non dovremo gestire manualmente ogni caratteristica singola una volta definita, ma avremo dei fattori individuali che verranno definiti la prima volta, ed eventualmente cambiati in casi non ordinari, e dei fattori di gruppo che se modificati intervengono su una serie di componenti simili.
Come rappresentato in Figura 2.22 vediamo che nel calcolo delle zone dei buffer interagiscono diversi componenti a livello individuale e a livello di gruppo, ovvero parametri comuni a più componenti e gestibili allo stesso modo.
Figura 2.22 Calcolo delle zone di buffer
Il primo membro che viene individuato nella Figura 2.22 è il lead time, in questo caso viene inteso come il decoupled lead time di cui abbiamo ampiamente parlato nel passaggio precedente.
Il secondo parametro è il minimum order quantity (MOQ), ovvero la quantità minima imposta dal fornitore sotto la quale non è disposto a spedire un ordine. Anche questo non è un concetto nuovo, ma è molto comune nei rapporti cliente e fornitore. Per quanto riguarda il terzo termine, ovvero la location, serve per distinguere parti dal punto di vista geografico; ogni posizione ha delle dinamiche differenti, ma questo parametro viene trattato nei casi in cui si faccia riferimento ad un distributore, ma questo non verrà trattato in questa tesi.
Il quarto concetto l'Average daily usage (ADU), invece, è completamente nuovo e caratteristico del sistema DDMRP.
L'ADU indica il ritmo di utilizzo di un componente e ogni componente avrà il proprio che cambierà a seconda di certe variabili. Per calcolare l'ADU alcuni fattori critici da considerare sono:
-
la durata del periodo che si prende in considerazione;-
la frequenza di aggiornamento;-
la decisione di prendere in considerazione un periodo passato, o un periodo futuro con l'ausilio delle previsioni oppure un mix dei due periodi (Ptak, Smith, 2016, pp. 105-109).Nei progetti iniziali era calcolato solamente sul consumo passato e non era presente la scelta, però questa è stata forzata dalla pressante richiesta di aggiungere le previsioni commerciali al sistema poiché il non utilizzo di un sistema di previsioni non era visto positivamente da molte aziende, ma creava delle frizioni all'interno (Ptak, Smith, 2011).
L'utilizzo di previsioni può avere un effetto più efficace quando si è in attesa di eventi speciali come promozioni oppure in caso di stagionalità, ma non possiamo definirle previsioni a tutti gli effetti, poiché in realtà sarebbero delle decisioni che dipendono principalmente da azioni dell'azienda.
Il periodo di considerazione dell'ADU, in qualsiasi caso, però non deve essere né troppo lungo perché rischierebbe di rendere il buffer poco reattivo, né troppo corto perché il sistema sarebbe esageratamente reattivo, come possiamo notare in Figura 2.23. Nell'MRP, invece, più lunga è la frequenza di aggiornamento meno nervosismo verrà creato, poiché dovrà sincronizzare meno volte tutti i componenti legati tra loro.
Figura 2.23 Differenze nei valori dell'ADU considerando periodi differenti
Fonte: Ptak, C. A., & Smith, C. (2016). Demand Driven Material Requirements Planning (DDMRP). Industrial Press, Incorporated.
Nel grafico in Figura 2.24, possiamo notare il comportamento dell'ADU in relazione all'andamento delle vendite. La linea verde scuro corrisponde alle vendite. Se noi calcolassimo l'ADU in un periodo di 52 settimane avremo tendenzialmente una media costante e quindi un andamento piatto corrispondente alla linea verde chiaro, mentre se riducessimo il periodo di calcolo a 12 settimane si avvicinerebbe molto all'andamento delle vendite.
Figura 2.24 Comparazione dell'ADU calcolato considerando periodi differenti con la domanda di un componente casuale
in cui l'ADU risulta sottostimata a momenti in cui risulta sovrastimata, mentre nella parte di destra è evidente che l'utilizzo di un periodo più breve riesca a seguire l'andamento delle vendite in maniera più coerente. Questo fattore contribuirà ad aumentare o diminuire la dimensione del buffer a seconda dell'andamento della domanda.
Figura 2.25 Analisi dell'andamento dell'ADU calcolato considerando periodi differenti con la domanda di un componente casuale
Fonte: elaborazione personale
Quelli che abbiamo considerato negli esempi precedenti erano sempre dati storici, ma è possibile calcolare l'ADU utilizzando delle previsioni oppure utilizzare una formula blended, ovvero mista. Le previsioni di loro natura hanno sempre un margine d'errore e per questo l'avvicinamento o meno all'andamento della domanda dipenderà molto anche dalla loro qualità. La Figura 2.26, mette a confronto le tre metodologie riscontrando che in media l'utilizzo della tecnica blended potrebbe essere un'ottimo compromesso.
L'ADU è la leva principale per governare la dinamicità dei buffer. Oltre alle tecniche precedentemente presentate si potrebbe utilizzare anche un'ulteriore metodo. Dopo aver calcolato l'ADU con i dati storici si inserisce un moltiplicatore valido per un certo orizzonte temporale che permetta di segnalare al sistema che ci sarà un aumento degli ordini di vendita; a questo punto i buffer si predisporranno per far fronte a questo aumento di vendite e al termine di questo periodo i buffer, se la domanda dovesse calare e il periodo predefinito del moltiplicatore fosse terminato, diminuirebbero gradualmente la loro dimensione. I buffer assumono una quantità di variabilità enorme, la variabilità anche se alta non è detto che sia speciale, ma può essere fisiologica. La variabilità di causa assegnabile è quella alla quale posso assegnare un nome come ad esempio alla curva stagionale dei gelati in estate, oppure alle chiusure di agosto e le gestisco con delle contromisure. Ad esempio la introduco come una visione futura, ovvero inserisco delle previsioni per andare a modulare l'ADU, oppure guardo al passato e applico il coefficiente perché so che andremo incontro ad un aumento (Ptak, Smith, 2016, pp. 107).