De noodzakelijke voorwaarden voor APS
Correcte data
Een APS heeft correcte gegevens nodig omdat het probeert de operaties te optimaliseren door de 'beste' oplossing te berekenen op basis van de beschikbare gegevens. In een reguliere operationele omgeving worden verschillende scenario's vergeleken en wordt het 'beste' scenario gepresenteerd. Maar sommige gegevens kunnen niet accuraat zijn zoals p.ex.:
1. Scrap Rates. Afhankelijk van het risico vinden we gemiddelde scrap rates of 'opgeblazen' scrap rates die veel bescherming bieden. In beide gevallen zal de werkelijkheid anders zijn dan de theoretische waarde. Maar in een reguliere MRP-berekening worden de voerbewerkingen 'gecorrigeerd' met deze schrootpercentages, wat betekent dat de WIP op de werkvloer anders is dan de theoretische waarde. Als die schrootcijfers relatief belangrijk zijn, hebben alle afhankelijke operaties last van de verschillen.
2. 2. Instabiele opstellingen. Dezelfde logica geldt voor instabiele opstellingen door technische problemen of door 'sequentieafhankelijke opstellingen'. Ja, we weten dat in sommige gevallen processen kunnen worden geoptimaliseerd door de juiste volgorde te kiezen, maar de impact op de doorvoer kan alleen worden gemeten als deze methode wordt toegepast op een restrictiemiddel. In de praktijk zien we dat dit soort optimalisaties vaak ook gebruikt worden voor niet-restrictieve middelen, wat dan een verspilling van inspanning wordt en leidt tot onnodige complexiteit.
3. Fluctuerende procestijden zijn de meest voorkomende bron van onnauwkeurigheid. Dit kan worden geminimaliseerd door de reguliere verbeteringsprocedures, maar het kost tijd en in de tussentijd kunnen we de operaties niet stoppen...
Voldoende stabiliteit
De vorige oorzaken zijn belangrijke drijfveren voor instabiliteit, maar dit is niet het volledige plaatje. Planningsbeslissingen worden genomen voor een bepaalde horizon. Hoe langer de horizon, hoe groter het risico op veranderende eisen. Klanten vragen om urgente leveringen, of een plotselinge voorraadvernietiging zorgt voor een paniekgolf. Maar ook interne problemen zoals: machinestoringen of ontbrekende onderdelen kunnen leiden tot afwijkingen van het oorspronkelijke plan.
Als gevolg daarvan verandert de planning en de daaruit voortvloeiende gedetailleerde planningen vaak. Hoe meer 'optimalisatie' wordt berekend, hoe moeilijker het wordt om de planning te stabiliseren. Sommige mensen proberen zelfs te optimaliseren binnen de ruis van het systeem. De reden hiervoor is dat 2% van de totale operationele kosten veel geld vertegenwoordigen! Dus, waarom zou je niet proberen te optimaliseren tot het laatste percentage? Aan de andere kant is de nauwkeurigheid van de gegevens vaak minder dan 95%. En laten we niet vergeten dat de optimalisaties worden berekend op basis van afhankelijke gebeurtenissen, wat betekent dat als slechts één gebeurtenis fluctueert, het globale beeld in beweging komt. Deze chaotische situatie wordt versterkt door het feit dat een APS vaak de kortste doorlooptijd probeert te vinden en daarmee de benodigde buffers uitschakelt. Daarom hebben sommige managers de neiging om de planning voor een bepaalde horizon te 'bevriezen', wat onvermijdelijk leidt tot minder flexibiliteit om met operationele problemen en onverwachtse eisen om te gaan. De andere oplossing om de planning voor elke verandering opnieuw te berekenen, leidt tot chaotische situaties die veel moeite en geld kosten.
Optimalisatiecriteria
Moet wel coherent zijn. Te vaak hebben we gezien dat de eerste focus voor optimalisatie naar kostenreductie gaat. Dit wordt vertaald in regels voor batchgroottes, opstellingen en maximale voorraden. Maar tegelijkertijd worden de doelstellingen voor het verbeteren van de leverprestaties gehandhaafd. Als men al die regels in een optimalisatiealgoritme probeert te stoppen, blijkt dat de globale doorvoer vaak te lijden heeft onder lokale optimalisaties. Een ander conflict wordt gecreëerd door de aannames over kostenoptimalisatieregels die meestal niet worden geverifieerd. De klassieke voorbeelden van dit soort fouten zijn te vinden in regels voor batchgrootte en 'economische' nabestellingen, die gebaseerd zijn op theoretische kosten die helemaal niet variabel zijn in de planningshorizon.
Conclusie
Kijkend naar het eindige capaciteitsplanning beeld zou men het gevoel kunnen hebben dat het proberen te verbeteren van de doorvoer, terwijl het hebben van minder voorraden en minder bedrijfskosten een missie onmogelijk is. Als we proberen de reguliere (eindige capaciteit) oplossingen toe te passen is het antwoord: JA!
Om een realistische oplossing voor dit probleem te krijgen moeten we rekening houden met een aantal randvoorwaarden:
Accepteer de realiteit dat onze gegevens niet – en hoogstwaarschijnlijk ook nooit – 100% accuraat zijn.
Accepteer het feit dat de markt vraagt om korte levertijden en zeer hoge due-date-prestaties.
Accepteer het feit dat we betere prestaties moeten bereiken met minder voorraden.
Accepteer het feit dat als we onze verkoop niet kunnen uitbreiden (In TOC-taal: doorbreek de marktrestrictie), we verplicht zullen zijn om geleidelijk aan minder operationele kosten te hebben op een manier die onze doorvoer niet schaadt.