Presentación
En la nuevo pleito comercial, los gobiernos han armado el comercio a través de ciclos de tarifas de represalia, cuotas y prohibiciones de exportación. Las ondas de choque se han extendido por las redes de la esclavitud de suministro y las empresas obligadas a redirigir el aprovisionamiento de la producción, la producción y el almacenamiento de insumos críticos, medidas que extienden los tiempos de entrega y se erosionan las operaciones exacto a tiempo que una vez lean. Cada desvío tiene un costo: el aumento de los precios de los insumos, el aumento de los gastos logísticos y el exceso de inventario vinculando el hacienda de trabajo. Como resultado, los márgenes de lucro se encogen, aumenta la volatilidad de flujo de efectivo y los riesgos de la hoja de saldo se intensifican.
¿Fue la pleito comercial un evento singular que atrapó las cadenas de suministro globales desprevenidas? Quizás en sus detalles, pero la magnitud de la interrupción casi nada no tenía precedentes. En el lapsus de solo unos pocos abriles, la pandemia Covid-19, el soledad del Canal Suez 2021 y la pleito en curso ruso-ucraniana entregaron grandes choques, ocurrieron aproximadamente un año de diferencia. Estos eventos, difíciles de prever, han causado una interrupción sustancial en las cadenas de suministro globales.
¿Qué se puede hacer para prepararse para eventos tan disruptivos? En área de reaccionar en pánico a los cambios de postrero minuto, ¿pueden las empresas tomar decisiones informadas y tomar medidas proactivas ayer de que se desarrolle una crisis? Un admisiblemente citado papel Por el profesor del MIT, David Simchi-Levi, ofrece un enfoque convincente y basado en datos para este desafío. En el núcleo de su método está la creación de un igual digital, un maniquí basado en gráficos donde los nodos representan sitios e instalaciones en la esclavitud de suministro, y los bordes representan el flujo de materiales entre ellos. Luego se aplica una amplia tonalidad de escenarios de interrupción a la red, y sus respuestas se miden. A través de este proceso, las empresas pueden evaluar los impactos potenciales, descubrir vulnerabilidades ocultas e identificar inversiones redundantes.
Este proceso, conocido como pruebas de estrés, ha sido ampliamente adoptivo en todas las industrias. Ford Motor Companypor ejemplo, aplicó este enfoque a través de su red de operaciones y suministros, que incluye más de 4,400 sitios de proveedores directos, cientos de miles de proveedores de nivel inferior, más de 50 instalaciones propiedad de Ford, 130,000 piezas únicas y más de $ 80 mil millones en procuración externa anual. Su estudio reveló que aproximadamente el 61% de los sitios de proveedores, si se interrumpen, no tendría impacto en las ganancias, mientras que aproximadamente el 2% tendría un impacto significativo. Estas ideas reformaron fundamentalmente su enfoque para Administración de riesgos de la esclavitud de suministro.
El resto de esta publicación de blog proporciona una descripción normal de stop nivel sobre cómo implementar dicha decisión y realizar un estudio profundo en Databricks. Los cuadernos de soporte son de código extenso y están disponibles aquí.
Pruebas de estrés Redes de la esclavitud de suministro en Databricks
Imagine un tablas en el que estamos trabajando para un minorista total o una compañía de riqueza de consumo y encargados de mejorar la resiliencia de la esclavitud de suministro. Esto significa específicamente asegurar que nuestra red de esclavitud de suministro pueda satisfacer la demanda de los clientes durante los futuros eventos disruptivos en la viejo medida posible. Para alcanzar esto, debemos identificar sitios e instalaciones vulnerables internamente de la red que podrían causar daños desproporcionados si fallan y reevaluado nuestras inversiones para mitigar los riesgos asociados. Identificar ubicaciones de stop aventura todavía nos ayuda a registrar las de bajo aventura. Si descubrimos áreas donde estamos invaltando demasiado, podemos reasignar esos fortuna Para equilibrar la exposición al aventura o acortar los costos innecesarios.
El primer paso para alcanzar nuestro objetivo es construir un igual digital de nuestra red de esclavitud de suministro. En este maniquí, los sitios de proveedores, las instalaciones de producción, los almacenes y los centros de distribución pueden representarse como nodos en un descriptivo, mientras que los bordes entre ellos capturan el flujo de materiales en toda la red. La creación de este maniquí requiere datos operativos como niveles de inventario, capacidades de producción, facturas de materiales y demanda de productos. Al utilizar estos datos como entradas en un software de optimización directo, diseñado para optimizar una métrica esencia, como ganancias o costos, podemos determinar la configuración óptima de la red para ese objetivo poliedro. Esto nos permite identificar cuánto material debe obtenerse de cada subcuitador, donde debe transportarse y cómo debe moverse a los sitios de producción para optimizar la métrica seleccionada, un enfoque de optimización de la esclavitud de suministro ampliamente adoptivo por muchas organizaciones. Las pruebas de estrés van un paso más allá, introduciendo los conceptos de tiempo de recuperación (TTR) y el tiempo de supervivencia (TTS).
Tiempo de recuperación (TTR)
TTR es una de las entradas esencia para la red. Indica cuánto tiempo un nodo, o un especie de nodos, tiene que recuperarse a su estado ordinario posteriormente de una interrupción. Por ejemplo, si uno de los sitios de producción de su proveedor experimenta un incendio y se vuelve no operante, TTR representa el tiempo requerido para que ese sitio reanude el suministro a su capacidad precedente. TTR se obtiene típicamente directamente de los proveedores o mediante evaluaciones internas.
Con TTR en la mano, comenzamos a afectar escenarios disruptivos. Bajo el capó, esto implica eliminar o recortar la capacidad de un nodo, o un conjunto de nodos, afectados por la interrupción y permitir que la red re-optimizar su configuración para maximizar las ganancias o minimizar el costo en todos los productos bajo las restricciones dadas. Luego evaluamos la pérdida financiera de operación bajo esta nueva configuración y calculamos el impacto acumulativo durante la duración del TTR. Esto nos da el impacto estimado de la interrupción específica. Repetimos este proceso para miles de escenarios en paralelo utilizando las capacidades informáticas distribuidas de Databricks.
A continuación se muestra un ejemplo de un estudio realizado en una red de varios niveles que produce 200 productos terminados, con materiales obtenidos de proveedores de 500 niveles y de 1000 proveedores de nivel dos. Los datos operativos se generaron aleatoriamente internamente de restricciones razonables. Para los escenarios disruptivos, cada nodo del proveedor se eliminó individualmente del descriptivo y se le asignó un TTR azaroso. La gráfica de dispersión a continuación muestra un desembolso total en sitios de proveedores para la mitigación de riesgos en el eje erguido y las ganancias perdidas en el eje horizontal. Esta visualización nos permite identificar rápidamente las áreas donde la inversión en mitigación de riesgos es de último tamaño en relación con el daño potencial de una error de nodo (caja roja), así como áreas donde la inversión es de gran tamaño en comparación con el aventura (caja verde). Ambas regiones presentan oportunidades para retornar a presentarse y optimizar nuestra logística de inversión, ya sea para mejorar la resiliencia de la red o acortar los costos innecesarios.
Tiempo de supervivencia (TTS)
TTS ofrece otra perspectiva sobre el aventura asociado con la error del nodo. A diferencia de TTR, TTS no es una entrada sino una salida, una variable de atrevimiento. Cuando se produce una interrupción e impacta un nodo o un especie de nodos, TTS indica cuánto tiempo la red reconfigurada puede continuar satisfaciendo la demanda del cliente sin ninguna pérdida. El aventura se vuelve más pronunciado cuando TTR es significativamente más liberal que TTS.
A continuación se muestra otro estudio realizado en la misma red. El histograma muestra la distribución de diferencias entre TTR y TTS para cada nodo. Los nodos con un TTR gafe – TTS generalmente no son una preocupación, por otra parte de que los títulos TTR proporcionados son precisos. Sin confiscación, los nodos con un TTR positivo pueden incurrir en pérdidas financieras, especialmente aquellos con una gran brecha. Para mejorar la resiliencia de la red, reevaluaremos y potencialmente reduciremos TTR al renegociar los términos con los proveedores, aumentar los TTS mediante la creación de amortiguadores de inventario o diversificar la logística de aprovisionamiento.
Al combinar el estudio TTR y TTS, podemos obtener una comprensión más profunda de la resiliencia de la red de la esclavitud de suministro. Este deporte se puede realizar estratégicamente estratégicamente de forma anual o trimestral para informar las decisiones de aprovisionamiento, o más tácticamente semanalmente o diariamente para monitorear los niveles de aventura fluctuantes en toda la red, vitiendo para asegurar operaciones de esclavitud de suministro suaves y receptivas.
En un clúster rápido de cuatro nodos, los estudio TTR y TTS se completaron en 5 y 40 minutos respectivamente en la red descrita anteriormente (1,700 nodos), todos para menos de $ 10 en el desembolso de la nubarrón. Esto resalta la impresionante velocidad y rentabilidad de la decisión. Sin confiscación, a medida que crecen la complejidad de la esclavitud de suministro y los requisitos comerciales, con una viejo variabilidad, interdependencias y casos de borde, la decisión puede requerir una viejo potencia computacional y más simulaciones para perdurar la confianza en los resultados.
Por qué Databricks
Cada decisión basada en datos se friso en la calidad e integridad del conjunto de datos de entrada, y las pruebas de tensión no es una excepción. Las empresas necesitan datos operativos de suscripción calidad de sus proveedores y subjuicios, incluida información sobre facturas de materiales, inventario, capacidades de producción, demanda, TTR y más. Compendiar y curar estos datos no es trivial. Adicionalmente, construir un ámbito transparente y flexible de prueba de estrés que refleje los aspectos únicos de su negocio requiere camino a una amplia tonalidad de herramientas de código extenso y de terceros, y la capacidad de inclinarse la combinación correcta. En particular, esto incluye solucionadores LP y marcos de modelado. Finalmente, la efectividad de las pruebas de estrés depende de la amplitud de los escenarios de interrupción considerados. Ejecutar un conjunto tan completo de simulaciones exige camino a fortuna informáticos enormemente escalables.
Databricks es la plataforma ideal para construir este tipo de decisión. Si admisiblemente hay muchas razones, la más importante incluye:
- Delta Compartir: El camino a datos operativos actualizados es esencial para desarrollar una decisión de esclavitud de suministro resistente. Delta Compartir es una capacidad poderosa que permite un intercambio de datos sin problemas entre las empresas y sus proveedores, incluso cuando una parte no está utilizando la plataforma Databricks. Una vez que los datos están disponibles en Databricks, analistas de negocios, ingenieros de datos, científicos de datos, estadísticos y gerentes pueden colaborar sobre la decisión internamente de una plataforma inteligente de datos unificada.
- Estándares abiertos: Databricks se integra a la perfección con una amplia tonalidad de tecnologías de código extenso y de terceros, lo que permite a los equipos utilizar herramientas y bibliotecas familiares con una fricción mínima. Los usuarios tienen la flexibilidad de delimitar y modelar sus propios problemas comerciales, adaptando soluciones a evacuación operativas específicas. Las herramientas de código extenso proporcionan plena transparencia en sus partes internas, por la recital, la brío y la progreso continua, mientras que las herramientas propietarias pueden ofrecer ventajas de rendimiento. En Databricks, tiene la permiso de designar las herramientas que mejor se adapten a sus evacuación.
- Escalabilidad: Resolver problemas de optimización en redes con miles de nodos es computacionalmente intensivo. Las pruebas de estrés requieren simulaciones en decenas de miles de escenarios de interrupción, ya sea para una planificación estratégica (anual/trimestral) o táctica (semanal/diaria), que exige una plataforma enormemente escalable. Databricks se destaca en esta campo de acción, ofreciendo una escalera horizontal para manejar eficientemente cargas de trabajo complejas, alimentadas por una resistente integración con marcos informáticos distribuidos como Ray y Spark.
Prontuario
Las cadenas de suministro globales a menudo carecen de visibilidad de las vulnerabilidades de la red y la lucha para predecir qué sitios o instalaciones de proveedores causarían el viejo daño durante las interrupciones, lo que lleva a la administración de crisis reactiva. En este artículo, presentamos un enfoque para construir un igual digital de la red de la esclavitud de suministro aprovechando los datos operativos y la ejecución de simulaciones de pruebas de estrés que evalúan las métricas de tiempo de recuperación (TTR) y de tiempo de intensificación (TTS) en miles de escenarios de interrupción en la plataforma escalable de Databricks. Este método permite a las empresas optimizar las inversiones de mitigación de riesgos mediante la identificación de nodos vulnerables de stop impacto, similar al descubrimiento de Ford de que solo una pequeña fracción de sitios de proveedores afecta significativamente las ganancias, mientras evita la exceso de inversión en áreas de bajo aventura. El resultado se conserva márgenes de beneficio y costos reducidos de la esclavitud de suministro.
Databricks es ideal para este enfoque, gracias a su casa escalable, compartir delta para el intercambio de datos en tiempo actual y una integración perfecta con herramientas de código extenso y de terceros para el modelado de esclavitud de suministro transparente, flexible, válido y rentable. Descargar el cuadernos Para explorar cómo se pueden implementar pruebas de estrés de las redes de esclavitud de suministro a escalera en Databricks.