Introdução
Na recente guerra comercial, os governos armaram o comércio através de ciclos de tarifas de retaliação, cotas e proibições de exportação. As ondas de choque percorreram redes da cadeia de suprimentos e forçaram as empresas a redirecionar o fornecimento, resmatar a produção e estocar entradas críticas-medidas que estendem os prazos de entrega e corroem operações antes e justas. Cada desvio carrega um custo: o aumento dos preços dos insumos, o aumento das despesas de logística e o excesso de inventário vinculando o capital de giro. Como resultado, as margens de lucro diminuem, a volatilidade do fluxo de caixa aumenta e os riscos de saldo se intensificam.
A Guerra do Comércio foi um evento singular que pegou as cadeias de suprimentos globais de surpresa? Talvez em suas especificidades, mas a magnitude da interrupção dificilmente foi sem precedentes. Ao longo de apenas alguns anos, a pandemia Covid-19, o bloqueio de 2021 do Canal Suez e a guerra russo-ucraniana em andamento entregou grandes choques, ocorrendo cerca de um ano de intervalo. Esses eventos, difíceis de prever, causaram interrupções substanciais nas cadeias de suprimentos globais.
O que pode ser feito para se preparar para esses eventos disruptivos? Em vez de reagir em pânico às mudanças de última hora, as empresas podem tomar decisões informadas e tomar medidas proativas antes de uma crise se desenrolar? Um bem citado papel Pelo MIT, o professor David Simchi-Levi oferece uma abordagem atraente e orientada a dados para esse desafio. No centro de seu método está a criação de um gêmeo digital-um modelo baseado em gráficos em que os nós representam websites e instalações na cadeia de suprimentos, e as arestas representam o fluxo de materiais entre eles. Uma ampla gama de cenários de interrupção é então aplicada à rede e suas respostas são medidas. Através desse processo, as empresas podem avaliar possíveis impactos, descobrir vulnerabilidades ocultas e identificar investimentos redundantes.
Esse processo, conhecido como teste de estresse, tem sido amplamente adotado entre as indústrias. Ford Motor Firmpor exemplo, aplicou essa abordagem em sua rede de operações e suprimentos, que inclui mais de 4.400 locais diretos de fornecedores, centenas de milhares de fornecedores de nível inferior, mais de 50 instalações de propriedade da Ford, 130.000 peças únicas e mais de US $ 80 bilhões em compras externas anuais. Sua análise revelou que aproximadamente 61% dos locais dos fornecedores, se interrompidos, não teriam impacto nos lucros – enquanto cerca de 2% teriam um impacto significativo. Esses insights reformularam fundamentalmente sua abordagem para Gerenciamento de riscos da cadeia de suprimentos.
O restante desta postagem do weblog fornece uma visão geral de alto nível de como implementar essa solução e executar uma análise abrangente sobre o Databricks. Os cadernos de suporte são de código aberto e estão disponíveis aqui.
Redes de cadeia de suprimentos de teste de estresse nos bancos de dados
Think about um cenário em que trabalhamos para um varejista international ou uma empresa de bens de consumo e encarregados de melhorar a resiliência da cadeia de suprimentos. Isso significa especificamente garantir que nossa rede da cadeia de suprimentos possa atender à demanda do cliente durante futuros eventos disruptivos ao máximo possível. Para conseguir isso, devemos identificar websites e instalações vulneráveis dentro da rede que possam causar danos desproporcionais se falharem e reavaliarem nossos investimentos para mitigar os riscos associados. A identificação de locais de alto risco também nos ajuda a reconhecer os de baixo risco. Se descobrirmos áreas onde estamos abordando demais, podemos realocar esses recursos para equilibrar a exposição ao risco ou reduzir custos desnecessários.
O primeiro passo para alcançar nosso objetivo é construir um gêmeo digital de nossa rede de cadeia de suprimentos. Neste modelo, websites de fornecedores, instalações de produção, armazéns e centros de distribuição podem ser representados como nós em um gráfico, enquanto as bordas entre eles capturam o fluxo de materiais em toda a rede. A criação desse modelo requer dados operacionais, como níveis de inventário, capacidades de produção, letras de materiais e demanda de produtos. Ao usar esses dados como entradas para um programa de otimização linear – projetado para otimizar uma métrica -chave, como lucro ou custo – podemos determinar a configuração superb da rede para o objetivo. Isso nos permite identificar quanto materials deve ser obtido de cada sub-fornecedor, onde deve ser transportado e como deve se mover para os locais de produção para otimizar a métrica selecionada-uma abordagem de otimização da cadeia de suprimentos amplamente adotada por muitas organizações. O teste de estresse vai um passo adiante-Introdução aos conceitos de tempo de recuperação (TTR) e tempo de surgir (TTS).
Time-T-Get well (TTR)
O TTR é uma das principais entradas da rede. Indica quanto tempo um nó – ou um grupo de nós – se recupera ao seu estado regular após uma interrupção. Por exemplo, se um dos locais de produção do seu fornecedor experimentar um incêndio e se tornar não operacional, o TTR representa o tempo necessário para que esse web site retome o fornecimento de sua capacidade anterior. O TTR é normalmente obtido diretamente dos fornecedores ou de avaliações internas.
Com o TTR na mão, começamos a simular cenários disruptivos. Sob o capô, isso envolve a remoção ou limitação da capacidade de um nó-ou um conjunto de nós-afetados pela interrupção e permitir que a rede reeptenda sua configuração para maximizar o lucro ou minimizar o custo em todos os produtos sob as restrições fornecidas. Em seguida, avaliamos a perda financeira de operação sob esta nova configuração e calculamos o impacto cumulativo durante a duração do TTR. Isso nos dá o impacto estimado da interrupção específica. Repetimos esse processo para milhares de cenários em paralelo usando os recursos de computação distribuídos da Databricks.
Abaixo está um exemplo de análise realizada em uma rede de vários níveis, produzindo 200 produtos acabados, com materiais provenientes de fornecedores de 500 níveis e fornecedores de 1000 e dois fornecedores. Os dados operacionais foram gerados aleatoriamente dentro de restrições razoáveis. Para os cenários disruptivos, cada nó do fornecedor foi removido individualmente do gráfico e atribuiu um TTR aleatório. O gráfico de dispersão abaixo exibe gastos totais em locais de fornecedores para mitigação de risco no eixo vertical e lucro perdido no eixo horizontal. Essa visualização nos permite identificar rapidamente as áreas em que o investimento em mitigação de risco é subdimensionado em relação ao dano potencial de uma falha de nós (caixa vermelha), bem como áreas onde o investimento é superdimensionado em comparação com o risco (caixa verde). Ambas as regiões apresentam oportunidades para revisitar e otimizar nossa estratégia de investimento – para melhorar a resiliência da rede ou reduzir custos desnecessários.
Time-to Survive (TTS)
O TTS oferece outra perspectiva sobre o risco associado à falha do nó. Ao contrário do TTR, o TTS não é uma entrada, mas uma saída – uma variável de decisão. Quando uma interrupção ocorre e afeta um nó ou um grupo de nós, o TTS indica quanto tempo a rede reconfigurada pode continuar atendendo à demanda do cliente sem qualquer perda. O risco se torna mais pronunciado quando o TTR é significativamente maior que o TTS.
Abaixo está outra análise realizada na mesma rede. O histograma mostra a distribuição de diferenças entre TTR e TTS para cada nó. Os nós com um TTR – TTS negativo geralmente não são uma preocupação – assumindo os valores de TTR fornecidos são precisos. No entanto, nós com um TTR – TTS positivo podem incorrer em perda financeira, especialmente naqueles com uma grande lacuna. Para melhorar a resiliência da rede, reavaliaremos e potencialmente reduziremos os termos renegociando com fornecedores, aumentaremos o TTS, construindo buffers de inventário ou diversificar a estratégia de fornecimento.
Ao combinar a análise TTR e TTS, podemos obter uma compreensão mais profunda da resiliência da rede da cadeia de suprimentos. Este exercício pode ser conduzido estrategicamente anualmente ou trimestralmente para informar as decisões de fornecimento, ou mais taticamente, semanalmente ou diariamente, para monitorar níveis de risco flutuantes em toda a rede – ajudando para garantir operações de cadeia de suprimentos suaves e responsivas.
Em um cluster leve de quatro nós, as análises TTR e TTS concluídas em 5 e 40 minutos, respectivamente, na rede descrita acima (1.700 nós)-tudo para abaixo de US $ 10 em gastos com nuvem. Isso destaca a impressionante velocidade e custo-efetividade da solução. No entanto, à medida que a complexidade da cadeia de suprimentos e os requisitos de negócios crescem – com maior variabilidade, interdependências e casos de borda – a solução pode exigir maior poder computacional e mais simulações para manter a confiança nos resultados.
Por que Databricks
Cada solução orientada a dados depende da qualidade e integridade do conjunto de dados de entrada-e o teste de estresse não é exceção. As empresas precisam de dados operacionais de alta qualidade de seus fornecedores e sub-fornecedores, incluindo informações sobre letras de materiais, inventário, capacidades de produção, demanda, TTR e muito mais. Coletar e curar esses dados não é trivial. Além disso, a criação de uma estrutura transparente e flexível de teste de estresse que reflete os aspectos únicos da sua empresa requer acesso a uma ampla gama de ferramentas de código aberto e de terceiros-e a capacidade de selecionar a combinação certa. Em explicit, isso inclui solucionadores de LP e estruturas de modelagem. Finalmente, a eficácia dos testes de estresse depende da amplitude dos cenários de interrupção considerados. A execução de um conjunto tão abrangente de simulações exige acesso a recursos de computação altamente escaláveis.
O Databricks é a plataforma superb para criar esse tipo de solução. Embora existam muitos motivos, o mais importante inclui:
- Delta compartilhamento: O acesso a dados operacionais atualizados é essencial para o desenvolvimento de uma solução resiliente da cadeia de suprimentos. Delta compartilhamento é um recurso poderoso que permite a troca de dados perfeita entre empresas e seus fornecedores – mesmo quando uma parte não está usando a plataforma Databricks. Uma vez que os dados estiverem disponíveis em banco de dados, analistas de negócios, engenheiros de dados, cientistas de dados, estatísticos e gerentes podem colaborar na solução dentro de uma plataforma unificada e inteligente de dados.
- Padrões abertos: O Databricks se integra perfeitamente a uma ampla gama de tecnologias de código aberto e de terceiros, permitindo que as equipes alavancem ferramentas e bibliotecas familiares com o mínimo de atrito. Os usuários têm a flexibilidade de definir e modelar seus próprios problemas de negócios, adaptando soluções para necessidades operacionais específicas. As ferramentas de código aberto fornecem complete transparência em seus internos-cruciais para auditabilidade, validação e melhoria contínua-enquanto as ferramentas proprietárias podem oferecer vantagens de desempenho. Nos Databricks, você tem a liberdade de escolher as ferramentas que melhor atendem às suas necessidades.
- Escalabilidade: A solução de problemas de otimização em redes com milhares de nós é computacionalmente intensiva. O teste de estresse requer simulações de execução em dezenas de milhares de cenários de interrupção – seja para o planejamento estratégico (anual/trimestral) ou tático (semanal/diário) – que exige uma plataforma altamente escalável. Os bancos de dados se destacam nessa área, oferecendo escala horizontal para lidar com eficiência cargas de trabalho complexas, alimentadas por uma forte integração com estruturas de computação distribuídas, como Ray e Spark.
Resumo
As cadeias de suprimentos globais geralmente não têm visibilidade das vulnerabilidades da rede e lutam para prever quais websites ou instalações fornecedores causariam o maior dano durante as interrupções – liderando para o gerenciamento de crise reativa. Neste artigo, apresentamos uma abordagem para construir um gêmeo digital da rede da cadeia de suprimentos, aproveitando os dados operacionais e executando simulações de teste de estresse que avaliam as métricas de tempo de recuperação (TTR) e TTR (Time-to Survive (TTS) em milhares de cenários de desgraça na plataforma escalável dos Databricks. Esse método permite que as empresas otimizem os investimentos em mitigação de riscos, identificando nós de alto impacto e vulnerável-similares à descoberta da Ford de que apenas uma pequena fração de locais de fornecedores afeta significativamente os lucros-evitando o excesso de investimento em áreas de baixo risco. O resultado são as margens de lucro preservadas e reduzem os custos da cadeia de suprimentos.
O Databricks é superb para essa abordagem, graças à sua arquitetura escalável, compartilhamento de delta para troca de dados em tempo actual e integração perfeita com ferramentas de código aberto e de terceiros para modelagem de cadeia de suprimentos transparente, flexível, eficiente e econômica. Baixar o Notebooks Para explorar como o teste de estresse das redes da cadeia de suprimentos em escala pode ser implementado nos Databricks.