An intelligent decision support system for estimating supply lead times towards improved safety stock dimensioning

Abstract

O stock de segurança desempenha um papel crucial na manutenção do equilíbrio entre o excesso de inventário e a perda de vendas, o que leva a um melhor desempenho da cadeia de abastecimento. É adotado pelas organizações para cobrir tanto a incerteza da procura como a do Lead-time (LT), a fim de atingir o nível de serviço prometido aos clientes e evitar a ruptura de stock. A incerteza do LT de fornecimento representa um parâmetro central que afeta o dimensionamento do stock de segurança e o desempenho da cadeia de abastecimento. Abordagens baseadas em dados, tais como Big Data Analytics (BDA), têm sido cada vez mais exploradas na gestão da cadeia de abastecimento para a melhoria do processo de tomada de decisão logísticos. Esta tese propõe um sistema inteligente de apoio à decisão para estimar o LT para um melhor dimensionamento do stock de segurança utilizando uma arquitetura escalável de Big Data (BD). Foca-se na melhoria da estimativa do LT para promover um melhor dimensionamento do stock de segurança. O estado da arte do dimensionamento do stock de segurança sob incertezas e riscos retrata as dificuldades em determinar as varianções do LT do fabricante numa cadeia de abastecimento com múltiplos produtos. O preenchimento desta lacuna identificada é de grande relevância e motivou-nos a realizar este trabalho. Assim, este projeto propõe duas principais abordagens: 1. uma nova abordagem baseada em aprendizagem automática para prever o risco de atraso de fornecimento, o que representa o principal fator com impacto no LT e no desempenho global da gestão de inventário. 2. uma abordagem supervisionada multivariada para estimar o lead time de forma a melhorar as estimativas de stock de segurança, combinando ténicas de aprendizagem automática e de BD. Estas abordagens foram testadas no contexto da Bosch AE/P e reveleram-se muito úteis no suporte à tomada de decisão, na melhoria do desempenho do sistema de gestão de inventários e na gestão proativa e dinâmica dos atrasos de fornecimento.

Safety stock plays a crucial role in maintaining the balance between excess inventory and lost sales, which leads to better supply chain performance. It is adopted by organizations to cover both demand and LT uncertainty in order to achieve the promised service level to the customers and prevent stockouts. Uncertainty in supply LT represents a core parameter that affects the dimensioning of safety stock and supply chain performance. Data-driven approaches such as BDA have been increasingly explored in supply chain management for the enhancement of the logistics decision-making process. This thesis proposes an intelligent decision support system to estimate supply LT for improved safety stock dimensioning by using a scalable BD technology architecture. It focuses on improving LT uncertainty estimation to promote better safety stock dimensioning. The state-of-the-art of safety stock dimensioning under uncertainties and risks portrays the difficulties of determining upstream manufacturer’s variations of supply LT in the supply chain with multiple products. Fulfilling this identified gap is of major relevance and motivated us to conduct this work. Thus, this work proposes two main approaches: 1. a novel machine learning-based approach for predicting the risk of supply delay, which represents the main factor impacting supply LT and overall inventory management performance. 2. a multivariate supervised approach to estimate supply LT towards the improvement of safety stock estimations, combining machine learning and BD techniques. These approaches were tested in the context of the Bosch AE/P and proved very useful in supporting decision-making, improving the performance of the inventory management system and supply delays management proactively and dynamically.