Real-time simulation of supply-chain processes supported by big data in an industry 4.0 context

Abstract

The dynamic and complex nature of Supply Chains exposes these networks to disruptive events, which have consequences that are hard to quantify. To avoid such problems, simulation may be used, as it allows the uncertainty and dynamic nature of systems to be considered. Furthermore, such systems comprise several processes, with the respective sources generating data with increasingly high volumes and velocities. This data can add the required level of detail to the simulation models, hence paving the way for the development of simulation models in Big Data contexts. This thesis analyzes the real case of an automotive electronics Supply Chain and proposes a Decision-Support System, supported by a Big Data Warehouse and a simulation model, with this integration being aligned with Industry 4.0. The first stores and integrates data from multiple sources and the second reproduces movements of goods and information exchanges from such data, incorporates risks and allows their impact to be analyzed. The results of this thesis revealed that, albeit the organization, where this thesis was inserted, has technological conditions (e.g., information system) and reference business processes, several data problems were observed. Simulation is used to detect and bypass some of these issues, since those incoherencies were only identified by the needs inherent to the use of simulation. The identification of such issues in this excellence environment suggests the novelty of this research and that similar projects may experience equivalent problems. Hence, a classification of the identified data issues is proposed, serving as a milestone for future similar projects. Having bypassed such data issues, simulation is used to support the decision-making, allowing to: (1) run simulations using the stored data; (2) incorporate risks either by allowing users to fire disruptions in runtime, or by applying statistical distributions to model variability in supply or demand; (3) adapt the simulation model in real-time to eventual data changes; (4) load the real system’s state from the data to analyze specific time slots without having to wait for the simulation to reach the time to start the analysis; (5) and allow the simulation to run beyond the time considered in the stored data, adding, thus, predictive features to the simulation models.

A natureza complexa e dinâmica das Cadeias de Abastecimento expõe estas redes a eventos disruptivos, com consequências difíceis de quantificar. Para evitar tais problemas, a simulação pode ser usada, pois permite considerar a incerteza e a dinâmica destes sistemas. Adicionalmente, estes sistemas abrangem vários processos, com as respetivas fontes a gerarem dados com volumes e velocidades cada vez mais elevados. Estes dados podem conferir o nível de detalhe necessário para os modelos de simulação, justificando a necessidade de tecnologias Big Data para estes problemas. Esta tese analisa o caso real de uma Cadeia de Abastecimento de componentes eletrónicos para automóveis e propõe um Sistema de Suporte à Decisão suportado por um Big Data Warehouse e por um modelo de simulação, estando esta integração alinhada com a Indústria 4.0. O primeiro armazena e integra dados de várias fontes e o segundo reproduz movimentações de bens e trocas de informação a partir destes dados, incorpora riscos e permite analisar o seu impacto. Os resultados da tese revelaram que, apesar da organização, onde se inseriu a tese, possuir condições tecnológicas (como sistema de informação de suporte) e processos de referência, diversos problemas de dados foram observados. A simulação é usada para detetar e colmatar alguns destes problemas, pois as incoerências foram identificadas devido às necessidades inerentes à utilização da simulação. A identificação dos problemas neste ambiente de excelência sugere a relevância do trabalho e que outros projetos podem passar por problemas equivalentes. Assim, é proposta uma classificação para os problemas, servindo como marco para futuros projetos semelhantes. Ultrapassados os problemas nos dados, a simulação é usada para suportar a tomada de decisão, permitindo: (1) correr simulações usando os dados armazenados; (2) incorporar riscos ao permitir que disrupções sejam disparadas durante a simulação, ou que distribuições estatísticas sejam aplicadas para modelar variabilidade na oferta ou na procura; (3) adaptar o modelo de simulação a alterações nos dados, em tempo-real; (4) carregar o estado do sistema real a partir dos dados, para analisar intervalos específicos, sem se ter de esperar que a simulação chegue ao início do intervalo que se pretende analisar; (5) e permitir que a simulação corra para além do intervalo de tempo considerado nos dados armazenados, adicionando, assim, capacidades preditivas aos modelos de simulação.