Application of a multi-echelon safety stock optimization model. Barilla case study

The thesis work originates from an optimization project carried out in Barilla Group supply chain area, specifically in Supply Chain Network Design department, where I conducted my internship. The project concerns the application of a multi-echelon safety stock optimization model on Barilla distribution network. To directly address the problem, the project includes the deployment of Llamasoft Supply Chain Guru, an integrated optimization software that provides optimization model packages. Supply Chain Guru Inventory Optimization model is investigated and tested for the first time in the company during this project. Specifically, Safety Stock Optimization model is applied with the objective to determine the optimal safety stock level in the network, minimizing the inventory holding cost related to the whole distribution network and to meet a target customer service requirement. The perspective is not restricted locally to customer-facing stages only, but it includes the whole multi-echelon distribution network, for an augmented and effective safety stock optimization. Supply Chain Guru Safety Stock Optimization consists of two stages. First, demand is studied based on a categorization schema developed by Syntetos and Boylan (2005), which classifies demand according to two variables: intermittency, that is how often demand occurs in a given period, and variation, that is how different in quantity demand occurs in a given period. The mentioned classification framework is enforced in the model to associate a product demand to one of the four demand classes defined by the combination of the two categorization variables. Indeed, based on a two-axis matrix where demand intermittency and demand variation are the variables and specific threshold values for both variables are set, four possible demand classes are outlined: (1) smooth demand corresponds to a non-intermittent and stationary demand, (2) erratic demand defines a non-intermittent and highly variable demand, (3) slow demand represents an intermittent and low variable demand and (4) lumpy demand occurs as non-intermittent and highly variable demand. Demand analysis and classification anticipates safety stock optimization, so that demand statistics are computed, and lead time demand distribution may be defined, according to the demand class, becoming input information for the subsequent step. Once demand analysis has completed, the second stage, multi-echelon safety stock optimization, starts. Multi-echelon systems require appropriate optimization models that includes the interdependent variables in the analysis, providing with an effective optimized output at the whole network-level. Simchi-Levi and Zhao (2012) argue that three drivers have brought to positive results in the adoption of multi-echelon inventory optimization approaches: (1) the data availability about demand and lead time, (2) industries’ interest in implementing scientific methods in inventory management and (3) latest development of models and algorithms focused on inventory control in general multi-echelon systems. Specifically, in Supply Chain Guru software, Safety Stock Optimization is based on Graves and Willems (2000) Guaranteed-service model. Graves and Willems approach assumes that every stage quotes a guaranteed service time to its immediate downstream stage, after which the requested item is available. The service times are the decision variables of the model objective function that minimizes the inventory holding cost at all network levels, to meet a target customer service requirement. The result is an optimal safety stock level assuming a holistic supply chain perspective. The model has been built, entering input data concerning actual sourcing network, replenishments, lead times and costs. Demand has been entered as historical demand series, with the objective to test demand analysis functionality on actual demand information. The plan is to substitute historical demand with forecast demand information, for the operating need to assess the optimal safety stock level given the expected demand, with the corresponding forecasting error, in the future period. The applied multi-echelon safety stock optimization model should be evaluated by Barilla supply chain planning unit, considering the existing single-echelon safety stock optimization method implemented so far in the inventory planning unit. At the current project phase, a quantitative analysis of model results has not been feasible, since the multi-echelon-based model works with demand input information that are actual historical data, while the single-echelon-based method is founded on forecast demand data. The asymmetry of input data between the two methodologies led to the impossibility to run a quantitative analysis of results and a model evaluation at this project phase. Nonetheless, Supply Chain Guru optimization model appears a significant resource for future inventory planning processes for qualitative considerations. Demand analysis integrated with safety stock optimization allows the understanding of demand patterns for a more accurate determination of stock levels. The operating role potentially covered by the new optimization model may be combined also with a strategic role: the tool structure enables what-if analysis concerning the inventory network. Thus, although the actual model validation has not been carried out so far, the project has brought to a significant acquaintance with the software logic and with the optimization model construction that frame the multi-echelon safety stock optimization model as potential key resource for the development of inventory planning in Barilla network.

Il presente lavoro di tesi nasce da un progetto avviato durante un tirocinio in Barilla G. & R. Fratelli, nello specifico nell’area di Supply Chain Network Design. Il progetto si pone come obbiettivo quello di individuare e di applicare un modello di ottimizzazione a multi-livello sulle scorte di sicurezza nel network distributivo di Barilla. Lo sviluppo del progetto ha visto l’utilizzo di Llamasoft Supply Chain Guru, un software che offre diversi modelli di ottimizzazione di supply chain. Il modello Supply Chain Guru Safety Stock Optimization è studiato e testato per la prima volta nel network Barilla, con l’obbiettivo di determinare il livello ottimale di scorte di sicurezza nel network, minimizzando i costi relativi alle scorte di tutto il sistema distributivo e per garantire un livello di servizio a cliente. La metodologia adottata nel modello di ottimizzazione è basata su una tipologia di ottimizzazione di rete multi-livello, che differisce da una di tipologia di rete mono-livello per la considerazione dell’interdipendenza di variabili come i costi e il livello di servizio tra i diversi livelli di una rete distributiva. Il modello in Supply Chain Guru prevede due steps. Nel primo step, Demand Analysis, la domanda è analizzata sulla base di un “categorization schema” sviluppato da Syntetoes e Boylan (2005), che classifica la domanda secondo due variabili: l’intermittenza e la variabilità della domanda. L’analisi e la classificazione della domanda permettono una comprensione della stessa e della sua distribuzione, per un successivo calcolo delle scorte di sicurezza più accurato. Infatti, nel secondo step avviene la vera e propria ottimizzazione del livello delle scorte di sicurezza, che si fonda sul modello Guaranteed-service di Graves e Willems (2000). Secondo tale metodologia, ogni stage della catena distributiva assicura al proprio stage successivo che dopo un definito service time, o tempo di servizio, la quantità richiesta sarà disponibile. I service times rappresentano le variabili decisionali del modello di ottimizzazione. L’applicazione del modello ha previsto l’inserimento di dati a consuntivo relativi alla supply chain Barilla con riferimento ad un periodo specifico. La validazione del modello di ottimizzazione di rete multi-livello necessita di un’analisi dei risultati di quest’ultimo, utilizzando come parametro di confronto l’output del modello di ottimizzazione a rete mono-livello attualmente implementato nell’azienda. Tuttavia, data l’asimmetria dei dati input tra i due modelli in questa fase del progetto, non è stato possibile effettuare un’analisi quantitativa del modello sviluppato. Infatti, in questa fase preliminare della costruzione del modello di ottimizzazione su rete multi-livello, la domanda inserita come dato input è stata quella a consuntivo come serie storica, mentre il modello mono-livello attualmente utilizzato si basa su dati input relativi alla domanda previsionale. In questa fase del progetto, quindi, è stato possibile eseguire un’analisi qualitativa del modello sviluppato. Questo infatti, innanzitutto integra un’analisi preliminare della domanda, non prevista nel modello attuale, che studia le caratteristiche della domanda di mercato, evitando l’assunzione di una distribuzione normale per tutta la domanda inserita nel modello. In secondo luogo, la metodologia di un’ottimizzazione delle scorte di sicurezza in una rete a multi-livello risulta molto accurata, prendendo in considerazione l’interdipendenza di variabili tra i diversi livelli della rete. Inoltre, lo strumento di ottimizzazione Supply Chain Guru si presta adeguato non solo per un utilizzo puramente operativo nella determinazione del livello di scorte di sicurezza, ma anche per un utilizzo strategico, dal momento che permette di effettuare simulazioni sul network distributivo.