由于 COVID19 的影响，一家跨国消费品包装（CPG）生产商的产品需求情况发生了重大变化，一些产品的需求激增，而另一些产品的需求则大幅下降。所需生产和库存水平未知，导致成本不确定。我们利用现有的供应链网络结构、生产限制、当前库存状态和库存补充策略，快速开发并部署了基于模拟的分析能力，以估算满足这种动态需求所需的生产和库存水平。该数据驱动模型可按地区和产品类别生成产量、库存水平和成本等输出结果，并将这些结果整合到分析仪表板中，以便进行近期规划和了解情况。该模型和仪表板使公司能够识别存在生产过剩风险的产品和生产工厂，包括估计的成本影响以及预测的所需生产率和库存水平，以支持每周的动态需求。
受 COVID19 大流行病的影响，客户公司对其 32,000 多种产品的全球需求发生了重大的计划外变化。该公司根据大流行前的规划对生产成本进行了估算，并根据最近的需求变化对需求预测进行了调整。但是，他们缺乏估算需求变化对计划生产率和库存水平的近期每周影响的能力。在为期三周的合作中，Genpact 开发并交付了以离散事件仿真模型为核心的分析能力。
所分析的系统是成品供应链，主要包括生产工厂和配送中心（DC）。产品通过供应链网络从工厂到配送中心（以及从配送中心到配送中心）进行生产和配送，以满足外部需求。仿真模型的主要目标是预测整个系统所需的生产量和库存水平，使决策者能够准确地确定适当的生产量分配，尤其是在需求快速变化的情况下。
使用 Alteryx 进行数据处理，使用 Simio 进行模拟，使用 Tableau 进行结果可视化，从而开发出分析能力。由于项目的快速性和客户希望每周更新数据
由于项目的快速性以及客户希望每周更新仪表盘数据，因此需要一个可扩展、可重复的数据驱动工作流。历史数据处理后生成产品清单、站点清单（配送中心和生产中心）、库存清单和采购清单（映射站点间的特定产品流）。客户提供了 SKU 和站点级别的每周需求数据。在典型的四周模拟范围内，经过处理的 Graunke 和 Urbina 输入数据包括 32,000 多种产品、1000 多个站点、36,000 多种库存、27,000 多种网络链接和 27,000 多种需求事件。
建模系统包含若干关键业务规则、限制和假设：
采购首先寻找有可用产能的工厂，然后寻找不受限制的工厂（如区域外工厂、供应商工厂），最后寻找配送中心。
该模型用于生成四周滚动窗口的结果。客户每周用当前需求数据更新模型并执行模型。模型的主要输出是满足需求和遵守库存补充政策所需的工厂级产量。模拟的原始输出包括所有生产活动（包括周、工厂、目的地和产量），以及每周的库存情况（包括库存和滞销库存，以及需求量和消耗量的累计总量）。这些结果被加载到客户托管的 Tableau 面板中，该面板对数据进行聚合和汇总（图 1）。客户能够利用这些数据调整整个供应链的生产水平，以满足需求，并能估算出相应的成本绩效。
图 1：概览仪表盘和生产工厂详情仪表盘。