Forecasting and control in closed loop supply chains

Abstract

Today, manufacturers are reacting to a combination of economic, legislative, and corporate social responsibility pressures, and are increasingly taking responsibility for their products when those reach their “end-of-life”. In doing so, they see their operations move from the traditionally linear “make-use-dispose” models to circular economic, “make-use-reuse” models. Remanufacturing is one such model, and is the most cost-effective, sustainable way to acquire a like-new product. In the product recovery hierarchy, remanufacturing is placed toward the top tier, as it encourages the reuse of both parts and products with minimal additional input of raw materials, thus playing a prominent role in the circular economy. It refers to the transformation of used products (cores) into products that satisfy pre-specified standards that are at least similar, if not identical, to new products. While many operations are similar to those of traditional manufacturers, remanufacturers have to deal with extra uncertainties stemming from the core acquisition and transformation process (Goltsos et al., 2018). The thinking then moves from what to do at the end-of-life to what to do at the end of each service life, as cores become inputs to the (re)manufacturing process. This otherwise beneficial transformation of business comes with increased uncertainties that need to be addressed. The supply process, which describes material inputs to production, becomes much harder to model and control as it expands to include product returns. Compounding the ever-present demand uncertainties, remanufacturers are faced with what we describe as “dual-source” uncertainty: unknown demands, unknown returns, ergo unknown ’net demand’ (demand minus returns). Careful review of the literature reveals three ‘pillars of remanufacturing’, viz. forecasting, collection strategies, and inventory control, to alleviate the extra uncertainties arising from ‘closing the loop’. The focus of this research lies on forecasting returns by also exploring their ‘utility’ in terms of their inventory performance. In supply chain operations, inventory control is concerned with supporting operational decisions on procurement and stocking of multiple stock keeping units, as well as the parts and materials used to make them. These inventories are in place to satisfy eventual customer demand, at a required service level and/or a budget. In situations where demand is dependent, such as the demand of parts is to that of their assembly’s, controlling the inventories boils down to a scheduling exercise through material requirement planning (MRP) procedures. If demand is independent, but somehow is known in advance, economic order quantity formulations will provide optimal stocking decisions (Harris, 1913). However, customer demand is mostly independent and unknown at the time stocking and production decisions need to be made, and therefore we need to forecast it. In this context, we refer to a forecast as a (best possible) genuine expectation of what is going to happen in terms of demand for a particular stock keeping unit (often with sales as a proxy). This can refer to point (mean or median) forecasts, forecasts of variance, parameters of or indeed the entire lead time demand distribution. A distinction needs to be made around such forecasts of demand (or indeed returns, in closed loop supply chain contexts), eventually to be used for stock keeping unit (SKU) inventory management, to forecasts for other functions (e.g. marketing). We use the term “inventory forecasting” then to describe the intersection of these two areas, literature on inventory control based on forecasted parameters, exploiting or adapting to characteristics of demand. An extensive, critical review of this literature intersection is conducted (the first of its kind, Goltsos et al., 2020), and has informed modelling decisions of this work. In this context of remanufacturing operations forecasting entails the simultaneous challenges: (a) forecasting of timing and quantity of demand, (b) forecasting of timing and quantity of returns, and (c) forecasting of the quality status of the returns (at the very minimum how many returns are useable, that is, the number of remanufacturable returns). Our work focuses on the first two challenges: simultaneously forecast demand and returns, to inform procurement and production decisions in remanufacturing operations.Unlike demand, the stream of returned items cannot be assumed to be an independent random variable, but rather is correlated to past sales. Four methods proposed by Kelle and Silver (1989) have attracted attention both in theoretical and empirical domains. Due to lack of available data, these methods have never been tested against actual (real, serialised) data of sales and returns, and therefore their empirically grounding has been lacking. Further, research in the area has adopted some convenient assumptions with regards to demand forecasting, which has obscured the effects of demand uncertainty on returns forecasting (and remanufacturing operations). This research is the first to address these two concerns, and to provide empirical evidence on the effects of serialisation in returns forecasting. Based on an unprecedented in detail (and effort expended to compile) case study, we model the operations of a typical remanufacturer. We modify returns forecasting methods to allow for unknown demand. An in-depth empirical analysis is conducted, via simulation, of the performance of the methods in a remanufacturing environment. A unique data set of serialized transactional issues and returns from the Excelitas Group and one of their defence contractors in North Wales, Qioptiq, was used for that purpose. Beyond utilizing empirical data, the simulation exercise was conducted, in its entirety, by employing real (as opposed to hypothesized) values for all control parameters. We (are the firsτ to) have characterized the empirical behaviour of the returns distribution (based on real data), as well as both the demand and returns series, and constructed a detailed simulation exercise to assess, ex ante, the performance of various forecast methods associated with differing degrees of information intensiveness. The performance, both in terms of accuracy and utility (inventory performance), has been discussed against the backdrop of information technologies and data availability literature. We suggest that serialization is something worthwhile pursuing for low-volume products, especially if they are expensive. However, we provide evidence that such benefits also expand in the case of high-volume items. Importantly, the benefits of serialization not only enable the implementation of the more complex method (M3), but also the accurate characterization of the returns process thus also benefiting the more robust, simpler one (M2). In terms of distributions, we recommend either the employment of the actual empirical or a beta representation of it. In terms of methods, M3 performs best in stable environments while M2's robustness is preferable otherwise. We are the first to find that demand uncertainty is often the main drive for uncertainty in the system, and call for further research on how to control it in the remanufacturing context. We believe that these findings are relevant to both the returns forecasting and the information availability literature streams. Finally, arguments are presented for the importance of the interaction of forecasting and inventory control in the remanufacturing and general contexts.

Σήμερα, οι κατασκευαστές αντιδρούν σε έναν συνδυασμό οικονομικών, νομοθετικών και πιέσεων εταιρικής κοινωνικής ευθύνης και αναλαμβάνουν ολοένα και περισσότερο την ευθύνη για τα προϊόντα τους, όταν αυτά φθάσουν στο τέλος της ζωής τους. Με αυτόν τον τρόπο, βλέπουν τις λειτουργίες τους να μετακινούνται από τα παραδοσιακά γραμμικά μοντέλα "make-use-dispose" σε κυκλικά οικονομικά μοντέλα "make-use-reuse". Η ανακατασκευή (“remanufacturing”) είναι ένα τέτοιο μοντέλο και είναι ο πιο αποδοτικός και βιώσιμος τρόπος απόκτησης ενός ‘σαν καινούριο’ προϊόντος. Στην ιεραρχία ανάκτησης προϊόντων, η ανακατασκευή τοποθετείται κοντά στην κορυφή, καθώς ενθαρρύνει την επαναχρησιμοποίηση με ελάχιστη πρόσθετη εισροή πρώτων υλών, διαδραματίζοντας έτσι σημαντικό ρόλο στην κυκλική οικονομία. Αναφέρεται στον μετασχηματισμό χρησιμοποιημένων προϊόντων (πυρήνων, “cores”) σε προϊόντα που πληρούν προδιαγραφές και πρότυπα που είναι τουλάχιστον παρόμοια, αν όχι ταυτόσημα, με εκείνα νέων προϊόντων. Ενώ πολλές λειτουργίες είναι ανάλογες με εκείνες των παραδοσιακών κατασκευαστών, οι ανακατασκευαστές πρέπει να ασχοληθούν με τις πρόσθετες αβεβαιότητες που απορρέουν από την διαδικασία της ανάκτησης και μετασχηματισμού των πυρώνων (Goltsos et al., 2018).Έτσι η σκέψη μετακινείται από το τι πρέπει να κάνει στο τέλος της ζωής στο τι πρέπει να κάνει στο τέλος κάθε υπηρεσίας, καθώς οι πυρήνες γίνονται εισροές στη διαδικασία (επανα)κατασκευής. Αυτός ο κατά τα άλλα ευεργετικός επιχειρησιακός μετασχηματισμός έρχεται με αυξημένες αβεβαιότητες που πρέπει να αντιμετωπιστούν. Η διαδικασία τροφοδοσίας, η οποία περιγράφει τις εισροές πρώτων υλών στην παραγωγή, καθίσταται δυσκολότερη ως προς τη μοντελοποίηση και τον έλεγχο, καθώς επεκτείνεται για να συμπεριλάβει επιστροφές προϊόντων. Εμπλουτίζοντας τις συνεχώς υπάρχουσες αβεβαιότητες της ζήτησης, οι ανακατασκευαστές αντιμετωπίζουν αυτό που περιγράφουμε ως αβεβαιότητα "διπλής πηγής": άγνωστη ζήτηση, άγνωστες επιστροφές, ergo άγνωστη «καθαρή ζήτηση» (ζήτηση μείον επιστροφές). Προσεκτική ανασκόπηση της βιβλιογραφίας αποκαλύπτει τρεις «πυλώνες ανακατασκευής», viz. την πρόβλεψη, τις στρατηγικές συλλογής και τον έλεγχο αποθεμάτων, καλούνται να διαχειριστούν τις πρόσθετες αβεβαιότητες που προκύπτουν από το «κλείσιμο του κύκλου» (από σειριακές σε κυκλικές εφοδιαστικές αλυσίδες. Η παρούσα έρευνα επικεντρώνεται στις τεχνικές πρόβλεψης επιστροφών, εξετάζοντας επίσης την απόδοσής τους ως αναφορά τη διαχείριση αποθεμάτων. Στις διαδικασίες της αλυσίδας εφοδιασμού, η διαχείριση αποθεμάτων αφορά την υποστήριξη επιχειρησιακών αποφάσεων σχετικά με την προμήθεια και την αποθήκευση πολλαπλών μονάδων τήρησης αποθεμάτων (stock keeping units, SKU), καθώς και τα μέρη και υλικά που χρησιμοποιούνται για την κατασκευή τους. Αυτά τα αποθέματα είναι σε θέση να ικανοποιήσουν την τελική ζήτηση των πελατών, σε ένα απαιτούμενο επίπεδο εξυπηρέτησης ή / και έναν προϋπολογισμό. Σε περιπτώσεις όπου η ζήτηση είναι εξαρτημένη, όπως η ζήτηση εξαρτημάτων είναι εξαρτημένη στη ζήτηση των τελικών προϊόντων που συνθέτουν, ο έλεγχος αποθεμάτων μειώνεται σε μια προγραμματισμένη άσκηση μέσω διαδικασιών προγραμματισμού απαιτούμενων υλικών (MRP). Εάν η ζήτηση είναι ανεξάρτητη, αλλά με κάποιο τρόπο είναι γνωστή εκ των προτέρων, οι οικονομικές παραγγελίες ποσότητας θα παρέχουν τις βέλτιστες αποφάσεις για τα αποθέματα (Harris, 1913). Ωστόσο, η ζήτηση πλείστο ανεξάρτητη και άγνωστη κατά τη στιγμή που πρέπει να ληφθούν αποφάσεις σχετικά με την αποθήκευση και την παραγωγή, και γι' αυτό πρέπει να την προβλέψουμε. Σε αυτό το πλαίσιο, αναφερόμαστε σε μια πρόβλεψη ως την (καλύτερη δυνατή) προσδοκία για το τι πρόκειται να συμβεί όσον αφορά τη ζήτηση για μια συγκεκριμένη μονάδα τήρησης αποθεμάτων. Αυτό μπορεί να αναφέρεται σε μοναδική πρόβλεψη (μέση ή διάμεση ζήτηση), πρόβλεψη διασποράς, παραμέτρους, ή ολόκληρη την κατανομή της ζήτησης στο χρόνο που θέλουμε να προβλέψουμε. Διακρίνουμε αυτές τις προβλέψεις της ζήτησης (ή επιστροφών, στο πλαίσιο των κυκλικών αλυσίδων εφοδιασμού που μελετάμε), ενδεχομένως να χρησιμοποιηθεί για διαχείριση αποθεμάτων μονάδας αποθήκευσης (SKU), από προβλέψεις για άλλες λειτουργίες (π.χ. για προώθηση προϊόντων). Χρησιμοποιούμε τον όρο "πρόβλεψη διαχείρισης αποθεμάτων" για να περιγράψουμε τη διασταύρωση αυτών των δύο περιοχών, τη βιβλιογραφία για τον έλεγχο διαχείρισης αποθεμάτων που βασίζεται στην πρόβλεψη παραμέτρων, την εκμετάλλευση ή την προσαρμογή στα χαρακτηριστικά της ζήτησης. Είμαστε οι πρώτοι που διεξάγουμε κριτική ανασκόπηση αυτής της βιβλιογραφίας (Goltsos et al., 2020), η οποία ενημερώνει τις αποφάσεις μοντελοποίησης αυτής της εργασίας. Στο πλαίσιο αυτό, οι προβλέψεις γύρω από τις λειτουργίες ανακατασκευής συμπεριλαμβάνουν τρεις ταυτόχρονες προκλήσεις: α) πρόβλεψη του χρονισμού (πότε) και της ποσότητας (πόσο) της ζήτησης, β) πρόβλεψη του χρονισμού και της ποσότητας των επιστροφών, και γ) την κατάσταση/ποιότητα των επιστροφών (τουλάχιστον στο ελάχιστο πόσες αποδόσεις είναι χρήσιμες, δηλαδή στον αριθμό των ανακατασκευάσιμων επιστροφών). Η έρευνά μας επικεντρώνεται στις δύο πρώτες προκλήσεις: ταυτόχρονη πρόβλεψη της ζήτησης και των αποδόσεων, προς ενημέρωση των αποφάσεων παραγγελιών και παραγωγής στα πλαίσια επιχειρήσεων ανακατασκευής. Σε αντίθεση με τη ζήτηση, η ροή των επιστρεφόμενων στοιχείων δεν μπορεί να θεωρηθεί ανεξάρτητη τυχαία μεταβλητή, αλλά συνδέεται ισχυρά με προηγούμενες πωλήσεις. Όπως θα δείξουμε, αυτή η σχέση δεν μπορεί να παραμεληθεί χωρίς κόστος. Τέσσερις μέθοδοι που προτάθηκαν από τους Kelle and Silver (1989) έχουν προσελκύσει την προσοχή τόσο σε θεωρητικούς όσο και σε εμπειρικούς τομείς. Λόγω της έλλειψης διαθέσιμων δεδομένων, αυτές οι μέθοδοι δεν έχουν ποτέ δοκιμαστεί σε πραγματικά (σειριακά) δεδομένα πωλήσεων και επιστροφών, και επομένως η απόδοση τους σε πραγματικά δεδομένα είναι ελλειπής. Επιπλέον, η έρευνα στην περιοχή έχει υιοθετήσει κάποιες βολικές υποθέσεις όσον αφορά την πρόβλεψη της ζήτησης, οι οποίες αποκρίπτουν τις επιπτώσεις της αβεβαιότητας περί της ζήτησης όσον αφορά την πρόβλεψη των επιστροφών (και τις εργασίες ανακατασκευής). Η έρευνα είναι η πρώτη που εξετάζει αυτές τις δύο παραμέτρους, και παρέχει εμπειρικά στοιχεία σχετικά με τις επιπτώσεις της στειροποίησης στις προβλέψεις των επιστροφών. Βασιζόμενοι σε πρωτοφανής λεπτομέρειας δεδομένα (και κόπου που δαπανήθηκε για να αποκτηθούν), μοντελοποιούμε τις λειτουργίες ενός τυπικού ανακατασκευαστή. Τροποποιούμε τις μεθόδους πρόβλεψης επιστροφών για να επιτρέψουμε άγνωστη ζήτηση. Μια εμπεριστατωμένη εμπειρική ανάλυση διεξάγεται, μέσω προσομοίωσης, της απόδοσης των μεθόδων σε ένα περιβάλλον ανακατασκευής. Ένα μοναδικό σύνολο δεδομένων των σειριοποιημένων συναλλαγών και των επιστροφών από τον Όμιλο Excelitas και έναν από τους εργολάβους άμυνας στη Βόρεια Ουαλία, την Qioptiq, χρησιμοποιήθηκε για το σκοπό αυτό. Εκτός από την χρήση εμπειρικών δεδομένων, η άσκηση προσομοίωσης διεξήχθη, στο σύνολό της, χρησιμοποιώντας πραγματικές (σε αντίθεση με υποτιθέμενες) τιμές για όλες τις παραμέτρους ελέγχου. Είμαστε (οι πρώτοι) που χαρακτηρίζουμε την εμπειρική συμπεριφορά της κατανομής επιστροφών (βάση πραγματικών δεδομένων), καθώς και της σειράς ζήτησης και επιστροφών και κατασκεύασε μια λεπτομερή άσκηση προσομοίωσης για την εκ των προτέρων αξιολόγηση των επιδόσεων των διαφόρων προβλέψεων μεθόδους που σχετίζονται με διαφορετικούς βαθμούς έντασης πληροφοριών. Η απόδοση, τόσο ως προς την ακρίβεια όσο και ως προς την χρησιμότητα (απόδοση αποθεμάτων), έχει συζητηθεί στο πλαίσιο της τεχνολογίας των πληροφοριών και της βιβλιογραφίας σχετικά με τη διαθεσιμότητα δεδομένων. Βρίσκουμε πως η σειριοποίηση (που επιτρέπει τη χρησιμοποίηση της πιο σύνθετης μεθόδου, Μ3), που είναι κάτι που αξίζει τον κόπο για προϊόντα χαμηλής ζήτησης, ειδικά εάν είναι δαπανηρά. Επίσης, παρέχουμε αποδείξεις ότι τα οφέλη αυτά επεκτείνονται επίσης ε περιπτώσεις ειδών μεγάλου όγκου. Είναι σημαντικό ότι τα οφέλη της σειριοποίησης όχι μόνο καθιστούν δυνατή την εφαρμογή της M3, αλλά και το ακριβή χαρακτηρισμό της διαδικασίας επιστροφών, ωφελώντας έτσι και την πιο σταθερή και απλούστερη (M2). Όσον αφορά κατανομές, συνιστούμε είτε την χρησιμοποίηση της πραγματικής εμπειρικής κατανομής, είτε της κατανομής βήτα. Όσον αφορά τις μεθόδους, η M3 λειτουργεί καλύτερα σε σταθερά περιβάλλοντα, ενώ η σταθερότητα της M2 είναι προτιμότερη σε περιβάλλοντα υψηλής αβεβαιότητας. Διαπιστώνουμε ότι η αβεβαιότητα της ζήτησης είναι συχνά η κύρια πηγή αβεβαιότητας στο σύστημα, και πως περαιτέρω έρευνα απαιτείται σχετικά με τον έλεγχό της. Πιστεύουμε ότι αυτά τα ευρήματα σχετίζονται τόσο με την έρευνα πρόβλεψης επιστροφών όσο και με τις ροές της βιβλιογραφίας σχετικά με τη διαθεσιμότητα πληροφοριών και τα συστήματα διαχείρισής τους. Τέλος, παρουσιάζονται επιχειρήματα για τη σημασία της αλληλεπίδρασης της πρόβλεψης και του ελέγχου των αποθεμάτων γενικότερα αλλά και σε περιβάλλοντα ανακατασκευής συγκεκριμένα.