Gemelos Digitales en la Cadena de Suministro: Gestionando el Efecto Cascada, Resiliencia y Riesgos de Interrupción mediante Optimización Orientada por Datos, Simulación y Visibilidad

Se puede observar en las Tablas 1 y 2 que las tecnologías de digitalización generalmente tienen un impacto positivo en el efecto cascada, pero pueden presentar algunos desafíos para su mitigación y control. El análisis de big data, la Industria 4.0 y la manufactura aditiva tienen influencias mixtas en el efecto cascada, mientras que los sistemas avanzados de R&A tienen un impacto positivo.

Estructurando el análisis en términos del modelo SCOR (Supply Chain Operations Reference), las actividades de sourcing y producción que involucran manufactura aditiva e Industria 4.0 implican una mayor exposición a riesgos externos y efecto cascada. Esto puede deberse a un aumento en la complejidad y a la probable reducción de los riesgos de tiempo y demanda debido a una mayor flexibilidad y a plazos de entrega más cortos. Pueden encontrarse riesgos de suministro más altos si ocurre una interrupción en la cadena de suministro aguas arriba, dado que no existe inventario intermedio entre las etapas. Los riesgos en el proceso de entrega en la cadena de suministro son mitigados por el análisis de big data debido a una mejor visibilidad de la cadena de suministro, precisión en las predicciones, reducción de los riesgos de interrupción de información y mejor calidad en la activación de planes de contingencia. Para la planificación integrada de la cadena de suministro, se pueden lograr reducciones en los riesgos de suministro y tiempo mediante el uso de sistemas avanzados de R&A que permiten la coordinación en tiempo real y la activación oportuna de políticas de contingencia.

En la fase proactiva, las cadenas de suministro suelen protegerse contra interrupciones mediante el uso de inventarios de riesgos, capacidad de reserva y proveedores de reserva. Esto resulta costoso, especialmente si no ocurre ninguna interrupción. Blockchain podría ayudar a reducir estas ineficiencias si logramos crear un registro de actividades y datos necesarios para la recuperación en términos de planes de contingencia sincronizados. La manufactura aditiva puede reducir la necesidad de inventarios de riesgos, capacidad de reserva y proveedores de reserva para contingencias. Los principios de control descentralizado en los sistemas de la Industria 4.0 permiten diversificar los riesgos y reducir la necesidad de redundancia estructural en la cadena de suministro, utilizando la flexibilidad de la manufactura.

En la fase reactiva, si ocurre una interrupción, los planes de contingencia de la fase proactiva pueden implementarse más rápidamente y de manera efectiva si se aumenta la visibilidad de la cadena de suministro. El análisis de big data y los sistemas avanzados de R&A en general, y la tecnología blockchain en particular, pueden ayudar a rastrear las raíces de las interrupciones, observar la propagación de las mismas (es decir, el efecto cascada), seleccionar acciones de estabilización a corto plazo basadas en una comprensión clara de las capacidades y el inventario disponible (planificación de emergencia), desarrollar una política de recuperación a medio plazo y analizar el impacto del efecto cascada en el rendimiento a largo plazo. La manufactura aditiva tiene el potencial de reducir la propagación de interrupciones en la cadena de suministro, dado que se reducirían el número de capas y la complejidad resultante.

4. Resiliencia en la cadena de suministro: el modelo de Baja Necesidad de Certeza (LCN)

4.1. Modelo conceptual

El modelo LCN de CS (Ivanov y Dolgui 2018) sugiere abordar el riesgo de ruptura en CS y el campo del efecto cascada desde otra perspectiva. En lugar de oponer eficiencia y resiliencia, sugerimos considerar sus intersecciones mutuas para mejorarlas conjuntamente basándose en efectos sinérgicos en términos de resiliencia de CS.

Los principales costos de la gestión de interrupciones se observan en la predicción de interrupciones, en la redundancia protectora y en las capacidades reactivas, como resultado de una mayor necesidad de certeza y los esfuerzos resultantes en redundancia y recuperación. Por lo tanto, sugerimos estudiar estas áreas desde la perspectiva de la complementariedad de la eficiencia y la resiliencia (Fig. 3).

Fig. 3. Modelo de baja necesidad de certeza para la cadena de suministro (Ivanov y Dolgui 2018)

Según la Figura 3, la complejidad estructural, la inflexibilidad del proceso y el uso no flexible de recursos, así como la insuficiente redundancia paramétrica, aumentan la incertidumbre y la propagación del riesgo de interrupción en CS. El objetivo final del diseño de la cadena de suministro LCN es desarrollar la capacidad de operar según el rendimiento planificado, independientemente de los cambios ambientales. Por lo tanto, el diseño LCN tiene dos capacidades críticas, a saber, la baja necesidad de consideración de la incertidumbre en las decisiones de planificación y la baja necesidad de esfuerzos de coordinación de recuperación.

La variedad estructural, la flexibilidad del proceso y la redundancia paramétrica aseguran la resistencia a las interrupciones y la asignación de recursos de recuperación, permitiendo que la operación de CS se lleve a cabo en una amplia gama de condiciones ambientales. Esto significa que las actividades de planificación en las cadenas de suministro LCN no dependen fuertemente de la predicción de la incertidumbre ni de inversiones proactivas en protección. Del mismo modo, se minimizan los esfuerzos de coordinación para la recuperación. Es importante destacar que el diseño de la cadena de suministro LCN no implica necesariamente costos más altos, sino que busca una combinación eficiente de elementos magros y resilientes.

Podemos discutir los principios de implementación de la estructura LCN SC en la práctica utilizando tecnología digital.

4.2. Flexibilidad en el uso de procesos y recursos

La flexibilidad en el uso de procesos y recursos implica, en un sentido amplio, la implementación de estaciones de trabajo universales y altamente flexibles, como las propuestas en los sistemas de la Industria 4.0. Asimismo, el uso de materiales universales puede considerarse en términos de flexibilidad para la recuperación en CS. La tecnología de manufactura aditiva también puede influir positivamente en la flexibilidad de productos y procesos, resultando en una combinación de eficiencia y resiliencia. La manufactura aditiva puede reducir la necesidad de proveedores de contingencia de reserva. Los principios de control descentralizado en los sistemas de la Industria 4.0 permiten diversificar los riesgos mediante el aumento de la flexibilidad de producción. Nuevas áreas de investigación pueden observarse en relación con el impacto de la digitalización en la resiliencia del diseño de CS (Ivanov et al., 2018). Por ejemplo, el análisis de big data y los sistemas avanzados de seguimiento y rastreo en general, y la tecnología blockchain en particular, pueden ayudar a rastrear el origen de las interrupciones, observar la propagación de estas interrupciones (es decir, el efecto cascada), seleccionar acciones de estabilización a corto plazo basadas en una comprensión clara de las capacidades y existencias disponibles (planificación de emergencia), desarrollar una política de recuperación a medio plazo y analizar el impacto del efecto cascada en el rendimiento a largo plazo. La manufactura aditiva tiene el potencial de reducir la propagación de interrupciones en CS, ya que disminuiría el número de capas en CS y la complejidad resultante.

4.3. Redundancia paramétrica económica

La redundancia paramétrica económica busca reservas eficientes de capacidad, inventario y plazos de entrega. Específicamente, estas reservas deben considerarse no solo como redundancia no utilizada, sino también para uso en condiciones normales de operación. La optimización de la redundancia de redes puede ser vista como un nuevo tema de investigación en esta área. Otro aspecto de la redundancia paramétrica es su asignación eficiente. Puede ser considerado como una nueva dirección de investigación que amplíe las técnicas existentes de mapeo de flujo de valor para la resiliencia de CS. La redundancia eficiente puede implementarse utilizando manufactura aditiva, lo cual ayuda a reducir la necesidad de inventarios de riesgo y reservas de capacidad. Finalmente, es necesario desarrollar nuevos esquemas de clasificación de materiales, basados en la criticidad de los materiales y la exposición al riesgo, en términos de diseño de CS eficientes y resilientes.

5. Gémino Digital de la Cadena de Suministro: Optimización y simulación basadas en datos para gestionar los riesgos de interrupción

5.1. Cadena de suministro como sistemas ciberfísicos

Hoy y mirando hacia el futuro cercano, la CS será tan buena como la tecnología digital que la respalde. Ejemplos recientes de aplicaciones de tecnología digital para CS permiten la nueva proposición de que la competencia no es entre CS, sino entre servicios de CS y los algoritmos analíticos detrás de las CS. Los servicios pueden ser encargados en paquetes o en módulos individuales (Fig. 4).

Fig. 4. Coordinación de servicios y flujos de materiales en la cadena de suministro ciberfísica

Ejemplos de aplicaciones de CS y análisis de operaciones incluyen logística y control de CS con datos en tiempo real, gestión de inventarios y manejo utilizando datos de detección, asignación dinámica de recursos en sistemas de ensamblaje personalizados de la Industria 4.0, mejora de modelos de pronóstico utilizando big data, técnicas de aprendizaje automático para control de procesos, visibilidad y control de riesgos en CS, optimización de sistemas basada en información predictiva (por ejemplo, mantenimiento predictivo), combinación de algoritmos de optimización y aprendizaje automático, y modelado y optimización basados en simulación para sistemas estocásticos.

El éxito competitivo de CS dependerá cada vez más de algoritmos analíticos combinados con optimización y modelado de simulación. Inicialmente diseñadas para la automatización de procesos, las técnicas de análisis de negocios ahora están revolucionando mercados y modelos de negocio, con un impacto significativo en el desarrollo de GCS. Como resultado, surgirán nuevos modelos disruptivos de negocio de CS, donde las CS no se entenderán como sistemas físicos rígidos con asignaciones fijas y estáticas de procesos a empresas individuales. En su lugar, diferentes empresas físicas ofrecerán servicios de suministro, producción, logística y ventas, lo que conducirá a una asignación dinámica de procesos y estructuras de CS. La literatura reciente ha documentado la posibilidad de modelar tales CS con flujos integrados de servicios y materiales (Ivanov et al., 2014c).

5.2. Gemelos digitales de la cadena de suministro

Dunke et al. (2018) subrayan que la digitalización y la Industria 4.0 pueden influir significativamente en las técnicas de optimización en el dominio de CS, así como en los impactos de la propagación de interrupciones en el rendimiento de CS. Con la ayuda de enfoques de optimización y simulación, la investigación actual genera nuevos conocimientos sobre la influencia de la propagación de interrupciones en el rendimiento de salida de CS, considerando la ubicación de la interrupción, su duración y las políticas de propagación y recuperación. Las nuevas tecnologías digitales crean nuevos desafíos para la aplicación de técnicas de análisis cuantitativo en el análisis de efectos cascada en CS y abren nuevos caminos y problemas para estas aplicaciones.

En las últimas décadas, la simulación y la optimización han desempeñado roles significativos en la resolución de problemas complejos. Ejemplos exitosos incluyen la planificación y programación de la producción, el diseño de CS y la optimización de rutas, entre otros. Sin embargo, muchos problemas siguen siendo desafiantes debido a su complejidad y escala, y/o a la incertidumbre y naturaleza estocástica. Además, la principal aplicación de métodos de optimización y simulación en las últimas décadas se ha observado en el apoyo a la toma de decisiones, lo que implica que los tomadores de decisiones deben proporcionar manualmente la entrada del modelo e interpretar la salida del modelo. Por otro lado, el rápido ascenso del análisis de negocios ofrece oportunidades interesantes para la Investigación Operativa y el reexamen de estos difíciles problemas de optimización, así como problemas emergentes (Fig. 5).

Fig. 5. Modelo de análisis de riesgos de la cadena de suministro digital

Los datos de suministro, fabricación, logística y ventas están distribuidos entre sistemas muy diversos como ERP, RFID, sensores y blockchain. El análisis de big data integra estos datos con la información utilizada por los algoritmos de IA en CS cibernética y por los gerentes en CS física. Como resultado, está surgiendo una nueva generación de modelos de simulación y optimización. La adopción generalizada del análisis y su integración con la Investigación Operativa demuestran que la simulación y la optimización son fundamentales, no solo en la modelización de sistemas de CS físicos, sino también en la modelización de sistemas de CS cibernéticos y en el aprendizaje con ellos.

Un ejemplo de sistema de soporte a la decisión que combina simulación, optimización y análisis de datos se muestra en la Fig. 6.

Fig. 6. Concepto de un sistema de apoyo a la decisión para análisis de riesgo de la cadena de suministro (Ivanov et al., 2018)

El sistema de apoyo a la decisión para análisis de riesgo de CS tiene como objetivo el diseño proactivo y resiliente de CS anticipando interrupciones y adaptaciones estructurales y paramétricas en caso de interrupciones. El sistema de apoyo a la decisión se basa en un concepto que combina simulación, optimización y análisis de datos. La parte de Simulación-Optimización del sistema está destinada a proporcionar una optimización proactiva y resiliente de CS y la simulación del comportamiento dinámico de CS en caso de posibles interrupciones o escenarios de interrupción. Además, esto respalda la simulación reactiva y predictiva de los impactos de las interrupciones en el rendimiento de CS y las políticas de recuperación que posteriormente se optimizan de manera prescriptiva utilizando un modelo analítico. La parte de análisis de datos del sistema se aplica a la identificación de interrupciones en tiempo real utilizando datos de retroalimentación del proceso, por ejemplo, de sensores y RFID. Además, busca la entrada automatizada de datos de interrupción en el modelo de simulación reactiva para la simulación y optimización de políticas de recuperación. Finalmente, el análisis de datos se utiliza como un sistema de aprendizaje basado en datos en la fase proactiva, ayudando a generar escenarios de interrupción adecuados para el diseño y planificación resiliente de CS.

A nivel proactivo, los modelos de programación matemática ofrecen insights significativos para los gestores y pueden aplicarse donde se puede estimar aproximadamente la probabilidad de interrupción. Por otro lado, el análisis de big data y los sistemas avanzados de seguimiento y monitoreo pueden ayudar en la predicción de interrupciones y proporcionar datos más precisos para construir escenarios sofisticados de interrupción para análisis de proyectos de CS resilientes. Las tecnologías digitales plantean nuevos desafíos para el diseño resiliente de CS. Por ejemplo, la manufactura aditiva está cambiando los diseños de CS y pueden surgir nuevos problemas para el abastecimiento resiliente. Esta área aún puede mejorarse mediante plataformas de compras colaborativas.

A nivel reactivo y en términos de estrategias de mitigación e identificación del impacto de las interrupciones en el desempeño financiero y operativo, las tecnologías digitales pueden utilizarse ampliamente para obtener información en tiempo real sobre el alcance y la escala de las interrupciones, su propagación en CS y para simular posibles estrategias de recuperación. Además, a nivel reactivo, se requiere adaptación para alcanzar el rendimiento de producción deseado, asegurando la posibilidad de cambiar planes de CS y políticas de inventario. Los procesos de adaptación en el control del efecto cascada pueden ser respaldados por retroalimentación y métodos de control adaptativos utilizando técnicas de agentes descentralizados con la ayuda de tecnologías digitales (Levalle y Nof, 2017). La visualización de estos procesos a través de simulación respaldada por realidad virtual aún no se ha explorado ampliamente para modelar el efecto cascada en la cadena de suministro. Para ello, los modelos de simulación junto con las nuevas tecnologías digitales pueden mejorar las herramientas utilizadas en el desarrollo de la agilidad y visibilidad de CS en términos de velocidad de disrupción.

A combinação de simulação e otimização pode ampliar o escopo de ambas. A combinação dos métodos permite:

- Otimização da rede para minimizar o custo total da cadeia de suprimentos (CS).
- Análise dinâmica de políticas de pedidos, produção, estoque e controle de fornecimento usando simulação.

A simulação é uma ferramenta poderosa, especialmente quando combinada com otimização. Mais gestores de CS estão adotando a prática de usar essas técnicas em conjunto.

Um modelo típico de otimização e simulação de CS pode incluir e considerar os seguintes fatores ao trabalhar na análise de risco:

Design de rede e informação geográfica:
O projeto de rede, incluindo a localização geográfica dos locais, é fundamental para a maioria dos modelos de simulação de CS. Os sistemas de Informação Geográfica (GIS) são utilizados para localizar os pontos e calcular distâncias, rotas e tempos de viagem ao longo de estradas reais. Além dos cálculos geoespaciais, proporcionam visualização e transparência no modelo.

Parâmetros operacionais:
Políticas de controle de estoque, regras de pedidos pendentes, lotes de produção e algoritmos de programação, assim como políticas de remessa, precisam ser definidos e equilibrados no modelo para operação normal e interrompida. As ferramentas modernas de simulação de CS permitem a modelagem visual dessas políticas sem a necessidade de habilidades avançadas de programação.

Interrupções e recuperação:
A duração de eventos de interrupção aleatórios ou programados pode ser modelada usando distribuições de probabilidade. Para a recuperação, os analistas podem definir políticas específicas para diferentes locais e estabelecer regras para acionar essas políticas com base no momento do evento, sua duração prevista e sua gravidade.

Impacto no desempenho:
O impacto direto do efeito cascata pode ser observado nas mudanças nos KPIs (Key Performance Indicators). Receita, vendas, nível de serviço, taxa de atendimento e custos são frequentemente calculados. Ao contrário dos modelos analíticos que tendem a focar em uma métrica específica (por exemplo, custo/lucro), a simulação permite a medição simultânea de todas as métricas no mesmo modelo. Isso permite avaliar a duração da interrupção, medir o impacto no desempenho e avaliar a eficácia das políticas de mitigação.

Um modelo de simulação que aborde todos esses fatores pode servir como base para a construção de um gêmeo digital bem-sucedido de uma CS física, que pode ser usado para análises complexas de riscos da CS, desenvolvimento de planos de contingência e gerenciamento operacional mais eficiente.

Um gêmeo digital da CS pode apoiar a tomada de decisões baseada em dados para a CS física. Em cada ponto no tempo, o gêmeo digital reflete a CS física: dados reais de transporte, estoque, demanda e capacidade podem ser utilizados para planejamento e decisões de controle em tempo real. A combinação de simulação, otimização e análise de dados constitui um conjunto completo de tecnologias que podem ser empregadas para criar um gêmeo digital da CS – um modelo que sempre representa o estado da rede em tempo real (Fig. 7).

Fig. 7. Gemelo digital de la cadena de suministro (Ivanov 2018c)

Como se mencionó, un gemelo digital refleja el estado actual de una CS, con datos reales de transporte, inventario, demanda y capacidad. Por ejemplo, si hay una huelga en un centro logístico internacional, esta interrupción puede ser detectada por una herramienta de monitoreo de datos de riesgo y transmitida al modelo de simulación como un evento disruptivo. Entonces, la simulación en el gemelo digital puede ayudar a prever la posible propagación de interrupciones y cuantificar su impacto. Además, la simulación permite realizar pruebas eficientes de políticas de recuperación y ajustar planes de contingencia; por ejemplo, topologías de red alternativas y rutas de reserva pueden ser reconsideradas en tiempo real. Estas capturas de pantalla fueron tomadas del software anyLogistix™ y muestran la animación del modelo basado en mapas y el editor de construcción de modelos.

Los datos de salida de una simulación del gemelo digital pueden transferirse a un sistema ERP o a una herramienta de inteligencia empresarial (BI) para analizar el impacto de las interrupciones en el rendimiento. Además, un modelo de simulación puede activar algoritmos de BI. Por ejemplo, si el nivel de servicio en un modelo de simulación disminuye hasta cierto punto, el gemelo digital puede activar un algoritmo de BI para investigar la causa del problema. Interactuando con otras herramientas de gestión de la cadena de suministro, un gemelo digital proporciona una torre de control para la visibilidad de la CS de extremo a extremo.

6. Conclusión

El impacto de la digitalización y la Industria 4.0 en el efecto cascada en la CS se ha estudiado en este capítulo. A pesar de algunos esfuerzos parciales para descubrir nuevos conocimientos sobre el impacto de las tecnologías digitales en los riesgos de la CS, la comprensión de la contribución individual y la interacción de diferentes tecnologías digitales en la gestión específica del riesgo de interrupción de la CS y el efecto cascada sigue siendo vaga. Este estudio contribuye al cuerpo de conocimientos en el área al combinar los resultados obtenidos en dos áreas aisladas, es decir, el impacto de la digitalización en la GCS y la gestión del efecto cascada en la CS.

Se espera que la digitalización penetre cada vez más en la industria en los próximos años, alterando enormemente los sistemas operativos y de negocios, así como la economía. Este potencial ofrece nuevas aproximaciones a la gestión de riesgos de la CS que traen oportunidades y desafíos. La fusión del mundo digital con los procesos industriales es lo que se conoce como transformación digital. Además de los procesos internos e interempresariales de producción y logística, esto también se aplica a los productos y servicios ofrecidos a los clientes que deben ser refinados mediante el uso de tecnologías digitales. Este capítulo explicó cómo las tecnologías digitales pueden utilizarse en la gestión de los riesgos de interrupción de la CS y el efecto cascada.

La tendencia hacia la aplicación de tecnologías digitales va más allá de la empresa fabricante. La red de proveedores, la red de clientes y los proveedores de servicios logísticos también deben instalar y desarrollar tecnologías digitales para flexibilizar toda la CS en entrega continua. Por esta razón, el enfoque debe estar en la gestión de riesgos para todos los actores de la CS en caso de incidentes más frecuentes, como catástrofes naturales o interrupciones de proveedores. Es fundamental comprender las fuentes y el proceso de tratamiento de los riesgos para facilitar la aplicación exitosa de las tecnologías digitales. Estas tecnologías pueden ofrecer beneficios enormes para las CS en términos de transparencia, visibilidad, reducción de costos, eficiencia y resiliencia. Sin embargo, aún existe una gran incertidumbre sobre la aplicación y la aceptación de las tecnologías, dado que muchas aún están en desarrollo y los estándares industriales no están establecidos.

Específicamente, este estudio concluyó que, en la fase proactiva, las tecnologías digitales aumentan la capacidad de respuesta a la demanda y la flexibilidad de la capacidad, lo cual puede tener un impacto positivo en la reducción del inventario de riesgos en el control del efecto cascada. Además, los plazos de entrega más cortos debido a la manufactura aditiva aumentan el impacto de la digitalización en el control de inventarios. La Industria 4.0 y la manufactura aditiva, con el apoyo de tecnologías ABD y R&A, facilitan una nueva calidad de planificación proactiva de la infraestructura de gestión de riesgos y aumentan la capacidad de reconfigurar recursos en la fase de recuperación. En la fase reactiva, las tecnologías blockchain, R&A y ABD permiten principalmente una nueva calidad de coordinación de datos y visibilidad de la CS al simular y activar políticas de recuperación.

En términos del modelo SCOR, las actividades de aprovisionamiento y producción pueden verse negativamente afectadas por la manufactura aditiva y la Industria 4.0, que presentan una mayor exposición a riesgos externos y efecto cascada. Una explicación plausible es el aumento de la complejidad y la reducción de los riesgos de tiempo y demanda, impulsados a su vez por una mayor flexibilidad y plazos de entrega más cortos. Se pueden encontrar mayores riesgos de aprovisionamiento si ocurre una interrupción en la CS aguas arriba, dado que no hay inventario intermedio entre las etapas. Los riesgos en los procesos de entrega son influenciados por el análisis de big data en términos de reducción de los riesgos de demanda debido a una mejor visibilidad de la CS y precisión en las previsiones, reducción de los riesgos de interrupción de la información y mejora en la calidad de activación del plan de contingencia. Las reducciones en los riesgos de aprovisionamiento y tiempo en la planificación integrada de la CS pueden lograrse utilizando blockchain y sistemas avanzados de R&A que proporcionan coordinación en tiempo real mientras activan políticas de contingencia. El diseño de una CS resiliente puede verse influenciado por mayores riesgos de información, mayor exposición a riesgos externos y una reducción en los riesgos de tiempo y demanda basada en la tecnología de la Industria 4.0 y la manufactura aditiva.

Se han identificado varias pautas para la aplicación de simulación y optimización para la GCS mediante la aplicación de tecnologías digitales. El análisis de big data y los sistemas avanzados de R&A pueden ayudar a predecir interrupciones y proporcionar datos más precisos para construir escenarios sofisticados de interrupción para análisis de proyectos de CS resilientes. Las tecnologías digitales pueden utilizarse extensivamente para obtener información en tiempo real sobre el alcance y la escala de las interrupciones, su propagación en la CS y para simular posibles estrategias de recuperación. Además, en el nivel reactivo, se requiere adaptación para lograr el rendimiento de producción deseado, asegurando la posibilidad de cambiar los planes de la CS y las políticas de inventario. Los procesos de adaptación en el control del efecto cascada pueden ser respaldados por métodos de retroalimentación y control adaptativo mediante el uso de técnicas de agentes descentralizados con la ayuda de tecnologías digitales. La visualización de estos procesos a través de simulación apoyada por realidad virtual aún no se ha realizado extensamente para modelar el efecto cascada en la cadena de suministro.

Los futuros sistemas de apoyo a la decisión utilizarán extensivamente tecnologías digitales y el gemelo digital de la CS, es decir, un modelo computarizado de una CS actualizada con datos reales en tiempo real.

A pesar de los rápidos desarrollos en CS y sus gemelos digitales, surgen varias preguntas:

• ¿Es tan resiliente la CS como la tecnología digital detrás de ella?

• En caso afirmativo, ¿qué proporcionará la mayor ventaja competitiva en el futuro: CS físicas o sus gemelos digitales?

• ¿La resiliencia de la CS será gestionada por inteligencia humana, artificial o una combinación de ambas?

• ¿Cuál será el papel de los futuros Gestores de Riesgo de CS?

Hay mucho potencial de investigación y práctico en relación con las preguntas mencionadas anteriormente. Esperamos que estas puedan motivar nuevos desarrollos perspicaces en la investigación sobre el efecto cascada y el riesgo de interrupción.

REFERENCIAS

Addo-Tenkorang, R., Helo P.T. (2016). Big data applications in operations/supply-chain management: A literature review. Computers & Industrial Engineering, 101, 528-543.

Akkermans H.A., van Wassenhove L.N. (2018). A dynamic model of managerial response to grey swan events in supply networks. International Journal of Production Research, 56(1-2), 10-21.

Andelfinger, V., Hänisch, T. (2017): Industrie 4.0: Wie cyber-physische Systeme die Arbeitswelt ver- ändern. Springer Gabler, Wiesbaden.

Baryannis, G., Validi, S., Dani S., & G. Antoniou (2018). Supply chain risk management and artificial intelligence: state of the art and future research directions. International Journal of Production Re- search, DOI: 10.1080/00207543.2018.1530476

Bearzotti, L.A., Salomone, E., & Chiotti, O.J. (2012). An autonomous multi-agent approach to supply chain event management. International Journal of Production Economics, 135(1), 468–478.

Ben-Daya, M., Hassini E., & Bahroun Z. (2018). Internet of things and supply chain management: a literature review. International Journal of Production Research, DOI: 10.1080/00207543.2017.1402140

Bonfour, A. (2016): Digital Future, Digital Transformation. From Lean Production to Ac-celuction. Springer, Switzerland.

Bonfour, A. (2016): Digital Future, Digital Transformation. From Lean Production to Acceluction. Springer, Switzerland.

Choi, T.M., Wallace S.W., and Wang Y. (2018). Big Data Analytics in Operations Management. Pro- duction and Operations Management, DOI: 10.1111/poms.12838

Crosby, M., Pattanayak, P., Verma, S., & Kalyanaraman, V. (2016). Blockchain technology: Beyond bitcoin. Applied Innovation, 2, 6-10.

Dolgui, A., & Proth, J.M. (2010). Supply chain engineering: Useful methods and techniques, Springer: London.

Dolgui, A., Ivanov, D., Sokolov, B. (2018) Ripple Effect in the Supply Chain: An Analysis and Recent Literature. International Journal of Production Research, 56(1-2), 414-430.

Dunke F., Heckmann I., Nickel S., Saldanha-da-Gama F. (2018). Time traps in supply chains: I opti- mal still good enough? European Journal of Operational Research, 264, 813-829.

Elluru, S., H Gupta, H Kaur, SP Singh (2017) Proactive and reactive models for disaster resilient sup- ply chain. Annals of Operations Research, published online

Fazili, M., Venkatadri, U., Cyrus P. & M. Tajbakhsh (2017). Physical Internet, conventional and hy- brid logistic systems: a routing optimisation-based comparison using the Eastern Canada road net- work case study. International Journal of Production Research, 55(9), 2703-2730.

Feldmann K., Pumpe A. (2017). A holistic decision framework for 3D printing investments in global supply chains. Transportation Research Procedia 25:677-694

Frazzon, E. M., Kück, M., & Freitag, M. (2018). Data-driven production control for complex and dy- namic manufacturing systems. In: CIRP Annals - Manufacturing Technology, 67(1), 515-518.

Gunasekaran A., Papadopoulos T., Dubey R., Wamba SF., Childe S.J., Hazen B., Akter S. (2017) Big data and predictive analytics for supply chain and organizational performance. Journal of Business Research, 70. 308-317

Gunasekaran A., Subramanian H., Rahman S. (2015). Supply chain resilience: role of complexities and strategies. International Journal of Production Research, 53(22), 6809-6819.

Gunasekaran, A., Tiwari MK., Dubey, R., Wamba SF (2016). Big data and predictive analytics appli- cations in supply chain management. Computers and Industrial Engineering 101, 525-527

Gunasekaran, A., Y. Y. Yusuf, E. O. Adeleye & T. Papadopoulos (2018) Agile manufacturing practic- es: the role of big data and business analytics with multiple case studies. International Journal of Production Research, 56(1-2), 382-397.

Hagberg, J., Sundstrom, M., Egels-Zandén, N. (2016): The digitalization of retailing: An exploratory framework. International Journal of Retail & Distribution Management, 44(7), 694-712.

Hofmann, E. Strewe, U.M, Bosia, N. (2018). Supply Chain Finance and Blockchain Technology. Springer International.

Holmström J., Gutowski T. (2017). Additive Manufacturing in Operations and Supply Chain Man- agement: No Sustainability Benefit or Virtuous Knock-On Opportunities? Journal of Industrial Ecology, 21(1), 21-24.

IBM (2017). https://www-03.ibm.com/press/us/en/pressrelease/50816.wss, accessed on November 20, 2017

ISO (2017). www.iso.org, accessed on December 15, 2017.

Ivanov D. (2018c). Managing Risks in Supply Chains with Digital Twins and Simulation. Available at: https://www.anylogistix.com/resources/white-papers/managing-risks-in-supply-chains-with- digital-twins/

Ivanov D. (2018a). Revealing interfaces of supply chain resilience and sustainability: a simulation study. International Journal of Production Research, 56(10), 3507-3523.

Ivanov D., Dolgui, A. (2018) Low-Certainty-Need (LCN) Supply Chains: A new perspective in man- aging disruption risks and resilience. International Journal of Production Research, in press.

Ivanov D., Rozhkov M. (2017). Coordination of production and ordering policies under capacity dis- ruption and product write-off risk: An analytical study with real-data based simulations of a fast moving consumer goods company. Annals of Operations Research, published online.

Ivanov D., Sokolov B., Dilou Raguinia, E.A. (2014c) Integrated dynamic scheduling of material flows and distributed information services in collaborative cyber-physical supply networks, International Journal of Systems Science: Operations & Logistics, 1(1), 18-26.

Ivanov D., Sokolov B., Dolgui A. (2014a). The Ripple effect in supply chains: trade-off ‘efficiency- flexibility-resilience’ in disruption management, International Journal of Production Research, 52(7), 2154-2172.

Ivanov D., Sokolov, B., & Pavlov, A. (2014b). Optimal distribution (re)planning in a centralized mul- ti-stage network under conditions of ripple effect and structure dynamics. European Journal of Op- erational Research, 237(2), 758–770.

Ivanov, D. (2018b). Structural Dynamics and Resilience in Supply Chain Risk Management. Springer, New York.

Ivanov, D., Dolgui A., Sokolov B., Ivanova M. (2017). Literature review on disruption recovery in the supply chain. International Journal of Production Research, 55(20), 6158-6174.

Ivanov, D., Dolgui, A., Sokolov, B. (2018). The impact of digital technology and Industry 4.0 on the ripple effect and supply chain risk analytics. International Journal of Production Research, https://doi.org/10.1080/00207543.2018.1488086

Ivanov, D., Sokolov B., Kaeschel J. (2010) A multi-structural framework for adaptive supply chain planning and operations control with structure dynamics considerations, European Journal of Oper- ational Research, 200(2), 2010, pp. 409-420.

Ivanov, D., Sokolov, B., Dolgui, A., Werner, F., Ivanova, M. (2016). A dynamic model and an algo- rithm for short-term supply chain scheduling in the smart factory Industry 4.0. International Journal of Production Research, 54(2), 386-402.

Ivanov D., Tsipoulanidis, A., Schönberger, J. (2019) Global Supply Chain and Operations Manage- ment: A decision-oriented introduction into the creation of value, Springer Nature, Cham, 2nd Ed.

Johnson, K., A. B. H. Lee and D. Simchi-Levi (2016), Analytics for an Online Retailer: Demand Fore- casting and Price Optimization. Manufacturing and Service Operations Management. 18(1), 69-85.

Khajavi SH, Partanen J., Holmström J. (2014) Additive manufacturing in the spare parts supply chain Computers in Industry, 65(1), 50-63

Kshetri N. (2018). Blockchain's roles in meeting key supply chain management objectives. Interna- tional Journal of Information Management 39, pp. 80-89

Levalle R.R., Nof S.Y (2017) Resilience in supply networks: Definition, dimensions, and levels, An- nual Reviews in Control, 43, 224-236.

Li J., Jia G., Cheng Y., Hu Y. (2017). Additive manufacturing technology in spare parts supply chain: a comparative study. International Journal of Production Research, 55(5), 1498-1515

Liao, Y., Deschamps, Y., de Freitas, E., Loures R., & LFP Ramos (2017). Past, present and future of Industry 4.0 - a systematic literature review and research agenda proposal. International Journal of Production Research, 55(12), 3609-3629.

Minner S., Battini D., Çelebi D. (2018). Innovations in production economics. International Journal of Production Economics, https://doi.org/10.1016/j.ijpe.2017.10.017.

Mizgier K. J. (2017) Global sensitivity analysis and aggregation of risk in multi-product supply chain networks, International Journal of Production Research, 55(1), 130-144.

Moghaddam, M., Nof SY (2018) Collaborative service-component integration in cloud manufacturing, International Journal of Production Research, 56(1-2), 676-691.

Nguyen T., Zhou L., Spiegler V., Ieromonachou P., Lin Y. (2018) Big data analytics in supply chain management: A state-of-the-art literature review. Computers & Operations Research, 98, 254-264.

Oesterreich T.D., Teuteberg F. (2016). Understanding the implications of digitisation and automation in the context of Industry 4.0: A triangulation approach and elements of a research agenda for the construction industry. Computers in Industry, 83, 121-139.

Papadopoulos, T., Gunasekaran, A., Dubey, R., Altay, N., Childe SJ, Wamba SF (2017). The role of Big Data in explaining disaster resilience in supply chains for sustainability. Journal of Cleaner Production, 142(2), 1108-1118

Pavlov A., Ivanov D., Dolgui A., Sokolov B. (2018) Hybrid fuzzy-probabilistic approach to supply chain resilience assessment. IEEE Transactions on Engineering Management, forthcoming.

Porter ME, Heppelmann, JE (2015) How Smart, Connected Products Are Transforming Companies, Harvard Business Review, October 2015

Priore, P., Ponte, B., Rosillo R. & D. de la Fuente (2018). Applying machine learning to the dynamic selection of replenishment policies in fast-changing supply chain environments. International Jour- nal of Production Research, DOI: 10.1080/00207543.2018.1552369

Qu, T., Thürer, M., Wang, J., Wang, Z., Fu, H., Li C., & G. Q. Huang (2017). System dynamics analy- sis for an Internet-of-Things-enabled production logistics system. International Journal of Produc- tion Research, 55(9), 2622-2649.

Reddy, G.R., Singh, H, Hariharan, S. (2016): Supply chain wide transformation of traditional industry to industry 4.0. Journal of Engineering and Applied Sciences, 11(18), 11089-11097.

RM (2018) https://www.riskmethods.net/en/software/overview, accessed on February 10, 2018

Saberi S., Kouhizadeh M., Sarkis J., Shen L. (2018). Blockchain Technology and Supply Chain Man- agement. International Journal of Production Research, DOI: 10.1080/00207543.2018.1533261

Sanders, N. R. (2016): How to Use Big Data to Drive Your Supply Chain. California Management Review, 58(3), 26-48.

Schlüter F., E. Hetterscheid and M. Henke (2017). A Simulation-Based Evaluation Approach for Digi- talization Scenarios in Smart Supply Chain Risk Management. Journal of Industrial Engineering and Management Science, 1, 179-206.

Sheffi Y (2015) Preparing for Disruptions Through Early Detection. MIT Sloan Manag Rev 57:31

Simchi-Levi, D. and M. X. Wu (2018), Powering Retailers Digitization Through Analytics and Auto- mation. International Journal of Production Research, 56(1-2), 809-816

Sokolov B., Ivanov D., Dolgui A., Pavlov A. (2016). Structural quantification of the ripple effect in the supply chain. International Journal of Production Research, 54(1), 152-169.

Strozzi, F., Colicchia, C., Creazza A., & C. Noè (2017). Literature review on the ‘Smart Factory’ con- cept using bibliometric tools. International Journal of Production Research, 55(22), 6572-6591.

Tran-Dang, H., Krommenacker N., & P. Charpentier (2017). Containers monitoring through the Phys- ical Internet: a spatial 3D model based on wireless sensor networks. International Journal of Pro- duction Research, 55(9), 2650-2663.

Wamba, S. F., Ngai, E.W.T., Riggins, F. and Akter, S. (2017), "Transforming operations and produc- tion management using big data and business analytics: future research directions", International Journal of Operations & Production Management, 37(1), 2–9.

Wamba, S.F., Akter, S., Edwards, A., Chopin, G. and Gnanzou, D. (2015), “How ‘big data’ can make big impact: Findings from a systematic review and a longitudinal case study”, International Journal of Production Economics, Elsevier, 165, 234–246.

Yang, Y., Pan S., & E. Ballot (2017). Innovative vendor-managed inventory strategy exploiting inter- connected logistics services in the Physical Internet. International Journal of Production Research, 55(9), 2685-2702.

Zelbst, P. J., Green, K. W., Sower, V. E. and Reyes, P. M. 2012. “Impact of RFID on manufacturing effectiveness and efficiency”, International Journal of Operations & Production Management, 32:3, pp. 329-350

Zhang, J., Jung, Y. (2018): Additive Manufacturing. Elsevier Science & Technology, Oxford.

Zhong, R.Y., Xu, C., Chen, C., Huang, G.Q. (2017). Big Data Analytics for Physical Internet-based intelligent manufacturing shop floors. International Journal of Production Research, 55(9), 2610- 2621