In diesem Artikel möchte ich die Erfahrungen beim Aufbau eines Verkaufsplanungssystems teilen und über praktische Schritte für dessen Implementierung sprechen.
Das Problem der Streuplanung
In Unternehmen entwickelt sich häufig die folgende Situation: Jeder Geschäftsbereich hat seine eigene Version des Verkaufsplans. Solche Pläne werden in der Arbeit beispielsweise von den Abteilungen Marketing, Vertrieb, Finanziers und Logistik verwendet.
Diese Pläne haben ein anderes Format, einen anderen Detaillierungsgrad und vor allem unterschiedliche und widersprüchliche Zahlen.
Es stellt sich eine logische Frage, wie ein integriertes Planungssystem im Unternehmen aufgebaut werden kann und was dafür benötigt wird.
Aufbau eines Geschäftsprozesses
Ich denke, es ist wichtig, das Problem unter dem Gesichtspunkt der
Schaffung einer optimierten Geschäftstechnologie anzugehen .
In der Regel handelt es sich bei der Planung um einen regelmäßigen Prozess (häufig monatlich oder wöchentlich), bei dem der Verkaufsplan und die zugehörigen Pläne (z. B. Lieferung und Produktion) koordiniert und angepasst werden.
(Häufig verwendete Begriffe: S & OP - Vertriebs- und Betriebsplanung, IBP - Integrierte Geschäftsplanung).
Im Planungsprozess müssen die Teilnehmer und ihre Rollen, spezifischen Aufgaben und Daten klar definiert werden. Beispielsweise bieten Verkäufer Kunden- (oder Kanal-) Pläne an. Das Marketing überprüft das Sortiment und informiert über neue Produkte usw.
Für den Planungsprozess und seine Teilnehmer sollten KPIs festgelegt und Berichte erstellt werden, anhand derer die Qualität der Ergebnisse kontrolliert werden kann. Zum Beispiel Vollständigkeit der Daten, Genauigkeit der Planung, Lagerumschlag und Servicelevel.
Organisatorische Herausforderungen
Teilnehmer Disziplin
Die Planung erfordert die Einbeziehung verschiedener Mitarbeiter des Unternehmens sowie die rechtzeitige Bereitstellung von Qualitätsdaten. (Das IT-System kann diese Probleme teilweise durch automatische Berechnungen kompensieren.)
Richtigkeit und Vollständigkeit der Verzeichnisse (Datenassistent)
Es ist notwendig, eine zeitnahe Aktualisierung der Verzeichnisse im Buchhaltungssystem sicherzustellen. Beispielsweise sollten für ein Produkt der aktuelle Status, die Start- / Enddaten des Verkaufs, die Kategorie und andere Felder bestimmt werden, die für die Planung und Analyse verwendet werden.
"Top-Down" -Anpassungen
Bei der Koordinierung von Plänen auf oberster Ebene können zwangsläufig automatisch Anpassungen von oben nach unten vorgenommen werden. In diesem Fall wird die Verantwortung für die Planung von den Darstellern als erodiert Die Zahlen wurden "oben angepasst".
In jedem Fall muss eine Nachverfolgung / Prüfung von Änderungen und Planungsversionen eingerichtet werden.
Hohe Unsicherheit
Änderungen auf dem Markt und die Handlungen der Wettbewerber können alle Planungsbemühungen zunichte machen. Es wird nützlich sein, eine Vergleichsmethode mit der „naiven Prognose“ einzuführen. Das heißt, Wie viel besser ist beispielsweise das Ergebnis des Prozesses als ein einfacher gleitender Durchschnitt oder eine andere einfache Prognosemethode. (Leider kann sich in der Praxis herausstellen, dass die naive Prognose qualitativ mit dem Ergebnis des Prozesses vergleichbar ist).
Analytisches Data Warehouse
Jetzt ist es schwierig, ein Unternehmen zu finden, das nicht über ein eigenes System für analytische Berichte und ein einziges Repository für analytische Daten verfügt.
Ein solches System ist jedoch Voraussetzung für den Aufbau eines Planungssystems.
Statistiken über tatsächliche Verkäufe, Preise, zusätzliche externe Analysen, Lagerbedarf, Umsatz, Transportgüter - all dies ist sowohl für die Erstellung eines Verkaufsplans als auch für die anschließende Analyse erforderlich.
Daher ist es möglich, dass Sie vor dem Erstellen eines Planungssystems ein Data Warehouse und ein Business Intelligence-System erstellen müssen.
Es gibt viele Ansätze und Lösungen, aber ich möchte auf einige wichtige Punkte eingehen:
Datenqualität
Weil Das Data Warehouse ist ein separates System. Ich denke, die Unterschiede in den Zahlen zu den Hauptabrechnungssystemen, von denen Daten in das Warehouse geladen werden, sind unvermeidlich. Ein erheblicher Teil des Aufwands kann für das Bereinigen, Überprüfen und erneute Überprüfen heruntergeladener Daten aufgewendet werden. Damit dies das Management nicht überrascht, lohnt es sich, diese Aufgaben in den Plan / das Budget des Projekts aufzunehmen.
Datenvisualisierung (Dashboards)
Im Allgemeinen sind Dashboards nützlich für die interne Vermarktung eines Projekts und für die effektive Präsentation gegenüber der Unternehmensleitung. Ein wesentlicher Nachteil sind jedoch die relativ hohen Kosten für ihre Erstellung und die mangelnde Flexibilität bei der Konfiguration seitens des Endbenutzers. Tatsächlich ist (meiner Meinung nach) ein Dashboard eher ein IT-Produkt, und die meisten fortgeschrittenen Benutzer sind nicht bereit, ein anderes Datenvisualisierungssystem als Excel zu beherrschen.
Leistung
Die Leistung kann ein großes Problem sein, das die Einstellung der Benutzer zum System und ihre Bereitschaft, damit zu arbeiten, stark beeinflusst. Eine gute Möglichkeit, die Leistung zu verbessern, ist die Verwendung der OLAP-Technologie bei gleichzeitiger Minimierung der Anzahl der Berechnungen im laufenden Betrieb.
Maschinelles Lernen
Natürlich ist dieses Thema ein wichtiger „Hype“ und es gibt viele Werbeinformationen.
Mal sehen, was uns maschinelles Lernen in der Praxis bieten kann und was uns bevorsteht.
Meiner Meinung nach bietet maschinelles Lernen im Planungsbereich in der Regel keine höhere Genauigkeit als manuelle Planung (obwohl dies nur eine Frage der Zeit ist).
Ein wichtiger Vorteil seiner Implementierung ist die Vereinfachung des Routinebetriebs, insbesondere für Waren, die gemäß der ABC-Klassifizierung in B und C klassifiziert sind.
Erhebliche Gewinne können erzielt werden, wenn der Planungsprozess ein hohes Maß an Detailgenauigkeit und das Volumen der Kombinationen von Waren / Kanälen / Geschäften / Perioden usw. erfordert. in den Millionen von Aufzeichnungen.
Nun zu den Schwierigkeiten:
90% des Aufwands werden nicht für die Erstellung eines Algorithmus aufgewendet, sondern für die Bereinigung und Aufbereitung von Daten
Wie bei der Erstellung von Geschäftsanalysen müssen die Daten, die für die Eingabe des Maschinenalgorithmus bereitgestellt werden, überprüft und in „Features“ (oder Prädiktoren) konvertiert werden. Meiner Meinung nach das derzeit höchste Risiko für logische Fehler und Bugs. Sie können das Problem lösen, indem Sie Daten in Zwischenstufen visualisieren und überprüfen.
Ergebnis und Arbeitskosten sind schwer vorherzusagen
Meiner Meinung nach ist dies das größte Problem. Die Konstruktion von Prognosealgorithmen ist ein Prozess, der der wissenschaftlichen Forschung von Natur aus nahe kommt. Es ist einfach, es endlos zu machen, und es besteht ein hohes Ausfallrisiko bei geringer Prognosequalität. Der Grund ist die endlose Anzahl von Optionen für Prädiktoren und Modelle, mit denen Sie versuchen können, die Qualität der Prognose zu verbessern.
Geschäftsentfernung
In Data-Science-Projekten besteht meiner Meinung nach ein hohes Risiko, dass Geschäftsanwender die Sprache, die Data-Science-Experten sprechen, nicht verstehen.
Für die Zusammenarbeit ist es wichtig, die Ergebnisse und den Fortschritt der Arbeit in einfachen Worten zu vermitteln. Vermeiden Sie mathematische und andere komplexe Begriffe und interpretieren Sie die Ergebnisse von Modellen unter dem Gesichtspunkt des gesunden Menschenverstandes.
Um Risiken zu reduzieren und die Verwaltbarkeit eines Data Science-Projekts zu verbessern, sind agile Projektmanagementtechnologien gut geeignet.
Der iterative Ansatz, die häufige Demonstration der Ergebnisse gegenüber dem Kunden und die Einführung der „minimal nützlichen“ Teile der Lösung in das Produkt sind von wesentlicher Bedeutung.