एकल प्रणाली में बिक्री की योजना के लिए एक व्यावसायिक तकनीक का निर्माण कैसे करें

इस लेख में, मैं एक बिक्री योजना प्रणाली के निर्माण के अनुभव को साझा करना चाहता हूं और इसके कार्यान्वयन के लिए व्यावहारिक कदमों के बारे में बात करना चाहता हूं।

बिखरी हुई योजना का मुद्दा

अक्सर कंपनियों में निम्न स्थिति विकसित होती है: प्रत्येक प्रभाग की बिक्री योजना का अपना विशिष्ट संस्करण होता है। इस तरह की योजनाएं काम में उपयोग की जाती हैं, उदाहरण के लिए, विपणन, बिक्री, फाइनेंसरों और रसद के विभागों द्वारा।

इन योजनाओं का एक अलग प्रारूप है, एक अलग डिग्री है, और, सबसे महत्वपूर्ण बात, अलग और परस्पर विरोधी आंकड़े।

एक तार्किक सवाल उठता है कि कंपनी में एकीकृत योजना प्रणाली का निर्माण कैसे किया जाए और इसके लिए क्या आवश्यक है।

एक व्यावसायिक प्रक्रिया का निर्माण

मुझे लगता है कि एक सुव्यवस्थित व्यावसायिक प्रौद्योगिकी बनाने के दृष्टिकोण से इस मुद्दे पर संपर्क करना महत्वपूर्ण है।

एक नियम के रूप में, नियोजन एक नियमित प्रक्रिया है (अक्सर मासिक या साप्ताहिक), जिसमें बिक्री योजना और संबंधित योजनाओं (उदाहरण के लिए, आपूर्ति और उत्पादन) का समन्वय और समायोजन होता है।

(अक्सर इस्तेमाल की जाने वाली शर्तें: एस एंड ओपी - बिक्री और संचालन योजना, आईबीपी - एकीकृत व्यापार योजना)।

नियोजन प्रक्रिया में, प्रतिभागियों और उनकी भूमिकाओं, विशिष्ट कार्यों और तिथियों को स्पष्ट रूप से परिभाषित किया जाना चाहिए। उदाहरण के लिए, विक्रेता ग्राहक (या चैनल) योजना प्रदान करते हैं। विपणन वर्गीकरण की जाँच करता है और नए उत्पादों आदि के बारे में सूचित करता है।

नियोजन प्रक्रिया और इसके प्रतिभागियों के लिए, KPI को निर्धारित किया जाना चाहिए और रिपोर्ट विकसित की जानी चाहिए, जिसके अनुसार परिणामों की गुणवत्ता को नियंत्रित करना संभव हो जाएगा। उदाहरण के लिए, डेटा की पूर्णता, योजना की सटीकता, इन्वेंट्री टर्नओवर और सेवा का स्तर।

संगठनात्मक चुनौतियां

प्रतिभागी अनुशासन

योजना के लिए कंपनी के विभिन्न कर्मचारियों की भागीदारी की आवश्यकता होती है, साथ ही उन्हें समय पर गुणवत्ता के आंकड़े प्रदान करने की आवश्यकता होती है। (आईटी सिस्टम स्वचालित गणनाओं का उपयोग करके इन समस्याओं की आंशिक रूप से भरपाई कर सकता है।)

निर्देशिका की शुद्धता और पूर्णता (डेटा विज़ार्ड)

लेखा प्रणाली में निर्देशिकाओं का समय पर अद्यतन सुनिश्चित करना आवश्यक है। उदाहरण के लिए, किसी उत्पाद के लिए, वर्तमान स्थिति, बिक्री प्रारंभ / समाप्ति दिनांक, श्रेणी और अन्य फ़ील्ड जिनका उपयोग योजना और विश्लेषण में किया जाएगा, निर्धारित किया जाना चाहिए।

"टॉप-डाउन" समायोजन

जब शीर्ष स्तर पर योजनाओं का समन्वय किया जाता है, तो अनिवार्य रूप से, टॉप-डाउन समायोजन स्वचालित रूप से हो सकता है। इस मामले में, योजना बनाने की जिम्मेदारी कलाकारों द्वारा समाप्त हो जाती है, जैसे संख्या "ऊपर समायोजित किया गया।"

किसी भी स्थिति में, संपादन और योजना संस्करणों की ट्रैकिंग / ऑडिट स्थापित करना आवश्यक है।

अनिश्चितता की उच्च डिग्री

बाजार में परिवर्तन और प्रतिस्पर्धियों की कार्रवाई सभी नियोजन प्रयासों को कम कर सकती है। यह "Naive पूर्वानुमान" के साथ तुलना करने की एक विधि को पेश करने के लिए उपयोगी होगा। यानी उदाहरण के लिए, एक सरल चलती औसत या किसी अन्य सरल पूर्वानुमान विधि की तुलना में प्रक्रिया का परिणाम कितना बेहतर है। (दुर्भाग्य से, व्यवहार में यह पता चल सकता है कि भोली पूर्वानुमान प्रक्रिया के परिणाम के साथ गुणवत्ता में तुलनीय है)।

विश्लेषणात्मक डेटा वेयरहाउस

अब ऐसी कंपनी को खोजना मुश्किल है जिसके पास विश्लेषणात्मक रिपोर्टिंग की अपनी प्रणाली और विश्लेषणात्मक डेटा का एक एकल भंडार नहीं है।

फिर भी, ऐसी प्रणाली एक नियोजन प्रणाली के निर्माण के लिए एक शर्त है।

वास्तविक बिक्री के आंकड़े, कीमतें, अतिरिक्त बाहरी विश्लेषिकी, वेयरहाउस आपूर्ति, कारोबार, पारगमन में सामान - यह सब एक बिक्री योजना की तैयारी और उसके बाद के विश्लेषण के लिए दोनों आवश्यक है।

इसलिए, यह संभव है कि एक नियोजन प्रणाली के निर्माण से पहले, आपको एक डेटा वेयरहाउस और एक व्यावसायिक खुफिया प्रणाली का निर्माण करना होगा।

कई दृष्टिकोण और समाधान हैं, लेकिन मैं कई प्रमुख बिंदुओं पर ध्यान देना चाहता हूं:

डेटा की गुणवत्ता

क्योंकि डेटा वेयरहाउस एक अलग सिस्टम है, तो मुझे लगता है कि मुख्य लेखांकन सिस्टम के साथ संख्याओं में अंतर जिससे डेटा को वेयरहाउस में लोड किया जाता है अपरिहार्य हैं। डाउनलोड किए गए डेटा की सफाई, जांच और रीचेकिंग पर प्रयास का एक महत्वपूर्ण हिस्सा खर्च किया जा सकता है। ताकि यह प्रबंधन के लिए एक आश्चर्य के रूप में न आए, इन कार्यों को परियोजना की योजना / बजट में डालना सार्थक है।

डेटा विज़ुअलाइज़ेशन (डैशबोर्ड)

सामान्य तौर पर, डैशबोर्ड किसी परियोजना के आंतरिक विपणन और कंपनी प्रबंधन के लिए इसकी प्रभावी प्रस्तुति के लिए उपयोगी होते हैं। हालांकि, एक महत्वपूर्ण नुकसान उनके निर्माण की उच्च लागत है और अंतिम उपयोगकर्ता के पक्ष में कॉन्फ़िगरेशन में लचीलेपन की कमी है। वास्तव में (मेरी राय में), एक डैशबोर्ड में आईटी उत्पाद की अधिक संभावना है और अधिकांश उन्नत उपयोगकर्ता एक्सेल के अलावा किसी भी डेटा विज़ुअलाइज़ेशन सिस्टम में महारत हासिल करने के लिए तैयार नहीं हैं।

गति

प्रदर्शन एक बड़ी समस्या हो सकती है, जो सिस्टम के लिए उपयोगकर्ताओं के दृष्टिकोण और इसके साथ काम करने की इच्छा को बहुत प्रभावित करेगी। प्रदर्शन में सुधार करने का एक अच्छा तरीका ओएलएपी तकनीक का उपयोग करना है, जबकि ऑन-द-फ्लाई गणना की संख्या को कम करना है।

मशीन सीखने

बेशक, यह विषय एक महत्वपूर्ण "प्रचार" है और इसके आसपास विज्ञापन की बहुत सारी जानकारी है।

आइए देखें कि मशीन सीखने से हमें क्या अभ्यास मिल सकता है और हम क्या सामना करेंगे।

मेरी राय में, नियोजन क्षेत्र में मशीन लर्निंग, एक नियम के रूप में, मैनुअल नियोजन की तुलना में उच्च सटीकता प्रदान नहीं करता है (हालांकि यह संभव है कि यह केवल समय की बात है)।

इसके कार्यान्वयन का एक महत्वपूर्ण लाभ नियमित संचालन का सरलीकरण है, विशेष रूप से माल के लिए जिसे एबीसी वर्गीकरण के अनुसार बी और सी के अनुसार वर्गीकृत किया गया है।

महत्वपूर्ण लाभ प्राप्त किया जा सकता है यदि नियोजन प्रक्रिया को बड़ी मात्रा में विस्तार की आवश्यकता होती है और माल / चैनल / दुकानों / अवधियों, आदि के संयोजन की मात्रा। लाखों रिकॉर्ड में।

अब कठिनाइयों के बारे में:

प्रयास का 90% एल्गोरिथ्म के निर्माण पर नहीं, बल्कि डेटा को साफ करने और तैयार करने पर खर्च किया जाता है

व्यवसाय विश्लेषण के निर्माण के मामले में, मशीन एल्गोरिथ्म के इनपुट को दिए गए डेटा को सत्यापित और "सुविधाओं" (या भविष्यवाणियों) में परिवर्तित किया जाना चाहिए। मेरी राय में, इस स्तर पर तार्किक त्रुटियों और बगों दोनों का उच्चतम जोखिम है। आप मध्यवर्ती चरणों में डेटा की कल्पना और जांच करके समस्या से निपट सकते हैं।

परिणाम और काम की लागत की भविष्यवाणी करना मुश्किल है

मेरी राय में, यह सबसे बड़ी समस्या है। पूर्वानुमान एल्गोरिदम का निर्माण एक प्रक्रिया है जो स्वाभाविक रूप से वैज्ञानिक अनुसंधान के करीब है। इसे अंतहीन बनाना आसान है और कम पूर्वानुमान गुणवत्ता के साथ विफलता का उच्च जोखिम है। इसका कारण भविष्यवक्ताओं और मॉडलों के लिए विकल्पों की अंतहीन संख्या है जो आप पूर्वानुमान की गुणवत्ता में सुधार करने की कोशिश कर सकते हैं।

व्यवसाय की दूरी

डेटा विज्ञान परियोजनाओं में, मेरी राय में, व्यापार उपयोगकर्ताओं को उस भाषा को न समझने का उच्च जोखिम है जो डेटा विज्ञान विशेषज्ञ बोलते हैं।

सहयोग के लिए, सरल शब्दों में कार्य के परिणामों और प्रगति को व्यक्त करने में सक्षम होना महत्वपूर्ण है। गणितीय और अन्य जटिल शब्दों से बचें, सामान्य ज्ञान के दृष्टिकोण से मॉडल के परिणामों की व्याख्या करें।

जोखिमों को कम करने और डेटा विज्ञान परियोजना की प्रबंधन क्षमता बढ़ाने के लिए, एजाइल परियोजना प्रबंधन प्रौद्योगिकियां अच्छी तरह से अनुकूल हैं।

पुनरावृत्त दृष्टिकोण, ग्राहक को परिणामों का लगातार प्रदर्शन और उत्पाद में समाधान के "न्यूनतम उपयोगी" भागों को लॉन्च करना आवश्यक है।