Dalam artikel ini, saya ingin berbagi pengalaman membangun sistem perencanaan penjualan dan berbicara tentang langkah-langkah praktis untuk penerapannya.
Masalah perencanaan yang tersebar
Seringkali situasi berikut berkembang di perusahaan: Setiap divisi memiliki versi unik dari rencana penjualan. Rencana tersebut digunakan dalam pekerjaan, misalnya, oleh departemen pemasaran, penjualan, pemodal dan logistik.
Paket-paket ini memiliki format yang berbeda, tingkat detail yang berbeda, dan, yang paling penting, angka yang berbeda dan saling bertentangan.
Muncul pertanyaan logis, bagaimana membangun sistem perencanaan terpadu di perusahaan dan apa yang dibutuhkan untuk ini.
Membangun proses bisnis
Saya pikir penting untuk mendekati masalah ini dari perspektif
menciptakan teknologi bisnis yang efisien .
Sebagai aturan, perencanaan adalah proses reguler (sering bulanan atau mingguan), di mana ada koordinasi dan penyesuaian rencana penjualan dan rencana terkait (misalnya, pasokan dan produksi).
(Istilah yang sering digunakan: S&OP - Perencanaan Penjualan dan Operasi, IBP - Perencanaan Bisnis Terpadu).
Dalam proses perencanaan, peserta dan perannya, tugas dan tanggal spesifik harus didefinisikan dengan jelas. Misalnya, penjual menyediakan paket pelanggan (atau saluran). Pemasaran memeriksa bermacam-macam dan menginformasikan tentang produk baru, dll.
Untuk proses perencanaan dan pesertanya, KPI harus ditentukan dan laporan dikembangkan, yang dengannya akan memungkinkan untuk mengontrol kualitas hasil. Misalnya, kelengkapan data, ketepatan perencanaan, perputaran persediaan dan tingkat layanan.
Tantangan Organisasi
Disiplin Peserta
Perencanaan membutuhkan keterlibatan karyawan yang berbeda dari perusahaan, serta memberikan mereka data yang berkualitas tepat waktu. (Sistem TI dapat mengkompensasi sebagian masalah ini dengan menggunakan perhitungan otomatis.)
Kebenaran dan kelengkapan direktori (penyihir data)
Hal ini diperlukan untuk memastikan pembaruan direktori yang tepat waktu dalam sistem akuntansi. Misalnya, untuk suatu produk, status saat ini, tanggal mulai / berakhirnya penjualan, kategori, dan bidang lain yang akan digunakan dalam perencanaan dan analisis harus ditentukan.
Penyesuaian "Top-down"
Ketika mengoordinasikan rencana di tingkat atas, mau tidak mau, penyesuaian top-down dapat secara otomatis terjadi. Dalam hal ini, tanggung jawab untuk perencanaan dikikis oleh para pelaku, sebagai jumlahnya "disesuaikan di atas."
Dalam hal apa pun, perlu untuk membuat pelacakan / audit atas suntingan dan versi perencanaan.
Tingkat ketidakpastian yang tinggi
Perubahan pasar dan tindakan pesaing dapat membatalkan semua upaya perencanaan. Akan bermanfaat untuk memperkenalkan metode perbandingan dengan "Ramalan naif". Yaitu misalnya, seberapa baik hasil proses daripada rata-rata bergerak sederhana atau metode peramalan sederhana lainnya. (Sayangnya, dalam praktiknya mungkin ternyata perkiraan naif sebanding kualitasnya dengan hasil proses).
Gudang Data Analitik
Sekarang sulit untuk menemukan perusahaan yang tidak memiliki sistem pelaporan analitik sendiri dan satu tempat penyimpanan data analitik.
Namun demikian, sistem seperti itu merupakan prasyarat untuk membangun sistem perencanaan.
Statistik penjualan aktual, harga, analitik eksternal tambahan, persediaan Gudang, Pergantian, Barang dalam perjalanan - semua ini diperlukan baik untuk persiapan rencana penjualan, dan untuk analisis selanjutnya.
Karena itu, ada kemungkinan bahwa sebelum membangun sistem perencanaan, Anda harus membangun gudang data dan sistem intelijen bisnis.
Ada banyak pendekatan dan solusi, tetapi saya ingin memikirkan beberapa poin utama:
Kualitas data
Karena Gudang data adalah sistem yang terpisah, maka saya pikir perbedaan angka dengan sistem akuntansi utama dari mana data dimuat ke dalam gudang tidak dapat dihindari. Bagian penting dari upaya ini dapat dihabiskan untuk membersihkan, memeriksa dan memeriksa kembali data yang diunduh. Agar ini tidak mengejutkan manajemen, ada baiknya untuk memasukkan tugas-tugas ini ke dalam rencana / anggaran proyek.
Visualisasi data (dasbor)
Secara umum, dashboard berguna untuk pemasaran internal suatu proyek dan untuk presentasi yang efektif kepada manajemen perusahaan. Namun, kerugian yang signifikan adalah biaya pembuatannya yang agak tinggi dan kurangnya fleksibilitas dalam konfigurasi di sisi pengguna akhir. Bahkan (menurut saya), dashboard lebih cenderung merupakan produk IT dan sebagian besar pengguna tingkat lanjut tidak siap untuk menguasai sistem visualisasi data selain Excel.
Performa
Kinerja dapat menjadi masalah besar, yang akan sangat mempengaruhi sikap pengguna terhadap sistem dan kesediaan mereka untuk bekerja dengannya. Cara yang baik untuk meningkatkan kinerja adalah dengan menggunakan teknologi OLAP, sambil meminimalkan jumlah kalkulasi on-the-fly.
Pembelajaran mesin
Tentu saja, topik ini adalah kunci "sensasi" dan ada banyak informasi iklan di sekitarnya.
Mari kita lihat apa yang bisa diberikan pembelajaran mesin pada kita dalam latihan dan apa yang akan kita hadapi.
Menurut pendapat saya, pembelajaran mesin di bidang perencanaan, sebagai suatu peraturan, tidak memberikan akurasi yang lebih tinggi daripada perencanaan manual (meskipun mungkin hanya masalah waktu).
Manfaat penting dari penerapannya adalah penyederhanaan operasi rutin, terutama untuk barang yang diklasifikasikan menurut klasifikasi ABC menjadi B dan C.
Keuntungan signifikan dapat dicapai jika proses perencanaan membutuhkan tingkat detail yang besar dan volume kombinasi barang / saluran / toko / periode, dll. dalam jutaan catatan.
Sekarang tentang kesulitan:
90% dari upaya dihabiskan bukan untuk membangun algoritma, tetapi untuk membersihkan dan menyiapkan data
Seperti dalam hal membangun analitik bisnis, data yang dipasok ke input algoritma mesin harus diverifikasi dan dikonversi menjadi "fitur" (atau prediktor). Menurut pendapat saya, pada tahap ini risiko tertinggi kesalahan logis dan bug. Anda dapat mengatasi masalah dengan memvisualisasikan dan memeriksa data pada tahap menengah.
Hasil dan biaya pekerjaan sulit diprediksi
Menurut saya, ini adalah masalah terbesar. Konstruksi algoritma peramalan adalah proses yang secara inheren dekat dengan penelitian ilmiah. Mudah membuatnya tidak ada habisnya dan ada risiko kegagalan yang tinggi dengan kualitas perkiraan yang rendah. Alasannya adalah banyaknya pilihan untuk prediktor dan model yang dapat Anda coba untuk meningkatkan kualitas ramalan.
Jarak bisnis
Dalam proyek ilmu data, menurut pendapat saya, ada risiko tinggi pengguna bisnis tidak memahami bahasa yang dibicarakan oleh pakar ilmu data.
Untuk kolaborasi, penting untuk dapat menyampaikan secara sederhana hasil dan kemajuan pekerjaan. Hindari istilah-istilah matematika dan rumit lainnya, menafsirkan hasil model dari sudut pandang akal sehat.
Untuk mengurangi risiko dan meningkatkan pengelolaan proyek ilmu data, teknologi manajemen proyek Agile sangat cocok.
Pendekatan iteratif, demonstrasi yang sering dari hasil kepada pelanggan dan peluncuran bagian-bagian yang "sangat berguna" dari solusi ke dalam produk sangat penting.