Neste artigo, gostaria de compartilhar a experiência de criar um sistema de planejamento de vendas e falar sobre etapas práticas para sua implementação.
A questão do planejamento disperso
Muitas vezes, a seguinte situação se desenvolve nas empresas: Cada divisão possui sua própria versão exclusiva do plano de vendas. Tais planos são utilizados no trabalho, por exemplo, pelos departamentos de marketing, vendas, financiadores e logística.
Esses planos têm um formato diferente, um grau diferente de detalhes e, mais importante, figuras diferentes e conflitantes.
Surge uma questão lógica, como construir um sistema de planejamento integrado na empresa e o que é necessário para isso.
Construindo um processo de negócios
Eu acho que é importante abordar a questão da perspectiva de
criar uma tecnologia comercial otimizada .
Como regra, o planejamento é um processo regular (geralmente mensal ou semanal), no qual há uma coordenação e ajuste do plano de vendas e planos relacionados (por exemplo, fornecimento e produção).
(Termos frequentemente usados: S&OP - Planejamento de Vendas e Operações, IBP - Planejamento Integrado de Negócios).
No processo de planejamento, os participantes e suas funções, tarefas e datas específicas devem ser claramente definidas. Por exemplo, os vendedores fornecem planos de clientes (ou canais). O marketing verifica a variedade e informa sobre novos produtos, etc.
Para o processo de planejamento e seus participantes, os KPIs devem ser determinados e os relatórios desenvolvidos, de acordo com os quais será possível controlar a qualidade dos resultados. Por exemplo, integridade dos dados, precisão do planejamento, rotatividade de estoque e nível de serviço.
Desafios organizacionais
Disciplina dos participantes
O planejamento requer o envolvimento de diferentes funcionários da empresa, além de fornecer dados de qualidade dentro do prazo. (O sistema de TI pode compensar parcialmente esses problemas usando cálculos automáticos.)
Correção e integridade dos diretórios (assistente de dados)
É necessário garantir a atualização oportuna dos diretórios no sistema contábil. Por exemplo, para um produto, o status atual, as datas de início / término das vendas, a categoria e outros campos que serão usados no planejamento e na análise devem ser determinados.
Ajustes de cima para baixo
Ao coordenar planos no nível superior, inevitavelmente, os ajustes de cima para baixo podem ocorrer automaticamente. Nesse caso, a responsabilidade pelo planejamento é corroída pelos artistas, conforme os números foram "ajustados acima".
Em qualquer caso, é necessário estabelecer rastreamento / auditoria de edições e versões de planejamento.
Alto grau de incerteza
Mudanças no mercado e ações dos concorrentes podem anular todos os esforços de planejamento. Será útil introduzir um método de comparação com a "Previsão ingênua". I.e. por exemplo, quão melhor é o resultado do processo do que uma média móvel simples ou outro método simples de previsão. (Infelizmente, na prática, pode acontecer que a previsão ingênua seja comparável em qualidade com o resultado do processo).
Data Warehouse Analítico
Agora é difícil encontrar uma empresa que não tenha seu próprio sistema de relatórios analíticos e um único repositório de dados analíticos.
No entanto, esse sistema é um pré-requisito para a construção de um sistema de planejamento.
Estatísticas de vendas reais, preços, análises externas adicionais, suprimentos de armazém, rotatividade, mercadorias em trânsito - tudo isso é necessário para a preparação de um plano de vendas e para a análise subsequente.
Portanto, é possível que, antes de construir um sistema de planejamento, você tenha que construir um data warehouse e um sistema de inteligência de negócios.
Existem muitas abordagens e soluções, mas quero me concentrar em vários pontos-chave:
Qualidade dos dados
Porque O armazém de dados é um sistema separado, então acho que as diferenças nos números com os principais sistemas contábeis dos quais os dados são carregados no armazém são inevitáveis. Uma parte significativa do esforço pode ser gasta na limpeza, verificação e verificação dos dados baixados. Para que isso não seja uma surpresa para a gerência, vale a pena colocar essas tarefas no plano / orçamento do projeto.
Visualização de dados (painéis)
Em geral, os painéis são úteis para o marketing interno de um projeto e para sua apresentação efetiva à gerência da empresa. No entanto, uma desvantagem significativa é o alto custo de sua criação e a falta de flexibilidade na configuração do lado do usuário final. De fato (na minha opinião), um painel é provavelmente um produto de TI e a maioria dos usuários avançados não está pronta para dominar nenhum sistema de visualização de dados que não seja o Excel.
Desempenho
O desempenho pode ser um grande problema, o que afetará bastante a atitude dos usuários em relação ao sistema e sua disposição em trabalhar com ele. Uma boa maneira de melhorar o desempenho é usar a tecnologia OLAP, minimizando o número de cálculos em tempo real.
Aprendizado de máquina
Obviamente, este tópico é um "hype" importante e há muitas informações de publicidade ao seu redor.
Vamos ver o que o aprendizado de máquina pode nos dar na prática e o que enfrentaremos.
Na minha opinião, o aprendizado de máquina na esfera do planejamento, em regra, não fornece maior precisão do que o planejamento manual (embora seja possível que seja apenas uma questão de tempo).
Um benefício importante de sua implementação é a simplificação das operações de rotina, especialmente para mercadorias classificadas de acordo com a classificação ABC para B e C.
Ganhos significativos podem ser alcançados se o processo de planejamento exigir um alto grau de detalhes e o volume de combinações de mercadorias / canais / lojas / períodos, etc. nos milhões de registros.
Agora sobre as dificuldades:
90% do esforço é gasto não na construção de um algoritmo, mas na limpeza e preparação de dados
Como na questão da criação de análises de negócios, os dados fornecidos para a entrada do algoritmo da máquina devem ser verificados e convertidos em "recursos" (ou preditores). Na minha opinião, nesta fase, o maior risco de erros e erros lógicos. Você pode lidar com o problema visualizando e verificando dados em estágios intermediários.
É difícil prever o resultado e o custo do trabalho
Na minha opinião, este é o maior problema. A construção de algoritmos de previsão é um processo inerentemente próximo à pesquisa científica. É fácil torná-lo interminável e há um alto risco de falha com uma baixa qualidade de previsão. O motivo é o número infinito de opções para preditores e modelos que você pode tentar melhorar a qualidade da previsão.
Distância comercial
Em projetos de ciência de dados, na minha opinião, existe um alto risco de os usuários de negócios não entenderem o idioma que os especialistas em ciência de dados falam.
Para a colaboração, é importante poder transmitir em palavras simples os resultados e o progresso do trabalho. Evite termos matemáticos e outros termos complexos, interprete os resultados dos modelos do ponto de vista do senso comum.
Para reduzir riscos e aumentar a capacidade de gerenciamento de um projeto de ciência de dados, as tecnologias de gerenciamento de projetos Agile são bem adequadas.
A abordagem iterativa, a demonstração frequente dos resultados para o cliente e o lançamento das partes “minimamente úteis” da solução no produto são essenciais.