在本文中，我想分享构建销售计划系统的经验，并讨论实现该系统的实际步骤。
分散计划的问题
公司中通常会出现以下情况：每个部门都有自己独特的销售计划版本。 例如，市场，销售，金融和后勤部门在工作中使用这些计划。
这些计划具有不同的格式，不同的详细程度，最重要的是，具有不同且相互矛盾的数字。
出现一个逻辑问题，即如何在公司中构建集成计划系统以及为此需要什么。
建立业务流程
我认为从
创建简化的业务技术的角度来解决这个问题很重要。
通常，计划是一个常规过程（通常每月或每周），在此过程中，销售计划和相关计划（例如供应和生产）需要进行协调和调整。
（常用术语：S＆OP-销售和运营计划，IBP-综合业务计划）。
在计划过程中，必须明确定义参与者及其角色，特定任务和日期。 例如，卖方提供客户（或渠道）计划。 营销部门检查分类并通知新产品等。
对于计划过程及其参与者，应确定关键绩效指标并制定报告，据此将有可能控制结果的质量。 例如，数据的完整性，计划的准确性，库存周转率和服务水平。
组织挑战
参加者纪律
计划需要公司不同员工的参与，并及时为他们提供高质量的数据。 （IT系统可以使用自动计算来部分补偿这些问题。）
目录的正确性和完整性（数据向导）
必须确保及时更新会计系统中的目录。 例如，对于产品，应该确定当前状态，销售开始/结束日期，类别以及将在计划和分析中使用的其他字段。
“自上而下”的调整
在高层协调计划时，不可避免地会自动进行自上而下的调整。 在这种情况下，表演者会削弱计划的责任，因为 数字“已在上方调整”。
无论如何，有必要建立对编辑和计划版本的跟踪/审核。
高度不确定性
市场的变化和竞争对手的行动可能会使所有计划工作无效。 引入与“幼稚的预测”进行比较的方法将很有用。 即 例如，与简单的移动平均值或其他简单的预测方法相比，该过程的结果要好得多。 （不幸的是，在实践中可能会发现，幼稚的预测在质量上可以与过程的结果相媲美）。
分析数据仓库
现在很难找到没有自己的分析报告系统和单一分析数据存储库的公司。
但是，这样的系统是构建计划系统的前提。
实际销售，价格，其他外部分析，仓库供应，周转，运输中的货物的统计信息-所有这些对于准备销售计划及其后续分析都是必需的。
因此，有可能在构建计划系统之前，您将必须构建数据仓库和商业智能系统。
有许多方法和解决方案，但我想谈谈几个关键点：
资料品质
因为 数据仓库是一个独立的系统，所以我认为不可避免的是与主要会计系统在数量上的差异，从该系统将数据加载到仓库中。 大部分工作可以花在清理，检查和重新检查下载的数据上。 因此，这对于管理人员来说并不奇怪，值得将这些任务放入项目的计划/预算中。
数据可视化（仪表板）
通常，仪表板对于项目的内部营销以及对公司管理层的有效展示很有用。 但是，一个显着的缺点是其创建成本相当高，并且最终用户方面的配置缺乏灵活性。 实际上（在我看来），仪表板很可能是IT产品，并且即使是高级用户，也大多数人都不准备掌握Excel以外的任何数据可视化系统。
性能表现
性能可能是一个大问题，它将极大地影响用户对系统的态度以及他们使用该系统的意愿。 提高性能的一种好方法是使用OLAP技术，同时最大程度地减少实时计算的次数。
机器学习
当然，此主题是关键的“炒作”，并且周围有很多广告信息。
让我们看看机器学习可以在实践中给我们带来什么，以及我们将面对什么。
我认为，通常来说，计划领域的机器学习不能提供比手动计划更高的准确性（尽管有可能只是时间问题）。
它的实施的一个重要好处是简化了常规操作，尤其是对于根据ABC分类分为B和C的货物。
如果计划过程需要大量的细节以及商品/渠道/商店/期间等的组合数量，则可以取得显着收益。 在数百万条记录中。
现在来谈谈困难：
90％的精力不花在构建算法上，而是花在清理和准备数据上
与构建业务分析一样，必须验证提供给机器算法输入的数据，并将其转换为“特征”（或预测变量）。 我认为，在此阶段，逻辑错误和错误的风险最高。 您可以通过在中间阶段可视化和检查数据来解决该问题。
结果和工作成本难以预测
我认为这是最大的问题。 预测算法的构建是一个本质上接近科学研究的过程。 很容易使它无休止，并且失败风险很高，而预测质量却很低。 原因是可以尝试提高预测质量的预测器和模型的选项数量众多。
营业距离
我认为，在数据科学项目中，业务用户极有可能不理解数据科学专家所说的语言。
对于协作，重要的是能够用简单的语言传达工作的结果和进度。 避免使用数学术语和其他复杂术语，从常识的角度解释模型的结果。
为了降低风险并提高数据科学项目的可管理性，敏捷项目管理技术非常适合。
迭代方法，经常向客户展示结果以及将解决方案的“最小有用”部分投放到产品中至关重要。