previsione della domanda che non puoi trascurare toolsgroup. Come generare un forecast che tenga Leggi di più su KIKO Milano · Scarica il PDF
236 KB – 14 Pages
PAGE – 2 ============
In un mondo che raramente rispetta le regole, prevedere la domanda per i tuoi prodotti anche con pochi mesi di anticipo è diventato complicato come lanciare un razzo nello spazio. Tuttavia, puoi usare a tuo vantaggio la complessità e la volatilità della supply chain, specialmente quando si tratta di generare una previsione della domanda.E allora, come si costruisce una previsione che ri˜etta il mondo reale? Questo ebook riassume le nostre migliori strategie per le previsioni di domanda, sulla base di una lunga esperienza al ˜anco di aziende che hanno a˚rontato la tua stessa s˜da: gestire un’elevata volatilità della domanda e dell’o˚erta insieme a complessità legate al prodotto e alla distribuzione. eBook / 5 strategie 2 toolsgroup.com Si può fare! È possibile prevedere la domanda incerta di oggi
PAGE – 3 ============
I metodi tradizionali per il forecast sono stati sviluppati per tempi più semplici e non sono all’altezza del contesto attuale altamente incerto. La complessità del business cresce in modo esponenziale, per non parlare delle richieste dei clienti e dei modelli di acquisto. Fai in modo che questa complessità lavori per te e passa a un forecast di nuova generazione. In che fase ti riconosci? 1 Valuta la tua maturità nel forecast 3 toolsgroup.com PerformanceData60%90%Forecast Accuracy80%99%service Levels Model DepthData TypeSupply Chain AggregatesTraditional Forecasting (Averages.Single Number)Statistical DemandModelingfiOutside infl Demand Sensing(TranslatingChannel Demand)Market Driven Order Lines &FrequencyfiShip toflChannelMarketing,P.O.S., webMachineLearning100,0001 Million100 Million10 BillionThe Four Stages of Forecasting
PAGE – 4 ============
4 toolsgroup.com // Forecast tradizionale Molte aziende applicano ancora un approccio tradizionale “top-down” alle previsioni, con l’obiettivo ˜nale di generare un valore unico. Questo approccio aggrega la domanda per smorzare la variabilità, rendendo più facile la generazione di una previsione di alto livello. Tuttavia, ciò che guadagni in semplicità, si perde nella qualità delle previsioni, che dovrebbe essere il tuo principale obiettivo. Questo danneggia la qualità delle previsioni a livello SKU-L perché non tiene conto di dettagli importanti sul segnale di domanda come la dimensione dell™ordine, la volatilità e l’errore. Per quelle poche attività altamente prevedibili che vendono solo pochi articoli ad alta rotazione tramite un solo canale, le previsioni tradizionale dovrebbero funzionare. Per tutte le altre, non tanto! // Forecast statistico In questo livello, distinguiamo due approcci correlati: forecast bottom-up e forecast probabilistico. Forecast bottom-up Questo approccio modella il pro˜lo di domanda univoco per ogni SKU-L. Piuttosto che aggregare la domanda, mantiene e sfrutta il segnale di domanda SKU-L (ad esempio, trend di acquisto in aumento o in riduzione, regioni in crescita o in contrazione, SKU con comportamenti insoliti). Questa strategia è preziosa perché le informazioni più signi˜cative sulla variabilità e la volatilità risiedono nel livello granulare di dettaglio, che può quindi essere aggregato a qualsiasi livello secondo necessità. Forecast probabilistico Con il forecast probabilistico, gli algoritmi avanzati analizzano più variabili di domanda per identi˜care le probabilità di una serie
PAGE – 5 ============
5 toolsgroup.com di possibili risultati. La bellezza della previsione probabilistica è che ti aiuta a gestire il rischio che deriva dalla volatilità della domanda. Non si tratta solo di migliorare le previsioni della domanda media, ma di valutare l’intera gamma di possibili risultati, che hanno il maggiore impatto sui livelli di servizio. Ci concentreremo su questo metodo nella strategia n. 2. // Forecast “Outside-in” Il forecast fioutside-infl si basa e sfrutta questi dati granulari sulla domanda aggiungendo dati di canale. Un approccio di “demand sensing” traduce la domanda a valle in un segnale di domanda per ogni SKU-L a monte, migliorando l’a˛dabilità del forecast statistico e riducendo la latenza della domanda. Attraverso il forecast fioutside-infl, un’azienda inizia a utilizzare tecniche di demand sensing guidate dal mercato per avvicinarsi a un compromesso ottimale, redditività aziendale e performance di fatturato migliori. // Forecast potenziato con machine learning La chiave per generare un forecast veramente reattivo è la capacità di attingere alla ricchezza dei dati di mercato e anche di tenere conto dell’impatto dei fattori di pro˜lazione della domanda come media, promozioni e introduzioni di nuovi prodotti. Il machine learning aiuta le aziende a prevedere i modelli di comportamento degli acquirenti in base ai dati in tempo reale che probabilmente stanno già ˝uendo nell’organizzazione. Vedi la strategia n. 3 per ulteriori informazioni sul machine learning nelle previsioni di domanda.
PAGE – 6 ============
6 toolsgroup.com KIKO Milano: Previsioni di vendita accurate nel frenetico settore cosmetico Generare previsioni a˛dabili in un mercato altamente competitivo e in continua evoluzione come quello della cosmetica può essere impegnativo. È il caso di KIKO Milano, la cui enorme crescita ha aumentato la complessità della supply chain.”Nella cosmetica, sono molte le ragioni che possono spostare in modo sensibile il comportamento del cliente, in modo spesso di˜cilmente prevedibile. I sistemi precedenti non erano in grado di a˚rontare queste complessità” Gianmarco Mangili, Planning Director di KIKO Milano. La soluzione doveva combinare le previsioni della domanda con l’automazione. Il forecast in KIKO è molto più accurato ed è de˜nito con dettaglio giornaliero per ciascuna referenza in ogni singolo store, considerando la stagionalità non solo del prodotto ma anche del negozio, mantenendo il cliente al centro. Leggi di più su KIKO Milano Scarica il PDF
PAGE – 8 ============
8 toolsgroup.com Probabilmente sai che il machine learning o˚re enormi vantaggi e ti chiedi se vale la pena capire meglio o investire. Secondo il nostro sondaggio Trasformazione digitale nella piani˛cazione della supply chain: 2021, condotto in collaborazione con CSCMP, il machine learning è uno dei primi tre investimenti tecnologici che i leader della supply chain hanno in piano per trasformare i loro processi. L’aumento della complessità del forecast e il rapido cambiamento della domanda dei consumatori sono spesso esacerbati dalla stagionalità, dall’introduzione di nuovi prodotti, dalle promozioni e da fattori causali (ad esempio meteo, social media), rendendo estremamente complessa la piani˜cazione della domanda. Oggi le aziende utilizzano il machine learning per a˚rontare questi processi più che in qualsiasi altra area della piani˜cazione della supply chain. Ecco alcuni suggerimenti per iniziare il tuo percorso di machine learning. // Determina i tuoi obiettivi aziendali De˜nisci bene gli obiettivi su ciò che vuoi realizzare e perché, prima di implementare un progetto di machine learning. Raccogli i dati necessari per un confronto accurato con i risultati precedenti. // Inizia in maniera semplice, quindi aggiungi complessità After you™ve established your project objectives, it™s time to build a solid baseline/foundation for a successful and sustainable initiative. We™ve found that the best approach is to leverage both probability forecasting and machine learning technologies, which work together seamlessly and automatically, giving users the ability to forecast at the most granular level, on di˚erent time horizons 3 Potenzia il tuo forecast con il machine learning
PAGE – 9 ============
9 toolsgroup.com // Piani˜ca per rendere operativa la soluzione di machine learning Spesso le aziende costruiscono una soluzione di machine learning per a˚rontare una s˜da una tantum, senza considerare la sostenibilità a lungo termine o il modo in cui adatteranno la soluzione ai cambiamenti. Per garantire un valore sostenibile, è necessario rendere operativi i risultati per un successo continuativo. delle organizzazioni prevede di adottare intelligenza arti˛ciale/machine learning per migliorare l’accuratezza delle previsioni 44% Trasformazione digitale nella piani˜cazione della supply chain: 2021, CSCMP/ToolsGroup
PAGE – 10 ============
10 toolsgroup.com Granarolo: Il produttore dairy utilizza un forecast basato su machine learning per prevedere le performance delle promozionie Il mercato dairy è caratterizzato da prodotti a shelf-life breve con una forte pressione promozionale. Granarolo gestisce in un anno più di 34.000 promozioni con picchi pari a oltre 30 volte il valore della baseline. Per gestire le promozioni e stimare correttamente i picchi di domanda, Granarolo ha adottato un software di piani˜cazione della supply chain che utilizza un motore di machine learning in grado di tradurre le informazioni storiche in stime a˛dabili per le promozioni future. Sulla base delle azioni promozionali passate, il sistema genera una proposta automatica di picchi promozionali coerenti, e permette quindi di de˜nire scorte di sicurezza variabili a seconda dell™a˛dabilità previsionale della classe di prodotti e delle frequenze di riapprovvigionamento dei punti vendita, con l™obiettivo di garantire il livello di servizio piani˜cato anche al variare della domanda. Leggi di più su Granarolo Scarica il PDF
PAGE – 11 ============
Il ruolo del piani˜catore ha assunto maggiore importanza di fronte alla crescente complessità della supply chain. Il lavoro si è ampliato per includere un improbabile mix di capacità tecniche e analitiche. Un recente e tipico annuncio di lavoro elenca competenze tecniche come la certi˜cazione APICS e Six Sigma, insieme a “capacità di negoziazione, comunicazione e presentazione”. Non sorprende che per le aziende sia sempre più di˛cile reclutare questi poliedrici personaggi. Le attività base della piani˜cazione della supply chain sono compiti perfetti per la macchina, che possono eseguire attività analitiche e calcoli ripetitivi più velocemente e con maggiore precisione rispetto agli esseri umani. La capacità del machine learning di trovare modelli (come la stagionalità e i comportamenti di acquisto) in enormi set di dati, e anche di diventare più intelligente nel tempo, lo rendono il complemento perfetto per a˛ancare la piani˜cazione manuale. Non parliamo di macchine che sostituiscono le persone nel posto di lavoro: l’automazione della piani˜cazione della supply chain colma un divario di competenze che gli esseri umani non possono praticamente soddisfare. L’integrazione del machine learning nel processo di forecast consente ai piani˜catori di lavorare dove davvero serve, per assumere decisioni strategicamente importanti che migliorano le prestazioni aziendali. 4 Automatizza le decisioni di piani˜cazione per migliorare il lavoro dei piani˜catori e ottenere risultati eccezionali 11 toolsgroup.com delle organizzazioni a˚erma di dover aumentare l’automazione per concentrare il personale su attività ad alto valore aggiunto 43% Trasformazione digitale nella piani˜cazione della supply chain: 2021, CSCMP/ ToolsGroup
236 KB – 14 Pages