Studija slučaja - Mercata VT - Optimizacija nabavke

Kompanija
Mercata VT
Država
Srbija
Industrija
FMCG
Studija slučaja - Mercata VT - Optimizacija nabavke

Tehnologije

Proizvodi

asw:mercantis

RMS

Popularan, fleksibilan proizvod koji u potpunosti podržava procese unutar maloprodajne kompanije.

M:

Opis

Naručivanje robe je jedan od najbitnijih procesa u poslovanju klijenta. U postojećem sistemu nije postojao mehanizam automatskog naručivanja. Narudžbe nastaju kao rezultat posete komercijaliste i informacija koje on pokupi sa terena.

Uvodjenjem asw:numerus (asw:maximus) dobijen je mehanizam automatskog generisanja narudžbi kupcu kao i optimizacija procesa nabavke na osnovu analize podataka pomoću mašinskog učenja.

Realizacija

Napravljen je sistem koji koristi dostupne istorijske podatke o prodaji i zalihama, kao i osnovne  podatke: artikle i njihove atribute, objekte i njihove atribute, asortimane objekata, kalendar snabdevanja, dodatne informacije o zalihama. Podaci se prvo pripremaju u odgovarajućem formatu, kako bi mogli da se upotrebe u svrhe treniranja modela mašinskog učenja. Nakon toga se trenira sam model koji predviđa potražnju svakog artikla u svakom od objekata, koristeći definisan asortiman.

Uzimanjem u obzir najnovije informacije o stanju zaliha, obračunava se potrebna dopuna. Ta dopuna se zaokružuje na količine naručivanja u paketu za svaki od artikala. Ukoliko postoje dodatni zahtevi poput marketinških zaliha, obavezne prodaje ili minimalne zalihe, oni se takođe uzimaju u obzir prilikom računanja potrebne dopune.

Kako je dostupna informacija o kalendaru snabdevanja, sistem sam pokreće sve potrebne procese radi dobijanja dopuna. Svakog jutra korisniku su dostupne izračunate potrebne dopune za  objekte i artikle. Korisnik dobija te rezultate u vidu tabele, kao i grafičkom obliku preko alata Tableau.

Osnovni izazovi:

1. Model: Kreirati kvalitetan model mašinskog učenja koji će da predviđa potražnju, uzimajući u obzir ključne indikatore performansi (KPI) kao što su:

  • Stockout - događaj se dešava kada artikla na zalihama nema, a potražnja za tim artiklom je bila velika.
  • Sekundarni stockout - događaj se dešava kada artikla ima manje nego obaveznih (marketinških) zaliha.
  • Overstock - događaj se dešava kada na zalihama ima veća količina artikla nego što je predviđeno da se može prodati sledeće nedelje.

2. Dodatni podaci: Iskoristiti na adekvatan način sve dodatne podatke i informacije poput kalendara snabdevanja, marketinških zaliha, minimalnih zaliha, obavezne prodaje u obračunu potrebne dopune.

3. Automatizacija procesa: Uvezati sistem da radi neometano i automatski svakog jutra dostavlja podatke korisniku.

Rešenje izazova:

1. Model: Kako je prodaja na dnevnom nivou veoma varijabilna, to direktno predviđati prodaju predstavlja težak problem. Takođe, bitno uzimati u obzir KPI i njihove prioritete. Najviši prioritet smanjivanja ima Stockout, pa Sekundarni stockout i na kraju Overstock. Ukoliko se predviđa direktno prodaja, to svi ovi KPI se uzimaju kao jednako prioritetni, jer se podjednako   ocenjuje i pogrešna predikcija iznad prave prodaje i ispod.

Sa tim informacijama se zaključuje da je moguće napraviti model koji umesto predviđanja direktne prodaje predviđa granicu preko koje prodaja neće da preskoći sa određenim procentom pokrivanja.

Na primer, neka je taj procenat 95%, tada model traži granicu (za svaki artikal i objekat pojedinačno) da sa 95% sigurnosti prodaja bude manja od dobijenog broja. Na taj način moguće je regulisati koliki procenat Stockout-a dozvoljen, a da se pri tom ne gomilaju zalihe.

Povećavanjem tog procenta smanjuje se mogućnost Stockout-a, ali raste za Overstock događaje, i obratno – smanjenjem tog broja povećava se Stockout, ali smanjuje Overstock. Potrebno je pažljivo odabrati taj broj u cilju zadovoljavanja zahteva. Taj parametar je postavljen kao jedan od ključnih u sistemu.

2. Dodatni podaci: Dublje razumevanje procesa snabdevanja je brzo razbistrilo način upravljanja sa tim informacijama. Sve dodatne podatke dostavlja i reguliše korisnik i oni se upotrebljavaju na način koji je ugovoren sa korisnikom. Svi podaci ulaze u algoritam za određivanje potrebne dopune.

Definisan je i parametar tolerancije zaokruživanja da korisnik sam podesi koji njemu odgovara. Tim parametrom se regulišu zaokruživanja za količine u paketu.

Na primer, ako je količina u paketu naručivanja 10, a izračunata potrebna dopuna je 12, sa tolerancijom od 10% - potrebna dopuna se zaokružuje na 20, dok ako je tolerancija 20% - potrebna dopuna se zaokružuje na 10.

3. Automatizacija procesa: Potrebno je postaviti prijem svih bitnih i aktuelnih informacija i podataka u pravom trenutku, te je neophodno ugovoriti vremenski plan (timeline). Sistem mora da radi sa najnovijim podacima, a kako nije izvršena direktna integracija sa bazom podataka korisnika, potrebno je da se ti podaci blagovremeno dostavljaju i da sistem završi sve obračune do definisanog trenutka kako bi korisnici imali na raspolaganju izračunate dopune.

Rešavanjem ključnih izazova došlo se do rešenja koje aktivno radi kod korisnika. Trenutno sistem sve uradi umesto korisnika. Rezultati pokazuju poboljšanja svih definisanih KPI. Najviše se ogleda u Sekundarnom stockout.

Rezultati:

Broj Stockout događaja smanjen je za 57%

Broj Sekundarnih stockout događaja smanjen je za 78%

Broj Overstock događaja smanjen je za 8%

Postignuto i smanjenje potrebnog vremena za generisanje i definisanje potrebnih dopuna svakog dana.

Povezane studije

Upravljanje maloprodajnim lancem od 600 kioska
Maloprodaja, Distribucija štampe

Upravljanje maloprodajnim lancem od 600 kioska

saznaj više
Podrška za distribuciju robe široke potrošnje
Veleprodaja

Podrška za distribuciju robe široke potrošnje

saznaj više