Neue Produktkonfigurationen und Long-Tail Nachfrage erhöhen die Prognosefehler. Einflüsse wie Nachfragemodellierung (Medien, Werbeaktionen, Produktentwicklung) und das Kaufverhalten im Internet vervollständigen das Bild. Die Lieferkettenplanung teilt sich entlang mehrerer Kanäle und sich konkurrierender Ziele auf. In einigen Unternehmen hat sich die Genauigkeit der Prognosen verringert.Viele Unternehmen sind auf der Suche nach Antworten auf Fragen wie: Wie kann die Nachfrage bei dem Online-Verkäufen prognostiziert werden? Wie soll der Bestand dafür organisiert werden? Wie viel Lagerbestand des Vertriebszentrums soll als Vorrat versendet werden? Sollten wir Lagerbestände zwischen den Kanälen teilen?
Und viele Unternehmen beginnen damit auf die Notwendigkeit den Entscheidungsprozess zu automatisieren zu reagieren, dadurch wird die Rolle der Planer produktiver. Einige fragen sich sogar warum sie Heerscharen von Planern beschäftigen. Und ob ein Aufwand ohne Mehrwert sie davon abhält ein höheres Planungsniveau zu erreichen?
KUNDENFALLSTUDIE
Granarolo, ein Marktführer in der Molkereibranche wurde durch seine Produkte mit kurzer Haltbarkeit und einem hohen Druck im Bereich des Promotion-Marketings stark gefordert. Sie betreiben jährlich tausende Werbeaktionen, erstellen 34.000 Kombinationen von Artikel-Werbeaktionsprognosen und unterliegen Bedarfsspitzen die zum Teil das 30-fache der Grundnachfrage betragen können. Ihr komplexes Vertriebsnetzwerk (sechs Logistikplattformen, 35 Transitlager und eine große Flotte von hunderten Kühlfahrzeugen) erforderten ein optimiertes Bestandsmanagement und die Fähigkeit zur schnellen Reaktion um die Kunden Service-Level, unter Berücksichtigung aller logistischen Beschränkungen, zu maximieren.
Mit ToolsGroup erstellte Granarole einen sehr zuverlässigen Nachfrage- und Lieferplan für ihre verderblichen Produkte. Kern ihrer Lösung war die Fähigkeit Werbeaktionen zu prognostizieren und die erwarteten Spitzen korrekt vorherzusagen. ToolsGroups Software zur Prognose für Werbeaktionen verwendet Maschinelles Lernen, um Spitzen die durch Werbeaktionen verursacht werden automatisch vorherzusagen und dynamische Sicherheitslagerbestände vorzuschlagen, damit im Falle von geänderter Nachfrage hohe Service-Level herhalten bleiben.
Granarolo steigerte seine durchschnittliche Vorhersagezuverlässigkeit von 80 auf 85 % und steigerte gleichzeitig seine Absätze. Lagerbestände wurde um mehr als die Hälfte reduziert, dadurch wurden der Kapitalaufwand und die Lieferzeit um die 50 % verringert. Durch die Verringerung der Lieferzeit konnte Granarolo auch die Frische seiner Produkte erheblich steigern (Resthaltbarkeit am Point-of-Sale) und die Obsoleszenz minimieren. Granarolo verringerte die Transportkosten, die durch Expresslieferungen entstanden sind.
Mit dem Vorteil von zuverlässigen und aktuellen Daten können wir den Lagerbestand auf eine vollständig andere Art und Weise behandeln. Die Planer finden es befriedigenderer und haben sogar Spaß bei der Arbeit mit diesen Daten, da sie wissen, die Daten werden irgendwo eingesetzt und sie erhalten ein sofortiges Feedback. Darüber hinaus müssen Sie nicht ihre gesamte Zeit für die manuelle Bewältigung der Zahlen aufwenden und können sich wertvolleren Aufgaben widmen.
Erik Börtemark, Supply Chain Director bei Findus Sweden AB