планирования спроса в компании EFES · 2018-06-08 · 7. Ставилась задача по дезагрегации ... • Предоставление

Использование решения SAP IBPдля планирования спроса вкомпании EFES®

АО «Пивоварня Москва-Эфес», г. Москва

Отрасль: Товары широкого потребления

Выручка: 500 млн евро

www.efesrussia.ru

Персонал: 5500+ человек

Товары и услуги: Производство и продажа пива

Решения: SAP IBP for Demand®

О компании

§ Процесс планирования спроса выполнялсяв электронных таблицах

§ Интегрированный сбор данных из исходныхсистем не поддерживался

§ Наиболее детальные прогнозы строились науровне «Бренд» - «Регион». Дезагрегироватьданные в электронных таблицах было оченьсложно

§ Требовалась поддержка интеграции данныхVolume Building Blocks© в финальный прогноз.Этот процесс выполнялся вручнуюв электронной таблице

До: проблемы и возможности Почему SAP?

§ Единая интегрированная платформадля поддержки процесса планирования спроса

§ Экспертная служба, которая помоглаосуществить эффективное внедрениевсего за восемь месяцев

§ Локальный центр обработки данных в Россиидля размещения облачных решений

§ Решение позволило создать интегрированныйпроцесс сбора данных из исходных системи полуавтоматической очистки данных

§ SAP IBP for Demand позволяет обрабатывать огромныеобъемы данных. Поддерживается большая детализацияданных, чем планировалось изначально — на уровне склада /канала / товарной единицы

§ Было проведено сравнение окончательного прогнозаспроса с ожиданиями AC Nielsen и средним объемомреализации для активной клиентской базы

§ Все особые требования Эфес были реализованы в решении

§ Точность прогнозирования на предыдущем низкомуровне (клиент / регион) улучшилась на 6 п. п.*после 1го месяца работы. (*данные по каналу TT)

После: Результаты,ориентированные на прибыль

Более чем в 20 развозросла детализация данныхпри окончательном планировании спроса

Улучшениепроцессов сбора данных, очисткиданных и подготовки прогноза

8 месяцевот планирования до вводав эксплуатацию

~ 20%снижение трудозатратпри планировании спроса

6 п.п.улучшение точности прогноза толькопо каналу TT после 1го месяца работы

Расширениевозможностей управленияпроцессами в цепочке поставок

Предпосылки

История проектаВ Компании был формализован и апробирован на практике бизнес-процесс планирования спроса, который включал следующие шаги:

1. Подготовка базового прогноза спросас применением методов анализа временных рядов

2. Оценка и формирование uplifts продаж и маркетинга,среди которых:

§ Учет влияния на прогноз вывода на рынок новинок,в том числе – учет эффекта каннибализации

§ Учет промо-акций в традиционной и современнойрознице

§ Учет планов включения продукции в listing и исключенияиз него

§ Прочие Volume Building Blocks - около 12

Подготовка прогноза

Совещание с отделамимаркетинга и продаж

Проверканепротиворечивости

PreDRM; DRM

Совещание S&OP

3. Планирование осуществлялось на уровне«Канал сбыта» - «Географический дивизион» -«Бренд»

4. Ставилась задача по дезагрегации данныхпланирования спроса до уровня «SKU» – «Бизнес-партнер»

5. Планирование осуществлялось в MS Excel, поддержкаформатов данных осуществлялась вручную силамиподразделения ИТ-поддержки

6. Подготовка данных базы дезагрегации такжеосуществлялось вручную силами подразделения ИТ-поддержки

7. Ставилась задача по дезагрегации данныхпланирования спроса на недельный уровеньи осуществление краткосрочного планирования




PreDRM; DRM


• Выполнение DRM: согласование плана• Предоставление обратной связи отделам маркетинга, продаж и финансов• Обновление событий и оценка прогноза• Выполнение детального согласованного плана

• Проведение совещания S&OP• Предоставление обратной связи отделам маркетинга, продаж, финансов и SC• Обновление событий и оценка прогноза• Выполнение детального согласованного плана

Процесс среднесрочного прогнозирования




PreDRM; DRM


• Сбор исторических данных• Очистка истории• Создание базового плана• Подготовка базы каннибализации – перечня подобных товаров для новинок и

коэффициентов поглощения

• Сбор данных по маркетингу и продажам• Обновление событий• Определение и оценка влияния

• Консолидация прогнозов• Проверка непротиворечивости• Оценка расхождений с бизнес-данными• Предложение прогноза

• Сбор данных• Очистка истории• Создание базового

плана

• Выбор подобного товара• Сбор данных• Управление

каннибализацией

Стандарт NPD и каннибализация• Сбор данных о событиях• (качественная и

количественнаяинформация)

• Анализ событий

Реклама и мероприятия

• Сбор качественнойи количественнойинформации

• Анализ и альтернативныйпрогноз

Изучение рынка

Глобальная согласованная консолидация

• Анализ договоровс клиентами


Включение в списоки исключение из него


• Анализ и альтернативныйпрогноз

ACB

Качественная и количественная информация




PreDRM; DRM


Уровень приложенныхусилий, когда прогноззависит от 6 факторов Прогноз

Цель

Горизонт

Уровеньдетализации

(товар/регион/канал/период)

Типологиятовара

(новинка,промо товар,стандарт)

Классифика-ция SKU /

клиент / канал

Методы

Долгосрочный прогноз:играет роль на стратегическом уровне,на горизонт от 1-3 лет

Среднесрочный прогноз:позволяет конкретизировать цели, определить/управлять ресурсами.на горизонт до 18 месяцев

Краткосрочный прогноз:играет роль для операционного планирования,на горизонт до 16-18 недель

Временные горизонты

1. Возможности MS Excel как средства комплексной автоматизациибизнес-процесса планирования спроса недостаточны

2. Низкая автоматизация базовых процессов требовала большого объемаручного труда по выверке данных смежных подразделений и устраненияошибок человеческого фактора

3. Ограничения MS Excel как вычислительной платформы затрудняли:§ Осуществление дезагрегации§ Архивирование и повторное использование данных прошлых

сессий прогнозирования§ Сценарии и версии§ Управление полномочиями на доступ к данным§ Автоматически формируемая отчетность в различных разрезах

4. Неизбежность автоматизации бизнес -процесса на промышленнойплатформе стала очевидной

Очевидные сложности

Как шел проект

Вехи

11.2016 – 02.2017Выбор платформы и партнера по внедрению

17.02.2017Запуск проекта

02.2017 – 03.2017Семинары по платформе, выяснениебизнес – требований, Fit-GAP-анализ

03.2017-06.2017Прототипирование

07.2017Подготовка к опытно –промышленной эксплуатации

08.2017Первый прогноз

09.2017-10.2017Стабилизация системы

По итогам подготовки прогнозана октябрь 2017 г. подписанприказ о принятии системыв продуктивную эксплуатацию

Дата последнего статусногосовещания 20.10.2017 г.

• Сбор данных• Очистка истории• Создание базового

плана

• Выбор подобного товара• Сбор данных• Управление

каннибализацией

Стандарт NPD и каннибализация

• Сбор данных о событиях(качественная иколичественная информация)• Анализ событий

Реклама и мероприятия


• Анализ иальтернативный прогноз

Изучение рынка

Глобальная согласованная консолидация

• Анализ договоровс клиентами


Включение в списоки исключение из него


• Анализ иальтернативный прогноз

ACB

Процесс среднесрочного прогнозирования




PreDRM; DRM


Chain/Channel

PTP / типPTP/GEO SKU

Основные данные:уровни данныхи атрибуты в IBP

Распределительныйсклад

Авторегион / город

Партнер попланированию

Тип партнера

Географическоеподразделениеторговой команды

Типрозничной сети

Канал

Группарозничной сети

Месяц

Год

НеделяСуббренди упаковка

Ценовой сегмент

Бонусный сегмент

SKU

Бренд / упаковка(ON/OFF)

Уровень агрегирования

Chain/Channel


Основные данные:возможные уровнипостроения и проверкипрогноза







Канал


Месяц

Год




SKU


дезагрегация



агрегация


агрегация

Системная архитектура

Интеграционные потоки:

§ Входящий поток основных данных: SAP BW -> IBP

§ Входящий поток транзакционных данных:история продаж SAP BW -> SAP IBP

§ Входящий поток данных плана промов Modern Trade: Excel (с VBA) -> SAP IBP

§ Исходящий поток транзакционных данных:результаты прогнозирования SAP IBP -> SAP BW

Прототипирование осуществлялось на ограниченном объеме данных:§ 2 самых массовых бренда§ Все регионы/бизнес-клиенты/сети – полная клиентская база

Интеграционное тестирование проводилось в 4 этапа:§ Отработка математики на ограниченном объеме в тестовой среде§ Отработка интеграции на полном объеме в продуктивной среде§ Отработка дезагрегации на полном объеме в продуктивной среде§ Стресс-тест в продуктивной среде

Тестирование

Что в итоге получилось

Chain/Channel


Основные данные:уровни данныхи атрибуты в IBP







Канал


Месяц

Год




SKU



Уровень ракурса данных отчета дляDRM-митинга ~ 50 000 записей

Самый детализированный уровень~ 220 000 записей

~ 300

~ 3

~ 7/32

~ 450

~ 4

~ 3/5

~ 42

~ 150

~ 3TT, OT, MT

~ 3NKA, LKA и др.

~ 50Tander, KIB, x5…

и др. LKA

Chain/Channel


Основные данные:возможные уровнипостроения и проверкипрогноза







Канал


Месяц

Год




SKU





агрегация


агрегация

Разрешение оставшихсяконфликтов

Процесс планирования спроса: поддержка версий и сценариев

Статистический прогноз IBP и планировщик спроса

Начальный прогноз Планировщик спроса

План без ограничений Планировщик спроса

Согласованный план Планировщик спроса

Проверенный начальный прогноз Менеджер по продажам и маркетингу

Прогноз

Цель

Горизонт

Уровеньдетализации

(товар/регион/канал/период)

Типологиятовара

(новинка,промо товар,стандарт)

Классифика-ция SKU /

клиент / канал

Методы

Наличие встроенныхстатистическихметодов

Наличие прогнозана заданномвременномгоризонте идетализации

Наличие гибкойнастраиваемойсегментации/классификации

Дезагрегированиес разных уровнейпланирования

Спасибо за внимание!

Documents

планирования спроса в компании EFES · 2018-06-08 · 7. Ставилась задача по дезагрегации ... • Предоставление