Hintergrund: Verkaufsplanung und Kapazitätsplanung sind nicht immer konsistent
Die Julius Blum GmbH, ein österreichischer Hersteller von Möbelbeschlägen, setzt seine Produkte in insgesamt 100 Märkten ab. Für die Planung der Produktion müssen benötigte Kapazitäten für die jeweils nächsten 18 Monate eingeschätzt werden. Planzahlen werden hierfür auf einer detaillierten Ebene benötigt, die Aufschlüsse über das benötigte Material zulässt.
Aufgrund der Komplexität von Blums Produkten liegen auf dieser Ebene über 2.000.000 Planungsobjekte vor. Eine Zwischenebene mit etwas mehr als 100.000 Planungsobjekte dient dazu – trotz teils kurzer und unregelmäßiger Nachfrage für die einzelnen Planungsobjekte – charakteristische Muster innerhalb einzelner Segmente in der Vorhersage zu berücksichtigen.
Blum etablierte einerseits durch datenbasierte und automatisierte Prognosen Konsistenz in den Planzahlen auf den verschiedenen Hierarchieebenen, um in der Lieferkette vom Fertigungsmaterial bis zum verkaufsfähigen Produkt stimmige Zahlen zu generieren. Andererseits wollten sich die verschiedenen Planer in der Menge von Planungsobjekten gut zurechtfinden, was durch geeignete Fokusbildung in den Forecasts der Planungsobjekte erreicht wird.
“Ein gewichtiger Punkt ist für unser Sales die Qualifizierung der Prognose. Wenn wir es schaffen, die Arbeit der Verkäufer durch unsere Entwicklung bedeutend zu reduzieren, dann wäre das ein beachtlicher Erfolg und die automatisierten Forecasts hätten einen sicheren Platz in der Sales-Planung.”
Ziele und Anforderungen
- Verbesserung der Prognosegüte für monatliche Forecasts mit einem Planungshorizont von bis zu 18 Monaten
- Berücksichtigung und geeignete Behandlung von Spezialfällen, insbesondere auslaufenden Artikeln
- Hierarchisches Forecasting auf ausgewählten Ebenen, um Konsistenz sicherzustellen – da keine einzelne Ebene allein die Planungsanforderungen abdecken konnte
- Effiziente Hinführung der Planer zu den kritischen Fällen, um ihnen Zeit zu sparen
Vorgehen: durch agile Entwicklung zu einer individuellen Forecasting-Lösung
Von Beginn an gestalteten wir die Entwicklung der Forecasting-Lösung für Blum als einen dynamischen und agilen Prozess, um Flexibilität und eine kontinuierliche Anpassung an die Bedürfnisse unseres Kunden zu ermöglichen. In enger Zusammenarbeit mit Blum, unterstützt durch Skizzen und konkrete Beispiele, schärften wir iterativ das Verständnis für die spezifischen Anforderungen. Darauf aufbauend starteten wir frühzeitig mit Experimenten und dem Prototyping. Wir untersuchten die Vorhersagegüte auf verschiedenen Hierarchieebenen, entwickelten Ansätze zur Klassifizierung von Planungsobjekten und identifizierten besondere Muster wie Auslaufartikel oder Marketingeffekte.
Der Kern unseres Vorgehens war ein kontinuierlicher Zyklus: Wir erzeugten erste Resultate, diskutierten diese intensiv mit den Anwendern und passten die Lösung basierend auf Blums wertvollem Feedback umgehend an. So wurde der Prototyp schrittweise optimiert und zur besten Vorhersagestrategie weiterentwickelt. Diese mündete schließlich in eine stabile Implementierung, die auch Fallback-Methoden und einen flexiblen Datenimport und -export berücksichtigte. Parallel zur Entwicklung haben wir die Lösung dokumentiert, an Blum übergeben und die Mitarbeiter geschult. Auch nach der initialen Inbetriebnahme lebten wir den agilen Gedanken weiter: Mit wachsendem Nutzerkreis und neuem Feedback durchlief die Lösung weitere Verbesserungszyklen, um ihren Nutzen stetig zu steigern.
Bestandteile der Lösung
- Forecasting-Funktionalitäten auf mehreren Hierarchie-Ebenen inkl. (Dis-)Aggregations-Logiken und Ausgleichsrechnungen
- Ampelsystem mit Retrospektiv-Ampel: Kategorisierung der Forecasts auf Basis der historischen Performance + übersichtliche Darstellung
- Plausibilitätsprüfung für die Forecasts
“Die Qualität der Forecasts hat uns überzeugt, dass wir sie regelmäßig als Basisprognose für die rollierende Verkaufsplanung ins SAP IBP übernehmen.”
Ergebnis: 10 % bessere Prognosegüte
Die durch die Forecasting-Lösung erzeugten Ergebnisse spielt Blum ohne Umwege in SAP IBP ein, um sie direkt nutzen zu können. Sie erreichten durch die Lösung eine Verbesserung der Prognosen auf höchster aggregierter Ebene um 10 % im Vergleich zu SAP IBP. Ein neuartiges Ampelsystem verschafft Nutzern einen Überblick über Produktkategorien und Märkte, die Aufmerksamkeit erfordern oder bei denen auf den automatisierten Forecast vertraut werden kann, was eine erhebliche Zeitersparnis bedeutet. Zudem wird die Konsistenz der Prognosen über verschiedene Hierarchieebenen hinweg sichergestellt. Das positive Feedback der Keyuser bestätigte dies, indem sie die Prognose direkt im nächsten Planungszyklus als Planungsgrundlage einsetzen wollten.
Die individuelle Forecasting-Lösung besteht aus einem Python-Paket, das die besprochene Funktionalität bereitstellt, und auf die Infrastruktur des Kunden zugeschnittenen Skripten, die das Gesamtprogramm automatisiert anstößt. Letztere wurden in Zusammenarbeit mit den Data Scientists/Engineers unseres Kunden erstellt, um sich optimal in die existierende Infrastruktur einzufügen.
“Wir möchten in der Lage sein, die Lösung selbstständig zu pflegen und weiterzuentwickeln. prognostica hat diese entsprechend dokumentiert und uns in der Anwendung geschult.”
Das Projektteam
Christian
Senior Data Scientist(prognostica GmbH)
German Wehinger
Senior Project Manager(Julius Blum GmbH)
Jessica Costa da Rocha
Data Scientist(Julius Blum GmbH)
Joshua Beal
Data Scientist(Julius Blum GmbH)
Stefan Kolhaupt
Process Owner for Sales Planning and Steering Processes (Julius Blum GmbH)
Pascal Röck
Process Owner for Sales Planning and Steering Processes (Julius Blum GmbH)
Alexander Kolb
IT Solution Architect(Julius Blum GmbH)
Möchten auch Sie Ihre Planzahlen verbessern und gleichzeitig weniger manuellen Arbeitsaufwand? Dann
gerne und wir vereinbaren einen ersten Online-Termin.