Die Umstellung auf Technologien unter Verwendung der künstlichen Intelligenz (AI) bei solchem fundamentalen Prozess, und zwar die Verkaufsprognose, ist ein Schlüsselpunkt im Beschlussgegenstand über die digitale Business-Transformation. Wir sind einen weiten, nicht leichten Weg gegangen, und sind im Stadium der Integrierung des Prozesses der ML-Prognose in den gewöhnlichen Gesamtarbeitszyklus (bei der Entwicklung des Modells im Format «business as usual») jetzt.
«Unilever» mit Sitz in den USA wird mit dem größten und dem schwersten Business wegen der operativen Businessverwaltung der Körperschaft «Unilever» (über 200 Handelsmarken) in der ganzen Welt assoziiert. Besitzend ein solch verschiedenartiges Projektportfolio mit Einschluss von Körperpflegewaren und Kosmetikprodukte, Lebensmittel, Getränke und Eiscreme, sowie Waren für die Hauspflege, ist die Gesellschaft gezwungen, einen komplexen und sehr ressourcenintensiven Prozess der Verkaufsprognose zu unterstützen.
Die Verkaufsprognose von Tausenden der Warenpositionen (SKU) über verschiedene Vertriebswege und durch zahlreiche Handelsnetze wurde mittels der traditionellen statistischen Methoden immer aufgebaut und war von sachverständigen Begutachtungen der gewissen Fachplanern und Verkaufsmanagern sehr abhängig. Als Ergebnis entstanden Probleme mit der Erreichung der zweckbestimmten Genauigkeit der Prognose regelmäßig, was zu negativen finanziellen Folgen für das Business immer geführt hatte.
«Unilever» mit Sitz in den USA wird mit dem größten und dem schwersten Business wegen der operativen Businessverwaltung der Körperschaft «Unilever» (über 200 Handelsmarken) in der ganzen Welt assoziiert. Besitzend ein solch verschiedenartiges Projektportfolio mit Einschluss von Körperpflegewaren und Kosmetikprodukte, Lebensmittel, Getränke und Eiscreme, sowie Waren für die Hauspflege, ist die Gesellschaft gezwungen, einen komplexen und sehr ressourcenintensiven Prozess der Verkaufsprognose zu unterstützen.
Die Verkaufsprognose von Tausenden der Warenpositionen (SKU) über verschiedene Vertriebswege und durch zahlreiche Handelsnetze wurde mittels der traditionellen statistischen Methoden immer aufgebaut und war von sachverständigen Begutachtungen der gewissen Fachplanern und Verkaufsmanagern sehr abhängig. Als Ergebnis entstanden Probleme mit der Erreichung der zweckbestimmten Genauigkeit der Prognose regelmäßig, was zu negativen finanziellen Folgen für das Business immer geführt hatte.
Von Beratern wurden Modelle der Verkaufsprognose auf Basis von Algorithmen des maschinellen Lernens (ML) ausgearbeitet, was dem Business von der statischen Prognose auf den neuen Prozess unter Verwendung von sehr fortgeschrittenen Algorithmen des maschinellen Lernens (ML) umgestellt werden ließ.
Im Rahmen des Projektes wurden einzelne Modelle der Verkaufsprognose in den größten Einzelhandelsgeschäften mit Sitz in den USA und in der ganzen Welt entwickelt. Dabei hatte jedes der Modelle seinen einzigartigen Satz von den eingestellten Parametern, die für die Bestimmung der Prognose in dem gewissen Netz hilfreich gewesen waren: von Daten über den Verkauf von auf dem Handelsregal gelegten Waren bis zum Bestandsniveau auf Lager, von Kosten auf Werbeaktionen bis zur Liste der einzigartigen Werbeveranstaltungen, von der Anzahl der Verkaufsstellen bis zu nationalen Festen. Die Vielfältigkeit und die Vollständigkeit der inneren und äußeren Daten ließen Algorithmen des maschinellen Lernens (ML) bei Datenabrufen besser zur Erlernung geeignet werden und die genauere Prognose mit wenigeren Arbeitskosten als Ergebnis zu schaffen.
Die Plattform «Domo» für die Business-Analytik und die Plattform für die integrierte Planung «Anaplan» waren ausgewählt, um den neuen Prozess zu unterstützen und zu verstärken: von der Möglichkeit der Erneuerung der Algorithmen aller Modelle, der Desaggregation der erhaltenen Prognose bis zum notwendigen Grad und ihrer visuellen Darstellung für Endbenutzer.
Interaktive Informationsflächen (Dashboards) mit Details der neuen Prognose ließen sachverständigen Fachplanern und Business-Analysten Bestandteile der mit dem maschinellen Lernen (ML) gestellten Prognose unter Berücksichtigung aller darauf Einfluss nehmenden Faktoren besser verstehen. Es war besonders hilfreich, um den Verlauf der Erfassung des neuen und der Technologie unter Mitarbeitern zu beschleunigen.
Nebst spezialisierten Modellen für gewisse Einzelhandelsgeschäften wurde ein einzigartiges Modell für die Basislinie-Verkaufsprognose mittels der mit dem maschinellen Lernen (ML) konstruierten Algorithmen für alle anderen Handelsnetze und Business-Kategorien. Dank der geschaffenen Lösung für die Desaggregation der mit dem maschinellen Lernen (ML) gestellten Prognose in «Anaplan» konnten Planungsmanager die Qualität der Prognose unter dem notwendigen Aspekt bis zur gewissen Warenposition (SKU) in der Kundenanwendung bewerten, mit der in dem letzten Zeitraum gestellten Prognose, die Szenarioplanung durchzuführen und anderes mehr.
Von Beratern wurden Modelle der Verkaufsprognose auf Basis von Algorithmen des maschinellen Lernens (ML) ausgearbeitet, was dem Business von der statischen Prognose auf den neuen Prozess unter Verwendung von sehr fortgeschrittenen Algorithmen des maschinellen Lernens (ML) umgestellt werden ließ.
Im Rahmen des Projektes wurden einzelne Modelle der Verkaufsprognose in den größten Einzelhandelsgeschäften mit Sitz in den USA und in der ganzen Welt entwickelt. Dabei hatte jedes der Modelle seinen einzigartigen Satz von den eingestellten Parametern, die für die Bestimmung der Prognose in dem gewissen Netz hilfreich gewesen waren: von Daten über den Verkauf von auf dem Handelsregal gelegten Waren bis zum Bestandsniveau auf Lager, von Kosten auf Werbeaktionen bis zur Liste der einzigartigen Werbeveranstaltungen, von der Anzahl der Verkaufsstellen bis zu nationalen Festen. Die Vielfältigkeit und die Vollständigkeit der inneren und äußeren Daten ließen Algorithmen des maschinellen Lernens (ML) bei Datenabrufen besser zur Erlernung geeignet werden und die genauere Prognose mit wenigeren Arbeitskosten als Ergebnis zu schaffen.
Die Plattform «Domo» für die Business-Analytik und die Plattform für die integrierte Planung «Anaplan» waren ausgewählt, um den neuen Prozess zu unterstützen und zu verstärken: von der Möglichkeit der Erneuerung der Algorithmen aller Modelle, der Desaggregation der erhaltenen Prognose bis zum notwendigen Grad und ihrer visuellen Darstellung für Endbenutzer.
Interaktive Informationsflächen (Dashboards) mit Details der neuen Prognose ließen sachverständigen Fachplanern und Business-Analysten Bestandteile der mit dem maschinellen Lernen (ML) gestellten Prognose unter Berücksichtigung aller darauf Einfluss nehmenden Faktoren besser verstehen. Es war besonders hilfreich, um den Verlauf der Erfassung des neuen und der Technologie unter Mitarbeitern zu beschleunigen.
Nebst spezialisierten Modellen für gewisse Einzelhandelsgeschäften wurde ein einzigartiges Modell für die Basislinie-Verkaufsprognose mittels der mit dem maschinellen Lernen (ML) konstruierten Algorithmen für alle anderen Handelsnetze und Business-Kategorien. Dank der geschaffenen Lösung für die Desaggregation der mit dem maschinellen Lernen (ML) gestellten Prognose in «Anaplan» konnten Planungsmanager die Qualität der Prognose unter dem notwendigen Aspekt bis zur gewissen Warenposition (SKU) in der Kundenanwendung bewerten, mit der in dem letzten Zeitraum gestellten Prognose, die Szenarioplanung durchzuführen und anderes mehr.
