language

Machine Learning (ML) ile Unilever tamamen satış öngörümüne geçmeyi başardı

Müşteri
Unilever
Endüstri
FMCG
Fonksiyonel alan
ML-Tahmini, Satış planlama
Çözüm
ML
Machine Learning (ML) ile Unilever tamamen satış öngörümüne geçmeyi başardı

Satış öngörümü gibi temel bir süreçte yapay zeka (AI) teknolojilerine geçiş, dijital iş dönüşümü gündeminde önemli bir önceliktir. Uzun ve zorlu bir yoldan geldik ve şu anda Machine Learning (ML) öngörüm sürecini düzenli bir çalışma döngüsüne (business as usual) entegre etme aşamasındayız.

Entegre Operasyon Geliştirme Başkanı, Unilever ABD
01
ARKA PLAN

Unilever ABD, dünyadaki Unilever işinin operasyonel yönetimi açısından en büyük ve en karmaşık olanıdır (200’den fazla marka). Kişisel bakım ve güzellik ürünleri, yiyecek, içecek ve dondurma ve ev bakım ürünlerini içeren böylesine çeşitli bir portföye sahip olan şirketin, karmaşık ve yüksek oranda kaynak yoğun bir satış öngörüm sürecini sürdürmesi gerekiyor.

Çeşitli satış kanalları ve dağıtım ağlarındaki binlerce SKU için satış öngörümü, her zaman geleneksel istatistiksel yöntemler kullanılarak oluşturulmuştur ve belirli planlamacıların ve satış yöneticilerinin uzmanlığına büyük ölçüde bağımlı olmuştur. Sonuç olarak, öngörümün hedef doğruluğuna ulaşmada süregelen sorunlar vardı ve bu da hep işletme için olumsuz finansal sonuçlara yol açtı.

Unilever ABD, dünyadaki Unilever işinin operasyonel yönetimi açısından en büyük ve en karmaşık olanıdır (200’den fazla marka). Kişisel bakım ve güzellik ürünleri, yiyecek, içecek ve dondurma ve ev bakım ürünlerini içeren böylesine çeşitli bir portföye sahip olan şirketin, karmaşık ve yüksek oranda kaynak yoğun bir satış öngörüm sürecini sürdürmesi gerekiyor.

Çeşitli satış kanalları ve dağıtım ağlarındaki binlerce SKU için satış öngörümü, her zaman geleneksel istatistiksel yöntemler kullanılarak oluşturulmuştur ve belirli planlamacıların ve satış yöneticilerinin uzmanlığına büyük ölçüde bağımlı olmuştur. Sonuç olarak, öngörümün hedef doğruluğuna ulaşmada süregelen sorunlar vardı ve bu da hep işletme için olumsuz finansal sonuçlara yol açtı.

02
ÇÖZÜM

Danışmanlar, Machine Learning (ML) (ML) algoritmalarına dayalı satış öngörüm modelleri geliştirerek, işletmenin en gelişmiş ML algoritmalarını kullanarak istatistiksel öngörümden yeni bir sürece geçmesini sağladı.

Proje kapsamında ABD ve dünyanın en büyük perakendecileri için ayrı satış öngörüm modelleri oluşturuldu. Aynı zamanda, modellerin her biri, belirli bir ağdaki öngörümü belirleyen kendi benzersiz giriş parametreleri kümesine sahipti: hazır satış verilerinden stok seviyelerine, promosyon maliyetlerinden benzersiz promosyon etkinlikleri listesine, satış noktalarından ulusal bayramlara kadar. Mevcut dahili ve harici verilerin çeşitliliği ve eksiksizliği, Machine Learning (ML) algoritmalarının örneklerden daha iyi öğrenmesine ve sonuç olarak daha az çabayla daha doğru öngörümler oluşturmasına olanak sağladı.

Yeni süreci desteklemek ve geliştirmek için Domo BI platformu ve Anaplan entegre planlama platformu seçildi: tüm modellerin algoritmalarını güncelleme olasılığından, alınan öngörümün gerekli seviyeye ayrıştırılması ve son kullanıcılar için görselleştirilmesi. Yeni öngörümün ayrıntılarını içeren etkileşimli panolar (gösterge tablosu), planlayıcıların ve analistlerin, onu etkileyen tüm mevcut faktörler için ML öngörümü bileşenlerini daha iyi anlamalarını sağladı. Bu, özellikle yeni süreç ve teknolojinin çalışanlar arasında benimsenmesini hızlandırdı.

Belirli perakendeciler için özel modellere ek olarak, kalan tüm perakende zincirleri ve iş kategorileri için ML algoritmalarını kullanarak temel satış çizgisini öngörebilmek için evrensel bir model oluşturuldu. Anaplan’da ML öngörüm ayrıştırılması için oluşturulan çözüm sayesinde, planlama yöneticileri, Müşterideki belirli bir SKU’ya kadar öngörüm kalitesini doğru bağlamda kolayca değerlendirebilir, önceki dönemlerdeki öngörülerle karşılaştırabilir, senaryo planlaması yapabilir ve çok daha fazlasını yapabilir.

Danışmanlar, Machine Learning (ML) (ML) algoritmalarına dayalı satış öngörüm modelleri geliştirerek, işletmenin en gelişmiş ML algoritmalarını kullanarak istatistiksel öngörümden yeni bir sürece geçmesini sağladı.

Proje kapsamında ABD ve dünyanın en büyük perakendecileri için ayrı satış öngörüm modelleri oluşturuldu. Aynı zamanda, modellerin her biri, belirli bir ağdaki öngörümü belirleyen kendi benzersiz giriş parametreleri kümesine sahipti: hazır satış verilerinden stok seviyelerine, promosyon maliyetlerinden benzersiz promosyon etkinlikleri listesine, satış noktalarından ulusal bayramlara kadar. Mevcut dahili ve harici verilerin çeşitliliği ve eksiksizliği, Machine Learning (ML) algoritmalarının örneklerden daha iyi öğrenmesine ve sonuç olarak daha az çabayla daha doğru öngörümler oluşturmasına olanak sağladı.

Yeni süreci desteklemek ve geliştirmek için Domo BI platformu ve Anaplan entegre planlama platformu seçildi: tüm modellerin algoritmalarını güncelleme olasılığından, alınan öngörümün gerekli seviyeye ayrıştırılması ve son kullanıcılar için görselleştirilmesi. Yeni öngörümün ayrıntılarını içeren etkileşimli panolar (gösterge tablosu), planlayıcıların ve analistlerin, onu etkileyen tüm mevcut faktörler için ML öngörümü bileşenlerini daha iyi anlamalarını sağladı. Bu, özellikle yeni süreç ve teknolojinin çalışanlar arasında benimsenmesini hızlandırdı.

Belirli perakendeciler için özel modellere ek olarak, kalan tüm perakende zincirleri ve iş kategorileri için ML algoritmalarını kullanarak temel satış çizgisini öngörebilmek için evrensel bir model oluşturuldu. Anaplan’da ML öngörüm ayrıştırılması için oluşturulan çözüm sayesinde, planlama yöneticileri, Müşterideki belirli bir SKU’ya kadar öngörüm kalitesini doğru bağlamda kolayca değerlendirebilir, önceki dönemlerdeki öngörülerle karşılaştırabilir, senaryo planlaması yapabilir ve çok daha fazlasını yapabilir.

03
İŞLETME DEĞERİ
  • Öngörüm doğruluğunda %20 artış.
  • Uzmanların satış öngörümü için harcadıkları zamanın %50 oranında azaltılması.
  • Satış ve Operasyon Planlama (S&OP) sürecini, özellikle ” Öngörüm Oluşturma ve Onaylama” (Demand review) aşamasında basitleştirme ve hızlandırma.
  • Öngörüm doğruluğunda %20 artış.
  • Uzmanların satış öngörümü için harcadıkları zamanın %50 oranında azaltılması.
  • Satış ve Operasyon Planlama (S&OP) sürecini, özellikle ” Öngörüm Oluşturma ve Onaylama” (Demand review) aşamasında basitleştirme ve hızlandırma.

BİZE NASIL ULAŞABİLİRSİNİZ?

Join us in LinkedIn

    BİR SORU SORUN

    Aklımda bir soru var

    İlk isim
    Soyadı
    Ülke
    Şirket
    Pozisyon
    Email
    Telefon
    Özellikle şunun hakkında daha fazla şey duymak istiyorum:

      BİZE YAZIN

      İLK ADI
      SOY İSİM
      ŞİRKET
      TELEFON
      e-mail
      YORUM

        DEMO İSTEYİN

        Hızlı bir demo görmek isterim

        İlk isim
        Soyadı
        Ülke
        Şirket
        Endüstri
        Pozisyon
        Email
        Sohbet etmek ve hızlı bir demo görmek isterim: