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.
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.
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.
