CASE STUDY
W jaki sposób Danone, Nutricia i Żywiec Zdrój zoptymalizowały prognozowanie popytu?
O projekcie
Wdrożyliśmy kompleksowy system planowania popytu dla trzech kluczowych jednostek Danone w Polsce: Danone Polska, Nutricia Polska oraz Żywiec Zdrój. Danone jest globalnym liderem w sektorze żywności specjalistycznej (dla niemowląt, dzieci i dorosłych), jogurtów (mlecznych i roślinnych) oraz wód butelkowanych. Do jego najbardziej rozpoznawalnych marek należą Bobovita, Nutricia, Danone, Activia, Fantasia, Actimel oraz Żywiec Zdrój.
Zakres projektu obejmował różne segmenty biznesowe, z których każdy charakteryzował się unikalnymi zależnościami popytowymi – od produktów świeżych o krótkim terminie ważności, wymagających precyzyjnego planowania na poziomie dziennym, po kategorie silnie uzależnione od sezonowości i promocji. Różnice w dynamice sprzedaży, cyklach zamówień oraz strategiach rynkowych wymagały elastycznego podejścia do prognozowania oraz integracji danych z wielu źródeł. Wdrożenie ujednoliconego systemu umożliwiło automatyzację procesów, poprawę dokładności prognoz oraz optymalizację poziomu zapasów, dostosowaną do specyfiki każdej kategorii produktowej.
Cele i wyzwania w projekcie
Poprawa dokładności prognoz
Ręczne prognozowanie nie uwzględniało wszystkich istotnych zmiennych, co prowadziło do błędów i nieefektywnego zarządzania zapasami.
Oszczędność czasu pracy planistów
Duża ilość pracy manualnej była wymagana do przygotowania prognoz popytu.
Optymalizacja jakości zapasów
Odpowiedni poziom stanów magazynowych, redukcja braków i poprawa rotacji zapasów.
Migracja do wspólnego narzędzia do planowania popytu – IBP
Ujednolicenie procesów w ramach jednej platformy.
Zapewnienie prawidłowych danych wejściowych
Spójne dane na potrzeby prognozowania.
Automatyzacja procesów prognozowania
Wdrożenie modeli statystycznych oraz algorytmów ML.
Pełna integracja finansowych i promocyjnych danych
Automatyczne uwzględnianie wpływu promocji i czynników rynkowych na popyt.
Różnorodność kanałów sprzedaży
Każda kategoria produktowa była dystrybuowana przez różne kanały, co wymagało dostosowania metod prognozowania do specyficznych wzorców zamówień i popytu.
Wpływ czynników zewnętrznych na popyt
Prognozy musiały uwzględniać zmienne makroekonomiczne, takie jak inflacja, zmiany w sile nabywczej konsumentów, a także trendy zdrowotne i środowiskowe wpływające na preferencje zakupowe.
Sezonowość i zmienność popytu
Kategorie takie jak wody butelkowane czy produkty mleczne były silnie uzależnione od sezonowości oraz działań promocyjnych, co wymagało elastycznego podejścia do planowania i analizy historycznych danych sprzedażowych.
Złożoność struktury portfolio produktowego
Szeroka gama produktów o różnych cyklach życia, w tym nowości rynkowe, wymagała precyzyjnego zarządzania prognozami, aby unikać zarówno nadwyżek magazynowych, jak i braków produktów na rynku.
Nasze podejście i rozwiązania
Wdrożenie zintegrowanego systemu IBP (Integrated Business Planning)
Dostosowanie narzędzia IBP do specyficznych wymagań biznesowych.
Opracowanie reguł agregacji i deagregacji danych umożliwiających prognozowanie na różnych poziomach, dostosowanych do potrzeb poszczególnych segmentów produktowych.
Implementacja automatycznych mechanizmów czyszczenia danych oraz ich automatyczne ładowanie do systemu.
Wdrożenie algorytmów uczenia maszynowego oraz prognozowania statystycznego, dostosowanych do specyfiki poszczególnych działów biznesowych.
Jeden wspólny system obejmujący wszystkie procesy, eliminujący problem różnych jednostek miary i niejednolitego podejścia do danych.
Modele statystyczne i uczenie maszynowe
Analiza szeregów czasowych w celu doboru najlepszego modelu w zależności od działu biznesowego.
Wykorzystanie szerokiego wachlarza modeli statystycznych, od klasycznych metod po algorytmy ML, które uwzględniają więcej zmiennych niż dane historyczne.
Automatyczne filtrowanie i dostosowywanie modeli do specyfiki produktu – możliwość ręcznej korekty tam, gdzie to konieczne.
Osiągnięcia i wyniki wdrożenia
9%
Poprawa dokładności prognoz dzięki modelom ML – Gratka z 90,2% do 99,2%
10,2%
Poprawa dokładności prognoz dzięki modelom ML – Activia z 88,3% do 98,5%
7,8%
Poprawa dokładności prognoz dzięki modelom ML – Danonki z 90,2% do 98%
0,3%
Poprawa dokładności prognoz dzięki modelom ML – Alpro z 92,6% do 92,9%
Korzyści biznesowe
Zautomatyzowane planowanie popytu
Obsługiwane przez jedno ujednolicone narzędzie dla wszystkich jednostek biznesowych.
Redukcja strat z powodu przeterminowanych produktów
Kluczowe dla branży mleczarskiej, gdzie produkty mają krótką trwałość.
Unikanie braków magazynowych
Lepsza dostępność produktów zwiększyła satysfakcję klientów i ograniczyła utracone przychody.
Poprawa rotacji zapasów
Szybszy obrót towarów przyczynił się do wzrostu sprzedaży i poprawy rentowności.
Migracja wszystkich interfejsów
Wszystkie dane dostępne w jednym narzędziu, niezależnie od jednostek miary.
Oszczędność czasu pracy planistów miesięcznie
Zmniejszenie obciążenia pracą
Mniej czasu poświęconego na manualne budowanie prognoz dzięki automatycznym modelom statystycznym.
Większa przewidywalność
Dokładniejsze prognozy oparte na pełnych danych oraz automatyzacja procesów pozwoliły planistom skupić się na analizie
Optymalizacja zapasów i lepsza rotacja
Ograniczenie kosztów związanych z nadmiernym kapitałem zamrożonym w magazynach oraz zapewnienie dostępności produktów.
Podsumowanie
Wdrożenie systemu IBP (Integrated Business Planning) umożliwiło pełną automatyzację i harmonizację planowania popytu w Danone Polska, Nutricia Polska i Żywiec Zdrój. Dzięki nowoczesnym modelom statystycznym i uczeniu maszynowemu udało się znacząco poprawić dokładność prognoz, ograniczyć straty oraz zredukować manualną pracę planistów.
Masz pytania?
Odezwij się do nas!
Łukasz Krukowski
Zainteresował Cię case study?
Porozmawiajmy o Twoim wdrożeniu SAP IBP