CASE STUDY
Auf welche Weise konnten Danone, Nutricia und Żywiec Zdrój die Prognosegenauigkeit auf 97 % steigern?
Informationen zum Projekt
Danone Polska führte ein ganzheitliches Projekt über neun Monate durch, mit dem Ziel, die Nachfrageplanungsprozesse in drei zentralen Abteilungen zu optimieren: Danone, Nutricia und Żywiec Zdrój. Ziel des Projekts war die Integration und Optimierung der Planungsprozesse für eine breite Produktpalette, einschließlich Milchprodukte, spezialisierte Ernährungsprodukte und Wasserflaschen, die über 17 Lager mit insgesamt 9.000 einzigartigen Artikeln distribuiert werden.
Das ehrgeizige Projekt verfolgte das Ziel, moderne Technologien und Kooperationsstrategien zu nutzen, um die Planungsprozesse zu optimieren und sowohl Effizienz als auch Genauigkeit zu erhöhen.
Projektziele und Herausforderungen
Integration und Datenverwaltung
Eine wesentliche Herausforderung bestand in der Integration und Verwendung einer großen Bandbreite von Daten aus unterschiedlichen Quellen, einschließlich Marketing-, Vertriebs- und Wetterdaten. Die dezentrale Natur dieser Daten brachte zusätzliche Komplexität in das Management und die Analyse für eine wirksame Nachfrageplanung.
Prognosegenauigkeit
Ziel des Projekts war es, die Grenzen der bestehenden statistischen Modelle zu überwinden, da diese nicht die notwendige Genauigkeit für eine effektive Bestandsplanung gewährleisteten und dadurch Probleme wie Überbestände oder Fehlbestände entstanden.
Einführung moderner Spitzentechnologien
Die Einführung von Algorithmen des maschinellen Lernens mit dem Ziel, die Prognosegenauigkeit zu erhöhen, stellte ein wesentliches Projektziel dar und verlangte eine anspruchsvolle Datenanalyse sowie Integration.
Gemeinsamer Ansatz zur Planung
Der Wechsel zu einer konsensorientierten Planungsmethodik war von zentraler Bedeutung, um eine kollaborative Umgebung zu unterstützen und sicherzustellen, dass die Planungsentscheidungen fundiert und mit den Unternehmenszielen im Einklang standen.
Ergebnisse
Verbesserte Prognosepräzision
Durch die Kombination von Verkaufs- und Wetterdaten mit Algorithmen des maschinellen Lernens konnte das Projekt eine Prognosegenauigkeit von bis zu 97 % für Schlüsselproduktgruppen erzielen und die Planungszuverlässigkeit deutlich steigern.
Optimierte Lagerbestände
Präzisere Nachfrageprognosen ermöglichten optimierte Bestandsniveaus, verringerten Verschwendung und Ineffizienz und unterstützten eine nachhaltigere Betriebsführung.
Verbesserter Lagerumschlag
Die Initiative resultierte in einem optimierten Lagerumschlag, was auf eine genauere Anpassung von Angebot und Nachfrage hinweist, gestützt durch datenbasierte Planungsentscheidungen.
Kooperationserfolg
Die Übernahme eines konsensbasierten Planungsansatzes führte zu einem stärker kooperativen und effektiven Planungsprozess, in dem die Abteilungen zusammen auf gemeinsame Ziele hinarbeiteten.
Strenge Tests und Hypercare-Unterstützung
Das Projekt wurde umfangreichen Tests unterzogen, darunter Unit-Tests und IT-Integrationstests sowie Benutzerakzeptanztests (UAT). In den ersten Betriebsphasen nach der Einführung wurde Hypercare-Support geleistet, um etwaige Fehler zu identifizieren und zu beheben.
Resümee
Das Danone-Polska-Projekt zur Umstrukturierung der Nachfrageplanung durch die Einführung von SAP IBP, die Nutzung von Algorithmen des maschinellen Lernens und den Wechsel zu einem kooperativen Planungsansatz.
Haben Sie Fragen?
Kontaktieren Sie uns!
Łukasz Krukowski
Hat dich die Case study interessiert?
Lassen Sie uns über die Einführung von SAP IBP bei Ihnen sprechen.