Anleitung zur Verbesserung der Prognose mit SAP Integrated Business Planning

“Erhöhung der Prognosegüte führt zur Steigerung der Verkäufe, Reduzierung der Lagerbestände und folglich eine erhöhte Kundenzufriedenheit.“

Blog Zusammenfassung

Der Blog deckt alle Aspekte der Umsetzung von Prognosen ab. Es zielt darauf ab, Unternehmern, die ihre zukünftige Nachfrage gewinnbringend erfüllen wollen, mit Echtzeit-Supply Chain Management zu helfen. Lesen Sie diesen Leitfaden und ermöglichen Sie Ihrem Unternehmen Einsparungen von bis zu 100 Millionen Euro (Szenario: 500 Millionen Umsatz). Eine Verbesserung der Prognosegenauigkeit gibt Ihnen deutlich mehr Spielraum:

Bei SCPLAN verwenden wir hierfür eine mehrstufige Prognose, mit der sich die Vorhersage-Qualität im Durchschnitt um 5 bis 20 Prozent verbessert. Dabei umfassen die Prognoseergebnisse verschiedene Ebenen für eine bestmögliche Vorausplanung.

Einführung

Da sich der digitale Wandel rasch vollzieht, ist es für Unternehmen schwierig, mit der Geschwindigkeit des Wandels Schritt zu halten und auf die eigenen Bedürfnisse anzupassen. Auch nach Bewältigung hoher Marktvolatilität, kürzerer Produktlebenszyklen und Nachfrageschwankungen muss die Lieferzeit wettbewerbsfähig bleiben. Darüber hinaus gibt es verschiedene andere Herausforderungen bei der täglichen Arbeit, wie z.B. ineffiziente Abläufe, unzureichende Prognosegenauigkeit, übermäßige Lagerbestände und ein unerwünscht niedriges Serviceniveau, die die Nachhaltigkeitsziele beeinträchtigen. Alles in allem ist die Nachfrageprognose für Geschäftsentscheider/-verantwortliche zu einer unüberschaubaren Aufgabe geworden, die sie mit zufriedenstellenden Ergebnissen bewältigen müssen.

Hier kommt die Verbesserung der Prognoseergebnisse ins Spiel. Sie hat führenden Unternehmen der Branche geholfen, langfristige Partnerschaften mit ihren strategisch wichtigsten Kunden aufzubauen. Damit können sie ihre Wachstums- und Nachhaltigkeitsziele mit einem starken Fokus auf die Werschöpfungskette leicht erreichen.

Daher bieten die Prognoseverbesserungen im SAP IBP neue Möglichkeiten, sich an den neuen normalen Kontext anzupassen.

Lassen Sie uns eingehend untersuchen, was Prognosen sind und wie sie Ihrer Supply Chain zugute kommen können:

Was ist Prognose?

Der Prognoseprozess ist ein wichtiger Teil der Supply Chain. Er stützt sich auf statistische Algorithmen, um historische Daten zu interpretieren und in die Zukunft zu extrapolieren. Um die Nachfrage auf der Grundlage des Marktes zu prognostizieren, wird empfohlen, als Input für die Prognose das Wunschlieferdatum (RDD) und die Wunschliefermenge (RDQ) zu verwenden.

Die richtige Menge eines Produkts zur richtigen Zeit auf Lager zu halten, ist für Unternehmen von entscheidender Bedeutung. Zu wenig auf Lager zu haben, bedeutet, dass sie zu ungünstigen Zeiten ausgehen und die Kunden veranlassen, anderswo einzukaufen. Zu viel zu haben bedeutet auch, unnötig hohe Kosten für Lagerung und Bestandsmanagement zu bezahlen.

Wesentlichen Vorteile

Wenn Sie die Prognose in Ihrem Supply Chain implementieren, können Sie sicher sein, dass Sie genügend Produkte auf Lager zur Befriedigung der Nachfrage haben. Hier sind einige der Hauptvorteile von Prognoseverbesserungen, die Sie in Betracht ziehen können, bevor Sie eine Entscheidung treffen:

Wichtige Aspekte der Vorhersage

Schlüsselaspekte der Vorhersage sind Segmentierung und Lebenszyklusplanung. Zu jeder Zeit muss der Planer über die Priorität auf der Grundlage des Umsatzes und die Volatilität der Plandaten informiert sein. In diesem Whitepaper werden wir die Segmentierung und die Lebenszyklusplanung erläutern.

Segmentation

Supply-Chain-Planer sind mit einer Menge an Informationen überlastet, was die Entscheidungsfindung zu einer Herausforderung macht. Die Segmentierung ermöglicht die Gruppierung von Planungsobjekten auf der Grundlage von Daten und erhöht dadurch die Effizienz und Planungsgenauigkeit für den Benutzer. Sie wird in verschiedenen Bereichen wie Analytik und benutzerdefinierte Alerts verwendet.

SAP IBP bietet eine Segmentierung auf Basis von Umsatz (alternatives Volumen) und Volatilität. Es prüft die Plandaten und ermittelt vom höchsten Umsatz bis zum niedrigsten sowie von sehr stabilen bis zum hochvolatilen Umsatz. Diese Informationen werden in Gruppen, genannt Segmente eingeteilt. Zweck der Segmentierung ist die Priorisierung aller Produkte, die einen hohen Wert für das Unternehmen haben. Darüber hinaus gibt die Volatilität einem Planer Aufschluss darüber, welche Produkte leicht zu prognostizieren sind und worauf er/sie sich am meisten konzentrieren sollte. Aus Sicht des Planers hilft es ihm/ihr zu erkennen, welche SKUs für das Unternehmen am wichtigsten sind. Auf der Grundlage dieser Informationen ist es einfach, Prioritäten für die wichtigste Aufgabe auf Tagesebene zu setzen.

Überblick über die ABC-, XYZ-Segmentierung:

Aufgrund praktischer Erfahrungen ist eine Segmentierung auf Produkt- und Produktwerksebene erforderlich. Darüber hinaus sollten Sie aus der Verkaufsperspektive, um Ihre Kundenpriorität zu ermitteln, auch eine Segmentierung auf Kunden- und Länderebene in Betracht ziehen. In einigen Fällen ist auch eine Trennung der Sparten erforderlich, wenn die Bereiche sich stark voneinander im Umsatz unterscheiden.

ABC-Analyse

Die ABC-Analyse wird durchgeführt, um Planungsobjekte nach ihrem Nutzungswert oder nach mehreren Objekten zu klassifizieren. Bei der ABC-Analyse läßt das System für jedes Objekt eines der folgenden Kennzeichen zu:

XYZ-Analyse

Die XYZ-Analyse wird durchgeführt, um Planungsobjekte nach der Varianz in einem bestimmten Koeffizienten zu klassifizieren. Bei der XYZ-Analyse ordnet das System jedes Objekt einem der folgenden Kennzeichen zu:

Lebenszyklus-Planung

Neuanlauf/Auslauf ist Teil der Lebenszyklusplanung (PLC). Sie umfasst die folgenden Phasen Einführung, Wachstum, Reife und Auslauf.

Da jede Lagerhaltungseinheit ein tatsächlicher SKU ist, möchten Sie den “aktualisierten/neuen” SKU als den SKU kennzeichnen, den Sie prognostizieren möchten, genannt auch “geplanten SKU”. Der Großteil der heutigen Prognosesoftware ermöglicht es Ihnen, die alten SKUs dem neuen SKU zuzuordnen und diese Zuordnung als “Zuordnung von Plan zu Ist” zu bezeichnen. Auf dieser Weise können Sie die geplante SKU als “Phase-In” und die tatsächlichen SKUs, die ihr zugeordnet sind, als “Phase-Out” kennzeichnen.

Alles in allem: Wenn Sie alte SKUs identifizieren, die zuerst verkauft werden sollen, und diese Bestände wöchentlich mitteilen, geben Sie an, dass Sie die alten SKUs zuerst verkaufen und vermeiden so Kosten für das Betriebskapital, die durch die Abschreibung der Bestände entstehen würden. Sie können diese Liste kommunizieren und somit den Fortschritt, den Sie gespart haben, anzeigen.

Lebenszyklus-Planung

Neue Produkte beginnen mit einer Anlaufphase, die als Markteinführung bezeichnet wird. Nach der Markteinführung ergibt sich meist ein schnelles Wachstum, welches vom Markt sehr gut aufgenommen wird. Wenn das Produkt längere Zeit auf dem Markt ist, ist der Absatz stabil. Nach einer Weile wird ein Produkt jedoch aufgrund von Innovation und Kundenanforderungen eingestellt. Daher ist ein Nachfragerückgang zu beobachten und die Unternehmen müssen schnell genug reagieren.  

SKU auslaufen lassen:

Das Auslaufen von Produkten ist ein notwendiger Schritt, um die Erstellung von Prognosen zu beenden und somit sicherzustellen, dass kein Kapital mehr für Inventar und Entsorgung verloren geht.

Herausforderung in der Prognose

Mit verspäteten Lieferungen, inkonsistenten Lieferanten und ineffizienten Anlagen stehen Unternehmen in verschiedenen Ländern vor komplexen Herausforderungen. Mit einer Verbesserung der Prognosen können Unternehmen die nachfolgend genannten Herausforderungen bewältigen:

Die saisonale Vorhersage spielt eine wichtige Rolle für die Saisonalität. Sie umfasst die Verwaltung der Produkte, die während einer bestimmten Jahreszeit eine höhere Nachfrage haben. Dies kann Unternehmen dabei helfen, sich für diese Hochsaison zu wappnen und genügend Material zu produzieren, um das Endprodukt herzustellen und über genügend Lagerbestand zu verfügen, um die zu dieser Jahreszeit bestehende Nachfrage zu befriedigen.

Es gibt jedoch einige Unsicherheiten, die aufgrund unvorhergesehener Ereignisse, die während eines bestimmten Jahres auftreten können. Es gibt keine genaue Möglichkeit, diese Art von Ereignissen vorherzusagen, es handelt sich jedoch um ein finanzielles Risiko, das eine Supply Chain Management vor Herausforderungen stellt. Die Sache ist die, dass diese Art von Ereignissen in den meisten Fällen selten sind, so dass es für Manager sinnvoller ist, sich auf die Saison vorzubereiten, als während der Nachfragespitze nicht genügend Produkte zu haben, die sie verkaufen können. Ein zusätzlicher Lagerbestand ist nicht immer ein schlechter Ansatz, verglichen mit der Option, nicht über das Angebot zu verfügen, um die Nachfrage zu befriedigen, und dieses Fenster der Gelegenheit zur Gewinnoptimierung zu verpassen.

Durch den oben erläuterten Punkt wird deutlich, dass die Prognose viele Veränderungen, wie z.B. die Saisonalität der Nachfrage, berücksichtigt, indem Verkaufsverlaufr in historischen Daten verfolgt werden. Kommen wir zu der nächsten Herausforderung – Ausreißer. Das sind die Punkte in den historischen Daten, die sich von anderen Datenpunkten naturgemäß unterscheiden. Sie können entweder groß oder klein sein. Sie werden nicht als wesentlicher Teil des Gesamtnachfragemusters betrachtet, da sie weit außerhalb des erwarteten Datenbereichs liegen. Dies ist eine der größten Herausforderungen bei der Verbesserung von Prognosen. Zudem können Ausreißer unregelmäßig sein, aber sie können auch aufgrund verschiedener geplanter Ereignisse auftreten, wie z.B. Verkaufsförderungen und ungeplante, einschließlich Werbeaktionen von Mitbewerbern und Naturkatastrophen.

Es ist beobachtet worden, dass bis zu 50 % der Produkte und Dienstleistungen Nachfragemuster mit “vielen Nullen” aufweisen, was wiederum unterschiedliche Herausforderungen für die Nachfrageschätzung mit sich bringt. Es führt dazu, dass der unkorrekte Umgang mit “vielen Nullen” die Effektivität eines operativen Prozesses die Supply Chain lähmen kann. Um dies zu vermeiden, kann es entscheidend sein, die Produkte mit “vielen Nullen” in zwei Gruppen zu unterteilen:

– Strukturelle Nullen- Diese Nullen weisen ein Muster auf, das mit der Struktur der Lieferkette oder den Datenerfassungsmethoden zusammenhängt.

– wechselnd / vereinzelt- Es hat viele Nullen, die zufällig über die Zeit verteilt sind.

Alles in allem erfordert die Nachfrage mit vielen Nullen besondere Aufmerksamkeit und Sachkenntnis. Die Idee dabei ist, den Schätzprozess als einen Risikokompromiss zu betrachten. Unternehmen, die dies mit einer richtigen Strategie tun, können eine große Verbesserung der Leistung feststellen.

Die statistische Prognose wird vom System automatisch erstellt. Sie ist die Grundlage für eine weitere Überprüfung, Anpassung und Angleichung. Am Ende des Absatzplanungsprozesses wird die konsensbasierte Nachfrage veröffentlicht. Diese beinhaltet eine Menge menschlicher Interaktion und kann zu falschen Schlussfolgerungen führen. Daher ist eine Messung, wie gut das System im Vergleich zu dem Vorhersageergebnis eines Menschen ist, hilfreich für die weitere Nutzung der Systemintelligenz.

Verbesserung der Vorhersage

Das Unternehmen könnte überrascht sein, wenn wir sagen, dass das beste Prognoseergebnis nicht dadurch erzielt wird, dass man viel Zeit mit der Feinabstimmung der Prognoseparameter, der Methode, der Berücksichtigung der Wetterbedingungen usw. verbringt. Jeder erwähnte Punkt ist wichtig, dennoch sollte der Schwerpunkt auf der Vorhersage auf mehreren Ebenen liegen. Dadurch wird sichergestellt, dass die Gesamtzahlen auf aggregierter Ebene, die die historischen Daten z.B. zur Produkthierarchie berücksichtigt, ein sehr gutes Ergebnis liefern, um die Nachfrage nach dieser Produkthierarchie zu projizieren. Da jedes Projekt individuell ist, ist es am besten, für jeden Kunden individuell zu bestimmen, auf welcher Ebene, die geeignete aggregierte Prognose sich befindet.

Darüber hinaus wird für die detaillierte Ebene z.B. auf Produkt- und Kundenebene eine Prognose erstellt. Diese Prognose wird zum Herunterbrechen von Produktfamilie zu Produkt und Kunde verwendet. Mit diesem Ansatz haben wir erfolgreich eine Verbesserung zwischen 5 bis 20 Prozent umgesetzt. Unsere Kunden profitieren davon JEDES FÜR JAHR.

Maschinelles Lernen (Machine Learning – ML)

Einer der großen Innovationen von SAP IBP ist das maschinelle Lernen. Aufgrund der historischen Daten, lernt das System und findet dadurch eine optimierte Prognose. Wir binden diese Möglichkeit in unserem mehrstufigen Prognoseverfahren ein, um das bestmögliche Ergebnis zu erzielen.

Input für Prognoseverbesserung

Prognoseverbesserungen werden von mehreren Faktoren beeinflusst. Jedes Unternehmen hat seine eigene Sicht auf wichtige Inputs. Daher wird der häufigste Aspekt zur Verbesserung der Prognose nachstehend erläutert.

Segmentierung: Klassifizieren Sie Ihr Produktportfolio mit Segmentierung in ABC und XYZ. Dies unterstützt die Identifizierung, wie hoch die Prognosegenauigkeit und der Prognosefehler in jeder Matrix ist. Die meisten Kunden verwenden zum Beispiel die Kombination von ABC und XYZ. Ein Produkt in Kombination mit einem stabilen Umsatz namens X wird es AX verwenden. Darüber hinaus möchten sie die Prognosegenauigkeit auf Matrixebene kennen.

Beispielhafte Darstellung der Prognosegenauigkeit in einer solchen Matrix:

Lebenszyklusplanung: Die Verbesserung der Prognose geht Hand in Hand mit der Produktlebenszyklus-Planung. Da die Einführung neuer Produkte organisiert werden muss sowie für den Auslauf von Produkten.

Mit SAP IBP kann zunächst der Vorgänger dem Nachfolger zugeordnet werden:

Im nächsten Schritt müssen Prognosetermine eingehalten werden.

Verbesserung basierend auf mehrstufigem Ansatz:

Prognose Mehrstufige Übersicht:

Dashboard

SAP IBP bietet viele Vorlagen für Analysen und Dashboards, die als Ausgangspunkt verwendet werden können. Insbesondere für Prognoseverbesserungen lassen sich Kennzahlen-Berichte leicht erstellen, beispielsweise mithilfe von Segmentierung und Prognosegenauigkeit oder Prognosefehlern. Dieser Bericht kann in jedem Nachfragezyklus verglichen werden, und der Planer kann aus den Erfahrungen der Vergangenheit lernen.

Dashboard-Beispiel für Prognosegenauigkeit:

Neben der Matrixgenauigkeitsansicht muss der Planer auch die Muster in Kombination mit der Segmentierung berücksichtigen. Wichtige Informationen, zum Beispiel darüber, wie viele saisonale Muster, die für A-Produkte erkannt wurden, angezeigt werden können, siehe Beispiel unten:

Fazit:

Ist Ihr Unternehmen bereit für Prognoseverbesserungen? Wann möchten Sie Jahr für Jahr Einsparungen erzielen?

Wir sind bereit, Ihr Unternehmen bei der Wertschöpfung für Ihre Lieferkette zu unterstützen.

Kontakt:

Für weitere Informationen wenden Sie sich bitte an die SCPLAN GmbH:

SCPLAN GmbH Standort Hanau:
Theodor-Groppe-Str. 2
63452 Hanau GERMANY
pTelefon:+49 6181-991 2488
Mail: info@scplan-consulting.de
www.scplan-consulting.de/en/contact

Kontaktieren Sie uns…Kontakt