Matas Workshop. Bjørn Strømboe Petersen Divisionsdirektør, Commercial Division. 11. juni 2009 COPYRIGHT 2009, SAS INSTITUTE INC. ALL RIGHTS RESERVED.

Transkript

1 Matas Workshop Bjørn Strømboe Petersen Divisionsdirektør, Commercial Division 11. juni 2009

2 SAS Institute globalt Verdens største privatejede softwareleverandør SAS leverer software og serviceydelser til at etablere værdiskabende indsigt og beslutningsstøtte 108 lande kunder 96 af top 100 af Global Fortune 500-virksomhederne 21% af omsætningen går direkte til forskning og udvikling medarbejdere Omsætning 2008 USD 2,26 mia. globalt Global vækst alle år SAS har siden selskabets oprettelse arbejdet med kunder inden for detailhandelen SAS har udviklet en række unikke og specifikke løsninger til detailhandelen Mere end 600 kunder verden over anvender retail-løsninger fra SAS Institute Copyright 2006, SAS Institute Inc. All rights reserved.

3 SAS Retail Intelligence-delløsninger VISION

4 SAS Retail Intelligence-delløsninger Transportation network planning Mark-down optimization In-season management Profitability management Regular price optimization Replenishment Merchandise planning Replenishment Demand management Assortment planning Space planning Supply network planning Merchandise planning Facility location Store location and clustering Human resource planning and scheduling VISION Strategic performance management Financial planning Human capital Customer management profiling and segmentation Marketing optimization Demand management Promotion optimization Transaction insight Loss prevention Marketing automation Market basket and behavior analysis

5 Danske referencer

6 Retail-referencer

7

8 Implementering af forecasting og automatisk varebestilling Martin Elleby Brejl SAS Institute A/S 11 Juni 2009

9 Introduktion Forecast og lageroptimering Implementering Resultater

10 » Introduktion

11 Forecasting og automatisk varebestilling Hvordan understøttes dette med SAS?

12 Det er svært at spå især om fremtiden Nobelprisvinder Niels Bohr

13 Formål At sammenstykke elementer, der kan være med til at beskrive fremtiden

14 » Forecast og lageroptimering

15 Nøglespørgsmål for automatisk varebestilling Hvad er den fremtidige efterspørgsel (butik/ centrallager)? Hvornår og hvor meget skal man bestille for at genopfylde lageret (butik/centrallager)? Genbestillingspunkt Ordrestørrelse Hvordan skal lageret håndteres, så reduktion i omkostninger og forbedrede omsætningshastigheder opnås? Hvad bliver de forventede lagerbeholdninger? Sikkerhedslager Gennemsnitligt lager Demand forecasting Inventory replenishment policy calculation Hvad bliver den forventede service over for kunder? Hvad bliver de forventede omkostninger ved lager?

16 Opnå evnen til at håndtere meget store datamængder med en høj grad af kompleksitet

17 Datamængder Eksempel varer (SKU) 50 butikker Ugentligt forecast/3 års historik tidsserier rækker i forecast-tabel

18 Forecasting Det er ikke kompliceret at anvende avancerede statistiske modeller med de rette værktøjer

19 Resultatet af et dårligt forecast Forecast Error Over-forecast Under-forecast Excess Inventory Order Expediting Cost Inventory Holding Cost Higher Product Cost Transshipment cost Lost Sales Cost Obsolescence Lost Companion Product Sales Reduced Margin Reduced Customer Satisfaction Kilde: How to measure the impact of a forecast error on an enterprise? af Kenneth B. Kahn

20 Hvad består et avanceret statistisk forecast af? Seasonal component Original series Trend-cycle component Seasonally adjusted series Irregular component

21 Avanceret statistisk forecasting Automatisk modeludvælgelse Anvender tidsseriekomponenterne Sæson Trend Irregulativitet Kan tage højde for forklarende variable Events (rabatdage, mors dag m.m.) Tilbudsaviser Kampagner Åbningstider Forskudte helligdage Vejr

22 Komplekse problemstillinger Mulighed for specifikke modeller for Introduktion af nye varer Introduktion af nye butikker Håndtering af kannabalisering Håndtering af prismodeller

23 SAS Forecast Studio interface Statistical modeling & forecasting Events

24 Lageroptimering Det statistiske forecast inkl. spredningen er input til de matematiske lagermodeller

25 Lagerbindinger Identifikation af hvilke elementer der påvirker lageret Tilgang (indkøb) Aftræk (salg) EKSTERNE Leveringstider Leveringsusikkerhed INTERNE Ordreomkostninger Dårlig disponering LAGER INTERNE EKSTERNE Omkostninger ved restordre Serviceniveau Omkostninger ved tabt salg God reaktionstid Bredt sortiment Kostpriser MOQ, FOQ* Lagerholdsomkostninger Forecast-præcision Dataudveksling Høj kvalitet Gode reaktionstider ABC-klassificering (korrekt allokering af tid på disponering) Stamdatapræcision Gode forecasts * MOQ: Minimum order quantities; FOQ: Fixed order quantities

26 De matematiske lagermodeller optimerer lagerbeholdningen dynamisk

27 Udvikling for en vare Eksempel Dynamisk opdatering af genbestillingspunkt og optimal lagerstørrelse Safety stock level Order up to level In stock Inventory Position

28 SAS Inventory Optimization Lagerstyringsinformationer

29 » Implementering

30 Nemt at vedligeholde, da processen er automatiseret

31 Overordnet løsningsarkitektur Salgsdata POS SAS -løsning Kampagne Event Vejr Lager- og vareinformationer Rapporteringsdata Butiksinformationer Datamodel Forecast Lager Ordreforslag Servicegrad Økonomi

32 Beregningseksempel Forecast Lager SALGSHISTORIK KAMPAGNER LAGER OPLYSNINGER FORECASTS LAGER OPTIMERING RESULTATER Forecast 42 Spredning 26 Lead time 0,5 Service grad 0,99 Min 113 Max 155 Ordreforslag 96 Lagerholds omk. (n/a) Kolli størrelse 12 Anbrud tilladt Nej Butiksbeholdning 65

33 Hvordan kommer man i gang? Formål: At vise at løsningen kan skabe værdi på jeres data Model 1: Værdianalyse Model 2: Pilot KILDEDATA ERP ØKONOMI- SYSTEM FLAD FIL EKSTERNE KILDER SAS LAVER DATA- SPECIFIKA-- TION I UDARBEJDER DATA- UDTRÆK EKSEKVERING HOS SAS Fordele: Værdianalyse kan afvikles relativt hurtigt Viser hurtigt, hvilken forretningsmæssig værdi I kan forvente af løsningen Kræver begrænset involvering af it Minimalt træk af egne ressourcer Ulemper: Intet system, kun resultater Begrænset genbrug af udført arbejde Sværere at validere effekten for forretningen KILDEDATA ERP ØKONOMI- SYSTEM FLAD FIL EKSTERNE KILDER INSTALLATION AF SOFTWARE HOS JER EKSEKVERING HOS JER RESULTAT HOS JER Fordele: Et kørende system Arbejdet fra piloten kan genbruges i den videre implementering Effekten på forretningen kan efterfølgende måles løbende Tæt samarbejde Ulemper: Piloten tager relativt længere tid at afvikle Større ressourcetræk Etablering af itmiljø

34 Model 3 Implementering Samlet periode på ca uger (fase 1) Project management Accept test Drift Implementering SAS -data til ordresystem Implementering forecast & replenishment process Definition, planlægning og design Implementering integration af data Installation og konfiguration

35 Implementer på et begrænset antal tidsserier det er nemt at udvide efterfølgende

36 Ressourcer Hvem er nødvendig i forbindelse med implementering? It (kendskab til data, systemer, drift) Forretning (kendskab til proces, data, forretningsregler) Butiksrepræsentanter SAS-it-konsulent dataintegration SAS-analytiker forecast-modellering + lageroptimering Projektleder

37 Anbefalinger Overskueligt projekt på 2-3 måneder med et udvalg af butikker/produktgrupper Anvend eksisterende operationelle systemer så vidt muligt Selvstændigt servermiljø Buy-in fra én eller flere udvalgte butikker Følg op på resultaterne der vil være behov for justeringer Vær åben omkring processen

38 » Resultater

39 Effekten ved indførelse af forecasting og automatisk varebestilling Højere kundeserviceniveau Højere leveringsevne Tilfredse kunder Mersalg Mindre restordrebeholdning og færre tabte ordrer Reduceret kapitalbinding Højere omsætningshastighed Reduceret lagerbinding Korrekte sikkerhedslagre Bedre styringsgrundlag for indkøb Lavere logistikomkostninger Færre hasteordrer/mindre brandslukning Større robusthed i planlægning Højere produktivitet og ressourceudnyttelse

40 Martin Elleby Brejl

41 Survey om forecasting og automatisk varebestilling

42 Hvor meget fokus er der på kapitalbinding i lagre i din organisation? 35% 30% 25% 20% Pct. 15% 10% 5% 0% Lidt Mellem Meget Prioriteret indsatsområde

43 Hvor meget fokus er der på servicegrad/ out-of-stock i din organisation? 40% 35% 30% 25% 20% Pct. 15% 10% 5% 0% Lidt Mellem Meget Prioriteret indsatsområde

44 Hvor er ansvaret for forecasting/automatisk varebestilling placeret? 60% 50% 40% 30% Pct. 20% 10% 0% Centralt Decentralt Både centralt og decentralt

45 Hvordan arbejder I med forecasting og varebestilling i dag? 40% 35% 30% 25% 20% Pct. 15% 10% 5% 0% Hele processen er manuel Delvis manuel Simpel forecasting Avanceret system til statistisk forecasting

46 Hvor ofte opdaterer I jeres min.-/maks.-grænser for lagerbeholdningen? 60% 50% 40% 30% Pct. 20% 10% 0% Aldrig Sjældent Årligt manuelt Automatisk baseret på simple regneregler Automatisk baseret på avancerede matematiske lagermodeller

47 Hvordan vurderer du, at jeres performance er inden for forecasting og automatisk varebestilling? 35% 30% 25% 20% Pct. 15% 10% 5% 0% Rigtig god (tæt på best practise) God, men med forbedringsmuligheder Middel Under middel For dårlig

48 Hvor mange ressourcer bruger I på forecasting og varebestilling på hovedkontoret pr. år? 40% 35% 30% 25% 20% Pct. 15% 10% 5% 0% 0-1 årsværk 1-2 årsværk 2-4 årsværk Over 4 årsværk

49 Hvor meget af butiksmedarbejdernes tid bruges på varebestilling og andre logistiske opgaver forbundet hermed? 40% 35% 30% 25% 20% Pct. 15% 10% 5% 0% 0-10% 10-20% 20-30% Over 30%

50 Er din vurdering, at der vil være gevinster at hente ved at arbejde endnu mere målrettet inden for området? 90% 80% 70% 60% 50% Pct. 40% 30% 20% 10% 0% Ja Nej

51 Er forecasting og automatisk varebestilling et prioriteret indsatsområde i 2009? 70% 60% 50% 40% 30% Pct. 20% 10% 0% Ja Nej

52 Er forecasting og automatisk varebestilling et indsatsområde, der har topledelsens bevågenhed? 90% 80% 70% 60% 50% Pct. 40% 30% 20% 10% 0% Ja Nej

53