Problemer med datakvaliteten? - en analyse af kvaliteten af varestamdata i dansk dagligvarehandel

Transkript

1 Problemer med datakvaliteten? - en analyse af kvaliteten af varestamdata i dansk dagligvarehandel Copyright GS1 Denmark 2010

2 1 Forord Indhold Forord 2 Resumé 2 Baggrund 3 Problemet 4 Metode 4 Resultat 5 Løsninger 6 Konklusion 7 Bilag 1 8 Bilag 2 9 I dagligvarebranchen er der, både nationalt og internationalt, en stigende erkendelse af, at der er svære problemer med kvaliteten af varestamdata. Det er derfor, medlemmer af Dagligvareleverandørernes (DLFs) IT- og Logistikudvalg har ønsket at deltage i tilblivelsen af denne analyse, som fastslår problemets omfang i Danmark. Analysen, udarbejdet af GS1 Denmark, viser desværre, at der er fejl i 80% af de varestamdata, som virksomhederne dagligt benytter som beslutningsgrundlag. Dette er i sig selv skræmmende. Men når man desuden tager i betragtning de store omkostninger, som datakvalitetsproblemet medfører for både handelen og leverandørerne, så bliver det klart, at det er på høje tid, vi gør noget for at øge kvaliteten af varestamdata betragteligt. Manglende datakvalitet er et fælles problem som kræver en fælles løsning, dvs. et samarbejde mellem kæder, grossister og leverandører. Det bliver en stor opgave, men det må gøres nu. Carsten Hänel Formand for Dagligvareleverandørernes (DLFs) IT- og Logistikudvalg 2 Resumé Uoverensstemmelser i data i over 80% af tilfældene Tabt salg kr. 300 mill. Unødige omkostninger kr. 700 mill. Alt for mange af de stamdata, der dagligt anvendes som beslutningsgrundlag i dagligvarehandelen, er fejlbehæftede. I efteråret 2009 undersøgte GS1 UK og IBM sammen med britiske dagligvarehandlere og leverandører problemets omfang på det engelske marked. Resultatet var skræmmende: Der viste sig at være uoverensstemmelser mellem data hos henholdsvis leverandører og handelen i over 80% af tilfældene. I nærværende rapport kan du læse resultatet af den analyse af det danske datakvalitetsproblem, som GS1 Denmark i maj 2010 foretog i samarbejde med to danske dagligvarehandlere og seks af deres leverandører. Formålet var at undersøge uoverensstemmelser mellem de stamdata, der findes om de handlede produkter hos henholdsvis leverandører og dagligvarehandlere. I analysen sammenlignes stamdata for højde, længde, bredde og bruttovægt for hver vare på GTIN-niveau og for både forbruger- og handelsenheder. Den engelske rapport sætter tal på, hvad ukorrekte varestamdata koster den engelske dagligvarehandel, og da fejlniveauet synes at være stort set identisk mellem UK og Danmark, vil konklusionerne fra den engelske Data Crunch Report med stor rimelighed kunne overføres til danske forhold. Omsat til beløb betyder det, at dansk dagligvarehandel og dens leverandører i løbet af de kommende 5 år vil opleve et samlet tab på omkring DKK 700 mio., samt et tabt salg i størrelsesordenen DKK 300 mio. Dette er vel at mærke et forsigtigt skøn over, hvad konsekvensen af ukorrekte varestamdata betyder for branchen. Side 2 Problemer med datakvaliteten?

3 3 Baggrund for analysen Dagligvarebranchens udfordringer Dagligvarebranchen er i rivende udvikling. Forbrugerne kræver adgang til stadig flere vareinformationer ud over de basale oplysninger, vi kender i dag. Der efterspørges især udvidet mærkning vedrørende sundhed, produktionsmetoder og miljørigtighed. Dette stiller øgede krav til håndteringen af varestamdata i branchens forsyningskæde, for jo flere stamdata, der skal håndteres, jo vigtigere bliver det, at det er korrekte stamdata, der kommer ind i systemet og sendes videre. Leverandører og dagligvarekæder/- grossister har længe haft en fornemmelse af, at der er et problem med kvaliteten på varestamdata, dog uden at kende til problemets omfang og de økonomiske konsekvenser heraf. I efteråret 2009 gennemførte GS1 UK, i samarbejde med en række britiske dagligvarekæder og deres leverandører, en analyse af datakvaliteten i den britiske dagligvarebranche. Analysen viste, at kvalitetsproblemet var meget værre end forventet, samt at de heraf afledte økonomiske konsekvenser er ganske betragtelige. Der blev konstateret uoverensstemmelser mellem stamdata hos leverandørerne og kæderne i mere end 80% af tilfældene. Det anslås, at dette vil koste branchen som helhed mindst 700 mio. i direkte omkostninger i løbet af de næste 5 år, og yderligere 300 mio. i tabt salg i samme periode. Den engelske rapport var en øjenåbner for dagligvarebranchen over hele verden, og således også i Danmark. Men har problemet det samme omfang herhjemme som i UK? Og hvad kan der gøres ved det? For at give svar på de spørgsmål, besluttede GS1 Danmark i april 2010 (i samråd med DADAS A/S s bestyrelse) at foretage en analyse, sammenlignelig med den britiske, men af mindre omfang. Forventet stigning i antallet af attributter, som som branchen skal kunne håndtere inden for de næste 5 år Miljø Download den engelske Data Crunch Report på Sundhed Supply chain 5 år siden I dag I fremtiden Side 3 En analyse af kvaliteten af varestamdata i dansk dagligvarehandel

4 4 Hvorfor er fejlbehæftede varestamdata et problem? Mange beslutninger træffes på baggrund af de data, som virksomhederne har i deres systemer. Er der fejl i disse data, kan det få alvorlige og meget dyre konsekvenser for leverandører og dagligvarehandelen inden for flere områder. Det drejer sig bl.a. om (i uprioriteret rækkefølge): Udgifter til manuelle løsninger for at finde årsagen til forkerte oplysninger samt fejlrettelse. Administrativt svind og omkostninger mht. fx ordrer og fakturering. Gentagne opmålinger af varer. Problemer på automatiserede lagre. Mistet salg på grund af out-of-shelf. Problemer ved selv-scanning i butikkerne. Transportoptimering- og afregning. Dansk dagligvarehandel er, ligesom den engelske, en branche præget af konkurrence og innovationspres. Årsagerne er mange, men bl.a. skal branchen både honorere lovgivningskrav og øgede krav fra forbrugerne om nye varer og indkøbsmuligheder (fx fra internettet og selvbetjeningsterminaler). Samtidig er marginer og profit under pres på grund af det stagnerede forbrug, der har været en konsekvens af den økonomiske krise. Disse problemstillinger betyder, at varesortimentet ændres i et større og hurtigere omfang end tidligere, og omfanget af problemet med forkerte varestamdata bliver tilsvarende større. Det er derfor vigtigt at få løst dette problem nu og en forudsætning for at kunne det er, at problemets omfang afdækkes gennem en analyse. 5 Metode Der er i analysen behandlet data for varer se Figur 1. Der er foretaget en sammenligning mellem de stamdata, der findes om varer, hos henholdsvis leverandører og dagligvarehandlere. Undersøgelsen er begrænset til de basale stamdata, dvs. værdierne for højde, længde, bredde og bruttovægt. For hvert GTIN, der handles mellem kæden og leverandøren, er de fire stamdataværdier blevet sammenlignet, og det er registreret, om data er ens med fejltolerancer på henholdsvis 0%, 5% og 10%. 1 Som nævnt er sammenligningerne foretaget på GTINs, og hele varehierarkiet er taget med, således at data omhandlende forbrugerenheder, kolli og paller alle indgår i analysen, i den udstrækning der har været data til rådighed. Kæde 1 Kæde 2 Leverandør Leverandør Leverandør Leverandør Leverandør Leverandør Figur 1: Antallet af sammenlignede varer mellem dagligvarehandel og leverandører: For Leverandør 1 sammenlignes 378 varer med Kæde 1og 312 varer med Kæde 2. (1) Den procentvise afvigelse er beregnet som den numeriske forskel mellem værdierne i procent af en af værdierne. En afvigelse på 5% kan derfor betyde både -5% og +5%. Side 4 Problemer med datakvaliteten?

5 6 Resultat: Hvor stort er datakvalitetsproblemet i dansk dagligvarehandel? Download rapporten på Hvis man ønsker, at der skal være 100% overensstemmelse mellem de varestamdata, som dagligvarekæder og leverandører hver især har registreret i deres systemer, så er der lang vej til mål: For Kæde 1 og Kæde 2 er der nemlig uoverensstemmelser i henholdsvis 80% og 91% af tilfældene se Figur 2, viser den gennemsnitlige procentuelle uoverensstemmelse mellem data hos hver af de 2 kæder og deres leverandører. Selv hvis man tillader en fejlprocent på 10%, er uoverensstemmelserne på henholdsvis 53% og 42%. I den britiske Data Crunch Report er den sammenlignelige fejlprocent anført til 57-97%. I Figur 2 sammenlignes som nævnt varestamdata mellem dagligvarehandlere og leverandører. Når vi i stedet sammenligner de varestamdata, som dagligvarekæderne hver især har registreret om den samme vare (GTIN) 2, så er uoverensstemmelsen på 95% af varerne ved en tilladt fejlprocent på 0% - se Figur 3. Hvis der accepteres en fejlmargin på 10%, er fejlprocenten på 66%. I den britiske Data Crunch Report var den sammenlignelige fejlprocent på 54-60% ved 0% fejltolerance. Figur 2: Gennemsnitlig fejlprocent for en tilladt varians på 0%, 5% og 10%. Figur 3: Fejlprocenten mellem kædernes varestamdata for en tilladt varians på 0%, 5% og 10%. For flere detaljerede analyseresultater, se Bilag 1. Selvom de danske fejlprocenter i sig selv er skræmmende høje, så ligger de lidt under tallene i den britiske analyse. Årsagen til dette er højst sandsynligt, at vi kun sammenligner fire stamdataværdier, hvor den engelske analyse sammenligner væsentlig flere og sandsynligheden for fejl må antages at være større for en større datamængde. På baggrund heraf er det rimeligt at konkludere, at datakvalitetsproblemerne i Danmark er sammenlignelige med de britiske. (2) Her er antallet af sammenlignede produkter = Side 5 En analyse af kvaliteten af varestamdata i dansk dagligvarehandel

6 7 Løsninger på datakvalitetsproblemet GS1 Denmark vurderer, at der skal følgende tre vigtige trin til, for at vi kan rette op på problemet med fejlagtige varestamdata: Trin 1 er naturligvis, at leverandøren stiller korrekte varestamdata til rådighed for grossisten/detailkæden. Her er det en fejlkilde, hvis data manuelt skal skabes (udtrækkes, noteres i skemaer e.l.) hver gang en kunde efterspørger data. For med denne proces kan det ske, at to kunder ikke får udleveret ens varedata. Dette problem taler for brugen af en datapool, som fx DADAS (trin 2), som leverandøren indmelder data i en gang for alle. Herefter udtrækkes varedata af denne datapool, uanset hvilken kunde, der er tale om og overførslen af data foregår elektronisk, så manuelle indtastninger, der er en væsentlig fejlkilde, undgås. Trin 3 ligger i dagligvarehandelens håndtering af de data, som modtages fra leverandørerne. Det anbefales, at grossister og detailkæder kortlægger de processer, de anvender til håndtering af vareoprettelser og vedligeholdelse af varestamdata, herunder også work-around løsninger og metoder til fejlhåndtering. Man kan fx bruge sin ERP-løsning til at opnå viden om dette. Der kan også med fordel udarbejdes en case-beskrivelse, som belyser konsekvenserne for de interne processer af manglende og fejlagtige varestamdata. Gennem ovennævnte kommer grossister/detailkæder til at forstå deres udfordringer, og samtidig får de et klart billede af, hvordan forkerte varestamdata påvirker medarbejdernes processer. Hvad kan GS1 Denmark hjælpe med? En forudsætning for succes er, at grossister og detailkæder i fællesskab beslutter, hvilken fællesmængde af data man ønsker til beskrivelse af en vare, og at denne ophøjes til en standard inden for dansk dagligvarehandel. Det betyder, at leverandørerne fremover (1) skal levere de samme varestamdata, uafhængig af hvem kunden er (og altså ikke længere udfylde forskellige vareindmeldelsesskemaer til deres forskellige kunder), og (2) kun skal indmelde og vedligeholde varestamdata ét sted, dvs. i datapoolen. Det er med andre ord dagligvarehandelen selv, der fremover skal berige og vedligeholde dataindholdet med særlige detailkæde-/grossistafhængige data. GS1 Denmark kan i denne proces fungere som facilitator for en arbejdsgruppe, hvor grossister og detailkæder i fællesskab kan arbejde med problemstillinger vedrørende dataindhold, datalayout og procesmæssige udfordringer. GS1 Denmark har udarbejdet en procesbeskrivelse for rollefordelingen mellem leverandører og detailkæder/ grossister i forbindelse med håndtering af varestamdata se Bilag Når handelen og leverandørerne er blevet enige om dataindhold, roller og (3) Grossister/kæder har forskellige it-løsninger og forskellige måder at håndtere manuelle oprettelser på. Dog er der en række sammenfald i processerne, og derfor er det relevant at udarbejde en sådan generisk procesbeskrivelse. Side 6 Problemer med datakvaliteten?

7 processer, skal der arbejdes for, at flere leverandører tilslutter sig datapoolen DADAS. I den forbindelse kan GS1 Denmarks serviceorganisationen hjælpe parterne med at få etableret et aktiveringsprogram med bl.a. klart en defineret ansvarsfordeling og tidshorisont. I parentes bemærket har datapools som DADAS langt større tilslutning i andre nordiske lande. Fælles for de tre lande er, at tilslutningen fra den lokale dagligvarehandel ligger tæt ved 100%. Hos de tre nordiske GS1-organisationer mener man, at det er datamodtagernes enighed og klart formulerede ønske om, at leverandørerne anvender en datapool, der er hovedårsagen til den store tilslutning blandt leverandørerne: GS1 Sveriges datapool: ca medlemsvirksomheder. GS1 Norges datapool: ca medlemsvirksomheder. GS1 Finlands datapool: ca. 500 medlemsvirksomheder. GS1 Denmark vil gerne takke de deltagende dataleverandører. 8 Konklusion Hvilke konsekvenser har datakvalitetsproblemet for dansk dagligvarehandel? I den engelske Data Crunch Report vurderes det, at fejl i stamdata vil koste branchen 700 mio. i tabt overskud og 300 mio. i tabt salg over de næste fem år. Men hvilke tal kan anslås for den danske dagligvarebranche? IGD Retail Analysis vurderer, at den danske dagligvarebranche har en samlet årlig omsætning på 15,47 mia., og den britiske en årlig omsætning på 146,30 mia. Hvis forholdet mellem omsætningen i de to lande bruges som modelberegningsgrundlag, så betyder det, at den danske dagligvarebranche vil miste ca. 678 mio. DKK4 1 i tabt overskud og ca. 312 mio. DKK5 2 i tabt salg over en 5-årig periode hvis der ikke gøres noget ved datakvalitetsproblemet nu. Ser man lidt længere fremad, kræver forbrugerne adgang til flere vareinformationer og bedre mærkning vedrørende sundhed, produktionsmetoder og miljørigtighed. Planlagt europæisk lovgivning trækker i samme retning. I fremtidens verden vil de manuelle work-arounds, som i øjeblikket dagligt bruges til at reparere fejlagtige varestamdata, derfor ikke længere være holdbare. Afrunding Denne analyse har vist, at konklusionerne fra den engelske Data Crunch Report med stor rimelighed kan overføres til danske forhold. Det betyder, at dersom der ikke sættes ind for at forbedre datakvaliteten betragteligt, så vil dagligvarebranchen samlet komme til at acceptere unødige omkostninger på små DKK 700 mio. samt et tabt salg på godt DKK 300 mio. over de næste 5 år. Dette er vel at mærke et forsigtigt skøn over, hvad konsekvensen af ukorrekte varestamdata er, baseret på en kombination af negative indvirkninger på processer, tidsforbrug i forbindelse med håndtering af work-arounds samt administrativt svind og hyldepladsproblemstillinger. (4) 10½% x 700 mio. = 73,5 mio. = 678 mio. DKK (kurs 922). (5) 10½% x 300 mio. = 31,5 mio. = 312 mio. DKK (kurs 922). Side 7 En analyse af kvaliteten af varestamdata i dansk dagligvarehandel

8 Bilag 1: Analysens resultater i detaljer For Kæde 1, hvor varer er undersøgt, er resultatet følgende (se Figur 4): Ved en fejlprocent på 0% er der uoverensstemmelse mellem leverandørernes og kædens varestamdata for mellem 64% og 97% af de GTINs, der er analyseret. Hvis man tillader en fejlprocent på 10%, så er det for 29-68% af de sammenlignede GTINs, at der ikke er overensstemmelse mht. de basale mål på varerne. Figur 4: Kæde 1 fejlprocenter i varestamdata for en tilladt varians på 0%, 5% og 10%. For Kæde 2, hvor varer er undersøgt, er der følgende resultater (se Figur 5): Ved en fejlprocent på 0% er der uoverensstemmelse mellem leverandørernes og kædens varestamdata for mellem 62% og 96% af de GTINs, der er analyseret. Hvis man tillader en fejlprocent på 10%, så er for 11-75% af de sammenlignede GTINs, at der ikke er overensstemmelse mht. de basale mål på varerne. Figur 5: Kæde 1 fejlprocenter i varestamdata for en tilladt varians på 0%, 5% og 10%. Side 8 Problemer med datakvaliteten?

9 Bilag 2: Varestamdataoprettelse og -vedligeholdelse i DADAS Side 9 En analyse af kvaliteten af varestamdata i dansk dagligvarehandel

10 GS1 Denmark Hammershusgade 17 DK-2100 København Ø T F E info@gs1.dk