Forecasting & optimering Snurre Jensen
Benyttes af alle virksomhedens funktioner Salg Kundeefterspørgsel Markedsplaner og styring af salgsstyrke Marketing Lancering af nye produkter Sortimentsstyring og kampagner Forecast Produktion Budgetmål og regnskabstal Cash-flow Økonomi Flaskehalse, lagre og leadtimes Materiale- og kapacitetsstyring
Forecast metoder Methodology Tree for Forecasting, www.forecastingpriciples.com, JSA-KCG
Forecast proces
Udfordringer Lav nuværende forecast-præcision Større og større datamængder Resultater skal dannes ofte Ingen/få uddannede analytikere Brug af ad hoc-værktøjer Kalendereffekter og andre business drivers påvirker forecast Ingen læring
Statistisk forecasting Anvender historiske data opsamlet over tid (tidsserier) Bud på hvad der sker I fremtiden Tids dimensionen er central (periodisering) Bør ikke forveksles med data mining og prediktiv modellering Tid Tid Tid
Hvilke komponenter indgår I tidsserier? Sæson komponent Oprindelige data Trend-Cycle komponent Sæson justerede data Ikke-systematisk komponent
Statistiske forecast-modeller De fleste tidsserier er dynamiske og ikke statiske Markedet er dynamisk og ikke statisk Tidsserie-komponenter (niveau, trend, sæson, kampagner etc.) varierer over tid De anvendte forecast-modeller skal tilpasse sig til disse forandringer over tid.
Eksempel Trend og sæson er ikke konstante men varierer over tid
Statisk model Trend og sæson er konstante Forecast
Statisk model Upræcise forecast Forecast
Dynamisk model Trend og sæson varierer over tid Forecast
Dynamisk model Meget mere præcise forecast Forecast
Konklusion Der er værdi i en forecast-løsning der er skalérbar der er nem at anvende der giver de bedste statistiske forecast ved at automatisk udvælge den bedste forecastmodel tage højde for at verden er dynamisk og ikke statisk inkludere effekten af events og business drivers i forecast give den avancerede bruger mulighed for selv at opstille statistiske forecast modeller der giver en dokumenteret højere værdi af processen
Beslutninger, beslutninger, beslutninger... Hvordan får vi mest for pengene når vi henvender os til vores kunder? Hvor meget skal vi producere af hvert produkt? Hvordan er det billigst at transportere varerne? Hvor meget mandskab skal være på arbejde? Hvor meget skal vi have på lager? Hvor mange eksemplarer skal vi trykke? Hvilken pris skal varen have? Hvordan skal projektets aktiviteter planlægges?
Udfordringer Flere og flere komplekse problemstillinger Beslutninger skal træffes ofte Ingen/få uddannede analytikere Brug af ad hoc-værktøjer Mange mulige løsninger Ingen læring
Operations analyse En naturvidenskabelig tilgangsvinkel til løsning af komplekse problemstillinger Metoderne der anvendes er typisk: Projekt/produktions styring Beslutningstræer Simulering Optimering (matematisk programmering) Inventory Optimization Revenue Optimization Network Optimization Marketing Optimization
Operations analyse Anvendelsen af denne tilgangsvinkel sikrer: Struktur Viden om hvad der driver beslutningerne Målkonsistens Alle beslutninger træffes for at nå samme mål Tidskonsistens De samme beslutninger træffes på samme måde over tid Tilpasningsevne Løsningerne opdateres løbende men baseres på de samme principper.
Optimering - eksempel Hvad skal du tage med i kufferten? Der kan maksimalt være 23 enheder. Beskrivelse Værdi Størrelse Værdi per enhed Badetøj 10 3 3,33 Solbriller 12 1 12 Ghettoblaster 11 10 1,1 Harry Potter 5 7 0,71 Sony PSP 8 5 1,6 Aften tøj 2 8 0,25 Sandaler 9 7 1,29 Laptop 4 8 0,5 T-shirt 8 4 2 Rulleskøjter 3 14 0,21
Mulige løsninger Strategi #1: De mest værdifulde først Beskrivelse Værdi Størrelse Total plads brugt Total værdi Solbriller 12 1 1 12 Ghettoblaster 11 10 11 23 Badetøj 10 3 14 33 Sandaler 9 7 21 42
Mulige løsninger Strategi #2: De mindste først Beskrivelse Værdi Størrelse Total plads brugt Total værdi Solbriller 12 1 1 12 Badetøj 10 3 4 22 T-shirt 8 4 8 30 Sony PSP 8 5 13 38 Harry Potter 5 7 20 43
Mulige løsninger Strategi #3: Størst værdi per enhed først Beskrivelse Værdi Størrelse Total plads brugt Total værdi Solbriller 12 1 1 12 Badetøj 10 3 4 22 T-shirt 8 4 8 30 Sony PSP 8 5 13 38 Sandaler 9 7 20 47
Mulige løsninger Strategi #4: Den optimale Beskrivelse Værdi Størrelse Total plads brugt Total værdi Solbriller 12 1 1 12 Badetøj 10 3 4 22 T-shirt 8 4 8 30 Sony PSP 8 5 13 38 Ghettoblaster 11 10 23 49
Kampagne kanal 2 Effekt kanal 2 Effekt kanal 1 Mulige kombinationer Budget begrænsning Kampagne kanal 1
Kampagne kanal 2 Profit=4000 Profit=5000 Profit=6000 Profit=3000 Optimal løsning Mulige kombinationer Kampagne kanal 1
Konklusion Der er værdi i en beslutningsstøtte løsning der... Finder optimale løsninger Tager hensyn til alle begrænsninger Inddrager alle beslutnings parametre Kan håndtere komplekse problemstillinger Giver indblik i hvordan virksomheden hænger sammen
SAS forecasting og optimering SAS Forecast Server (inkl. SAS Forecast Studio) SAS Operations Research (inkl. SAS Simulation Studio)
SAS Forecast Server Understøtter alle virksomhedens forecastaktiviteter Automatisk diagnosticering af bedste model Inklusive modeller med forklarende variable. Mulighed for opstilling af egne forecast-modeller Hierarkisk forecasting Fleksibel event-håndtering Mange forskellige forecast-rapporter indbygget. Nemt at komme i gang
SAS Operations Research Bred vifte af de mest anerkendte metoder Opstilling af virksomhedsspecifikke modeller der sikrer brugbare resultater Mulighed for håndtering af selv de mest komplekse problemstillinger
Case: Falck Udfordring: Sikre de rette folk på rette sted på det rigtige tidspunkt 85 pct. af opgaverne er rutineprægede og kan planlægges mere eller mindre optimalt Løsning: Automatiseret forløb med indlæsning af egne data, eksterne datakilder, forecast samt afrapportering. Statistiske forecast der tager højde for ydelsestype, sæson, temperatur, sigtbarhed, nedbør og vindhastighed Gevinst: Selv en nok så rutineret arbejdstilrettelægger kan ikke forudse bemandingsbehovet på samme måde, som vi kan med vores forecast-modeller. Vores modeller er ikke 10 procent bedre end en rutineret vagtleder, men selv en forbedring på 3-5 procent betyder enormt med en arbejdsstyrke på 3500 mand.
Case: TDC Services Udfordring: Mål om lavere lagerbinding, hurtigere vareflow og færre afskrivninger. Det betyder, at TDC skal etablere og strømline forsyningskæden i hele koncernen Løsning: Automatiseret løsning hvor data læses fra ERP-systemet, fra TDC s butikssystemer og fra pipeline-systemet. Fase 2: Nødvendigt overblik Fase 3: Dynamisk optimering af lageret gennem fokus på minimale og maksimale sikkerhedslagre i forhold til tid og efterspørgsel. Gevinst: Fase 2: Fuld gennemsigtighed og eksakt billede af den forretningsmæssige målopfyldelse. Fase 3: Optimere lagerbeholdningerne for 15.000 varenumre er hvilket ganske enkelt er umuligt at gøre manuelt.
Case: Udfordringer Out-of-stock (tabt fortjeneste), ukurans, svind Enorme datamængder Ca. 15.000.000 vare/butiks kombinationer Forskellige forecast i forskellige afdelinger baseret på forskellig information Forecast på dagsniveau Mange faktorer der påvirker efterspørgslen (sæson, events, kampagner etc.) Løsning Danner forecast på vare-/butiks-/dagsniveau Forecast tager hensyn til sæson, events og kampagner Ét forecast der anvendes til både store replenishment og kampagneplanlægning Gevinst: $
Case: Conoco Phillips (Norge) Udfordringer: Mange (mange!!) aktiviteter der skal udføres Begrænsede ressourcer der kan bruges af flere aktiviteter Tilgængelighed af materialer Løsning Integreret planlægning Kustomiseret projektplanlægnings system Strategisk, taktisk, opererationelt niveau Gevinst $ Reduceret nedetid med 22 timer
Case: Bunge (Brasilien) Business problem Problem solving Udfordringer Goals, strategy, pains Hvordan transporteres mest økonomisk? Hvornår? Model p p min z( X, Y ) = fij yij + cij xij ( i, j) Ψ p Π ( i, j) Ψ p Hvilke begrænsninger? w if i = o( p) p p p p xij x ji = di = w if i = s( p) i Ξ, p Π j Ξ ( i) j N ( i) Bedste løsning? 0 otherwise p Reduce cost on soy bean transportation How much to buy from suppliers? What ports should we transport it to? How do we route transportation through our transshipment points? Løsning Business environment description (input) Forecasts on soy demand Production amount at suppliers Transshipment point capacity Transportation cost yij {0,1} ( i, j) Ψ SAS Route Optimization solution SAS/OR BI server SAS Solver ESRI GIS Gevinst: Transportation carrier network ( i, j) Ψ, p Π Tilfreds kunde: ROI på 1/9 måned. + x ij p P y ij + j N ( i) p xij 0 u y ij ij y ji j N ( i) ( i, j) Ψ = 0, i Ξ Decision support