Międzynarodowa firma farmaceutyczna działająca w kilkudziesięciu krajach stanęła przed wyzwaniem efektywnego planowania produkcji. Nasz klient wykorzystywał 100% swoich mocy produkcyjnych, dlatego wybór produktów, które miały być wytwarzane, był kluczowy dla sukcesu finansowego firmy. Dodatkową trudność stanowiły długie terminy dostaw komponentów do produkcji, sięgające nawet 6 miesięcy.
W celu prognozowania sprzedaży z 6-miesięcznym wyprzedzeniem, zalecono oparty na sztucznej inteligencji silnik uczenia maszynowego, wspierający efektywne planowanie produkcji.
W pierwszym etapie projektu nasz zespół spędził sporo czasu nad zrozumieniem biznesu oraz danych klienta. Klient działał na rynku hurtowym, co oznaczało, że dane dotyczące sprzedaży nie odpowiadały dokładnie rzeczywistemu zapotrzebowaniu na produkty w społeczeństwie. Wskazano, a następnie zebrano liczne typy danych oraz aproksymanty.
Następnie nasz zespół skoncentrował się na dalszej analizie danych oraz opracowaniu i testowaniu poszczególnych modeli. Kilka modeli zostało wybranych w celu zaprezentowania ich klientowi. Modele te działały na różnych poziomach ogólności, takich jak grupa produktów, typ w grupie i poszczególne SKU.
Wyniki dostarczone przez modele zostały zwizualizowane w raportach Power BI, zapewniając menedżerom produktu wsparcie w podejmowaniu decyzji dotyczących składania zleceń produkcyjnych. Ponadto zaplanowano opracowanie aktywnego systemu monitorowania, który miał konfrontować przewidywane wartości z wartościami podawanymi przez menadżerów produktu i ostrzegać kierowników grup, jeśli niezgodności są zbyt duże.
Wydajność modelu jest zależna od poziomu ogólności, na którym operował, ponieważ dane na niższych poziomach ogólności były bardziej zmienne. Zatem miernikiem użytym do oceny wydajności modelu była jego dokładność w porównaniu z dokładnością menedżerów produktu w prognozowaniu sprzedaży. Średnio w 7 na 10 przypadków (SKU) wydajność modelu była wyższa lub równa wydajności menedżerów produktu. Na wyższym poziomie ogólności model był jeszcze skuteczniejszy w porównaniu z człowiekiem.
Wdrożenie modeli zapewniło natychmiastowe wsparcie menedżerom produktu w planowaniu produkcji i poprawiło dokładność prognoz o 9%.
wzrost dokładności planowania produkcji
niższe ryzyko poważnych błędów w przewidywaniach
natychmiastowe wsparcie dla menedżerów produktu
Odezwiemy się w ciągu 24 godzin