Prognose für die Einzelhandelsbranche

In der SAP-Landschaft gibt es eine Reihe von Prognoseansätzen. Beginnend mit der einfachsten, die Prognosen in S/4 basierend auf dem Warenverbrauch ausführt und sie dann zum Nachschublauf bringt. Das nächste integrierte Tool ist die Verwendung eines mehrstufigen POS-Inbound-Replenishment-Prozesses, der ebenfalls auf S/4 ausgeführt wird. Der Unterschied zwischen zweien besteht darin, dass der erste auf dem Verbrauch von Waren IM basiert, der im Einzelhandel aus der GI von Transaktionen in Geschäften stammt, und der zweite auf den am POS erfassten Verkäufen basiert.

Neben eingebauten Tools gibt es auch das sehr häufig verwendete externe Prognosetool Forecast and Replenishment (F&R). Die Anwendung ist Teil der SAP SCM-Lösung und ich gehe davon aus, dass sie viele Funktionen für die Berechnung von SAP APO benötigt.

Das letzte Tool, das vollständig auf die Einzelhandelsbranche ausgerichtet ist, ist SAP Aktie Prognose Unified Demand Forecast (UDF). Diese Anwendung befindet sich auf SAP CAR und verwendet eine sehr leistungsstarke Hana-In-Memory-Berechnung und ein Modell der Bayes’schen Regression. Dieses Prognosetool ist für die Einzelhandels- und Modebranche bestimmt und berücksichtigt branchenspezifische Aspekte wie Fertigpackungen, Set-Artikel, generische Varianten-Beziehungsartikel und Abhängigkeiten zwischen Standorten.

Schritt für Schritt Erklärung der Theorie

Betrachten Sie diesen Artikel zunächst als einen Einblick in das Thema Forecasting mit UDF, da der Funktionsumfang und die Konfiguration Inhalt für viele Bücher sein können.

Der Prognoseprozess beginnt immer mit der Modellierung, die als Ergebnis ein Modell unserer Daten unter Berücksichtigung einer Reihe von Faktoren wie Jahreszeiten, Trends, Preisauswirkungen usw. erstellt. Die Modellierungsfunktion versucht, die bereitgestellten Daten für jeden DIF (Nachfrageeinflussfaktor) zu erklären und deren Gewicht zu bewerten am Modell.

Der nächste Schritt ist die Ausführung der Prognose. Prognosen verwenden die Ergebnisse der Modellierung und gegebene Eingaben wie geplante Werbeaktionen und Preise. UDF kann die Auswirkungen ähnlicher BEF-Ereignisse in der Zukunft vorhersagen und daraus den zukünftigen Bedarf ableiten.

Beide Aktivitäten können aus Produkt- und Standortreichweitensicht in verschiedenen Varianten durchgeführt werden. Sehr oft haben wir eine neue Version eines Produkts, das noch keine Verkaufsgeschichte hat, oder ein neues Geschäft mit der gleichen Situation eröffnet. In diesem Fall wird entweder mit Daten des Referenzprodukts geplant oder es werden sowohl Artikelhierarchien als auch Filialabhängigkeiten verwendet.

Aggregation: Wenn Ihre historischen Verkaufsdaten auf Produktstandortebene spärlich sind, können Nachfrageeinflussfaktoren (DIFs) besser auf aggregierter Ebene erkannt werden. Führen Sie in diesem Fall zunächst eine Modellierung auf den aggregierten Daten durch. Dann erhöhen die Ergebnisse der aggregierten Modellierung und Prognose die Basislinie und Prognose auf Produktstandortebene.

Hierarchische Priors: Konfigurieren Sie die Berechnung hierarchischer Priors, um die Modellierung von Produkten zu verbessern, für die nur wenige oder keine historischen Verkaufsdaten oder Werbedaten verfügbar sind. Mit hierarchischen Priors können solche Produkte vorhandene Modellierungsergebnisse von geeigneten vorhandenen Produkten entlang der Hierarchien (Produkthierarchien, Lokationshierarchien, Beziehungen zwischen generischen Produkten und ihren Varianten) „erben“.

Aufgrund der Tatsache, dass die Prognose eher eine Aufgabe im Expertenmodus ist, die ein hohes Maß an Konfiguration und statistischem Wissen erfordert, sollte sich nicht jede Änderung eines Parameters im Produktionsergebnis widerspiegeln. In UDF haben wir die Möglichkeit, einen von drei Modi auszuwählen, wenn die Modellierung der Prognose ausgeführt wird.

Produktionsmodus: Dies ist der Standardmodus. Sie können den Lauf einplanen oder direkt ausführen und die Ergebnisse werden als neue Modellierungs- oder Prognoseergebnisse in der Datenbank persistiert.

Diagnosemodus: Dieser Modus dient Diagnoseauswertungen und Prognoseanalysen. Sie geben eine Diagnose-ID für jeden Diagnosejob an, den Sie ausführen möchten, wenn Sie einige Parameter anpassen und den Ablauf testen und Ergebnisse potenzieller Konfigurationsänderungen anzeigen möchten. Ein Beispiel könnte die Zerlegung von DIF in der Produktionsumgebung sein und die Ergebnisse anzeigen.

Was-wäre-wenn-Prognose: Sie können den Lauf bei Bedarf auslösen. Die Ergebnisse werden der konsumierenden Anwendung wie angefordert bereitgestellt (z. B. SAP Promotion Management). Was-wäre-wenn-Prognosen werden häufig während der Planung verwendet, da sie es Ihnen ermöglichen, die Auswirkungen einer bestimmten Vorgehensweise abzuschätzen, die möglicherweise in der Zukunft ausgeführt wird oder nicht (z. B. ein geplantes Angebot).

Datenquelle – UDF unterstützt verschiedene Zeitreihenquellen (z. B. Point-of-Sale-Daten, Verbrauchsdaten oder Kundenaufträge). Am häufigsten in POS-Daten verwendet, die auch mit Auftragsdaten aus anderen Vertriebskanälen (wie E-Commerce) angereichert werden können. Die Daten können eine Tages- oder Wochenauflösung haben, und es wird immer empfohlen, historische Daten der letzten zwei Jahre bereitzustellen, damit das System Jahreszeiten, Trends usw. unterscheiden kann.

Als Zusammenfassung für die Prognose mit UDF müssen folgende Aktivierungen durchgeführt werden:

Führen Sie die anfängliche Modellierung aus – optional

Hierarchische Priors-Modellierung ausführen – optional

Hierarchie- oder Produkt-/Standortmodellierung ausführen – obligatorisch

Führen Sie Prognosen für die Produkt-/Standort- oder Hierarchiezuordnung durch – obligatorisch