digitale transformation nutzenpotenziale mit sap hana im
TRANSCRIPT
Digitale Transformation
Nutzenpotenziale mit SAP HANA im Demand Forecasting
1
Michael Schmid Director, Global Omni Channel & Business Intelligence, Oettinger Davidoff AG
Michael BarensteinerCTO, Mitglied der Geschäftsleitung, Sybit & Peers AG
Firmenportrait Oettinger Davidoff AG
Intro
Unser Geschäft
Unsere Herausforderung
Optimierung der Supply Chain
Handlungsbedarf und Vision
Status Quo
Quick Win: Demand Forecasting
Vorgehen
Ergebnisse
Zusammenfassung
Agenda
2
4
Unsere Transformation
4
Trans-formation
Legacy Global Standard
Externe & Interne Einflüsse
Co-Existenz von 2 Umgebungen
3-5 Jahre
5
Unsere Lösung & Potenziale
SAP HANA Multitenant D / Q / P
NAVOnline
Enterprise Service Bus - Transparent / Persistent Staging Layer
SAP HANA Legacy
HANA Mixed Modelling & BI
R/3 BWS/4
NAVDistrib.
NAVLS Retail
Core Data Services, Smart Data Access, openODS, aDSO, Composite Provider...
GS GS GS
Master Data Layer
Tansactional Data Layer
DigitalAssetsMgmt
Ecommerce
NativeOtherSAP
MobileSales
Solution
OtherNon-SAP
SAP Frontend
GS GS
BO Analysis for Office, BO Lumira / Design Studio, BO Crystal Reports E, FIORI on Desktop & Mobile
BW onHANA
Scale-out
MS Navision USA Legacy
GS GS
Cloud Services
SOLMAN
Cloud Services
Demand Forecasting – Sales to Production
Involviert ~ 40 Mitarbeiter mit Führung, Planung,
Validierung, Freigabe, Produktion
Monatliches Absatz Reforecasting (Mengen)
18mt rollierend mit Vorbefüllung / 3 mt freeze
Manuelle Planung auf Kunden-Produktebene
~700’000 Planungszeilen
SAP BW / Integrierte Planung Features
Sales Planer zwischen Budgetdruck und Realität
Over stock / Out of stock - Situationen
Heutige „Forecast Accuracy“ & Varianz
unbefriedigend
Hohes finanzielles Potenzial
6
Optimierung der Supply Chain – Status Quo
Einzelhandel Online-Handel
Distributionszentrum
ProduktionDominikanische Republik
ProduktionHonduras
Distributionszentrum
Einzelhandel Einzelhandel
Grosshändler
Sup
ply
Dem
an
d
Auftrag: Verbesserung des Demand Planning
• Planungseffizienz erhöhen
• Planungseffektivität steigern
• Prozessabwicklung verbessern
7
Optimierung der Supply Chain – Quick Win
Organisation Prozesse
IT Infrastruktur(SAP HANA Platform)
Lösungsansatz: Automatische Generierung von Forecast-Werten mit statistisch-
mathematischen Methoden
Vorgehensmodell: CRISP-DM (Cross Industry Standard Process for Data Mining)
8
Optimierung der Supply Chain – Vorgehen
BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
9
Optimierung der Supply Chain – Vorgehen
Box of 25Pack of 5Pack of 3
N2*
5
Base-Product / Kunde als Forecasting-EbeneBusiness
UnderstandingData
Understanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
10
Optimierung der Supply Chain – Vorgehen
BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
Daten-Screening
Datenfilter & -aufbereitung
Datenanalyse
SAP HANA Predictive Analysis Library
Jeweils drei Modelle für jede Kombination aus Base-Product, Kunde
und Forecast-Periode berechnet
Drei Methoden (univariat / retrospektiv):
1. Croston-Methode
11
Optimierung der Supply Chain – Vorgehen
BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
Drei Methoden (univariat / retrospektiv):
2. Exponentielles Glätten / Exponential Smoothing
3. ARIMA (Auto-Regressive Integrated Moving Average)
12
Optimierung der Supply Chain – Vorgehen
BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
TrendKein Trend
Saisonalität
Keine Saisonalität
Regel für Modellauswahl
13
Optimierung der Supply Chain – Vorgehen
BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
3 Modelle pro Kunde, BaseProduct
und Periode(Croston, Exp. Smoothing, ARIMA)
Datendichte
Weniger als 60% der
Vergangenheitsperioden
mit Ist-Werten
Mehr als 60% der
Vergangenheitsperioden
mit Ist-Werten
Croston
Exponential Smoothing
ARIMA
Min(MAPE) MAPE = Mean
Average Percent Error
14
Optimierung der Supply Chain – Ergebnisse
Forecasting-Beispiele auf Ebene Base-Product & Kunde BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
White Noice
15
Optimierung der Supply Chain – Ergebnisse
18-monatiger rollierender Forecast ab Jan 2016 bis Dez 2016
Für die 12 Monate jeweils 163’000 Modelle berechnet, insgesamt fast 2 Mio. Modelle.
Ein monatlicher Lauf benötigt ca. 1.5 h
Ergebnisse
Durchschnittliche absolute Abweichung von Forecast zu Ist in % auf Basis Base-Product und CHF
Consensus Forecast: 35% (Standardabweichung: 12%)
Auto Forecast: 16% (Standardabweichung: 9%)
BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
Ist-DatenTraining
Auto Forecast
Consensus Forecast
Zeit
Ist-DatenValidierung
16
Optimierung der Supply Chain – Ergebnisse
% Anteil der Forecast-Verbesserung an Ist-Werten auf Basis CHF„Differenz Ist & Consensus“ – „Differenz Ist & Auto“ / Ist
BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring
17
Optimierung der Supply Chain – Vorgehen
SAP
HA
NA
P
latf
orm
SAP
Net
We
aver
AB
AP
Ser
ver
SAP HANA System (Multi-tenant) – S1P
SAP Business Suite on HANA
SAP S/4HANAEGP
SAP BW on HANANBP
SAP Front-End ServerFGP
DB Instance EGP DB Instance NBPDB Instance OEP
Fiori UIs SAP GUI BO Analysis for Office (Excel)
OData
Front-End Tools for users
SAP HANA PAL (Predictive Analysis Library)
SAPEGPDB Schema
SAPOEPDB Schema
ZWBDB Schema
SAPNBPDB Schema
ActualsManual Forecast
BW-IP (Integrated
Planning)
Demand Planning
PlanningFunctions
Advanced DSO
BW Composite Provider
AutoForecast
ActualsEGP
Manual Forecast
ActualsEGP
ActualsOEP
ActualsOEP
ActualsEGP
ActualsOEP
AutoForecast
SmartData
Access(SDA)
HANA Calculation View
HANA SQLProcedures
Legend
Objects with data persistence
ABAP Managed DB Procedure /HANA SQL Script Exit
Objects for auto forecasting
Non-presistent virtual data objetcs
Objects existent before auto forecast
ABAP CDS View
ABAP CDS View
Technische Lösungsarchitektur
BusinessUnderstanding
DataUnderstanding
DataPreparation
Modeling
Evaluation
Deployment
Data
Monitoring