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

3

Unsere Firma

Basel

Karibik

45.8

500+

2000+

150 / 76

50%

120%

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

18

Key Takeaways

Verbesserung der

Planungsgenauigkeit

Hohe Zeitersparnis Positive Implikation

auf weitere

Prozesse

Verbesserung im Demand-Forecasting durch die Nutzung von Eigenschaften der HANA

Multi-Tenant Architektur