PIAR

Większa trafność predykcyjnego prognozowania daje 8% lepszą dostępność towaru w sklepach odzieżowych. W polskich sklepach odzieżowych problemem była utrata sprzedaży ze względu na brak dostępności towaru, szczególnie w okresie otwarcia sezonu. Identyfikacja problemu pokazała, że cykl życia produktów zamyka się w 60% w jednym sezonie. Do opracowania analitycznego rozwiązania wykorzystano m.in. techniki regresji, analizę złączeń i skupień. Opracowane rozwiązanie stabilnie i powtarzalnie planuje zapasy dla 8 tysięcy SKU. Optymalizacja decyzji oparta na predykcji dała dodatkową korzyści w postaci integracji różnych działów w procesie planowania zapasów.

W branży odzieżowej rynek jest bardzo konkurencyjny i zmienny. Ekstremalnie ważne jest zrozumienie relacji pomiędzy liniami produktowymi i nauczenie się jak efektywnie nimi zarządzać i monitorować ten miks. Linia produktowa to produkty powiązane funkcją, grupą konsumencką, kanałem dystrybucji czy przedziałem cenowym. Natomiast miks to kombinacja różnorodności i ilości produktów i linii oferowana w sklepie. Optymalny miks produktu maksymalizuje dostępność produktu w sklepie, czyli minimalizuje ryzyko, że klient nie będzie mógł znaleźć tego co chce, a sklep traci szanse sprzedaży... a czasem - przez jeden "głupi" produktu - i klienta. Jednocześnie optymalny miks produktu minimalizuje ryzyko utrzymywania nadmiaru zapasów - koszt zamrożonego kapitału i koszt magazynowania - który często prowadzi do obniżki cen, czyli zmniejszenia przychodów sklepu.

Odzież jest sezonowa, podobnie jak obecnie komputery. Koreańscy naukowcy opracowali dla koreańskiego producenta komputerów model predykcyjny, który poprawił trafność prognoz o ponad 20 punktów procentowych [3]. Cykl życia koreańskich komputerów poniżej 40 tygodni.

Stosując matematykę optymalizujemy asortyment w sklepie. Na danych o transakcjach sprzedaży, dostępnych danych o klientach oraz danych o produktach identyfikujemy wzorce zachowań klienta, preferowane atrybuty przez klienta, a także znaczenie cech oraz częstotliwość zakupów produktu. Następnie za pomocą algorytmów tworzymy segmenty klientów i reguły zakupowe, które wykorzystane zostaną do opracowania modelu optymalizacji planowania asortymentu.

W 2009 roku Walmart postanowił usunąć około 15 tysięcy SKU, które uznał, że zaśmiecają korytarze w sklepach. Decyzja nie była poprzedzona analizą optymalnego miksu produktu, który oczekują klienci. Analitycy Wall Street oszacowali, że Walmart stracił około 2 miliardy dolarów sprzedaży i przywrócił usunięty asortyment [4].

Z kolei Zara w planowaniu asortymentu w sklepach stosuje programowanie matematyczne z badań operacyjnych. Zastosowanie modeli matematycznych dało w Zara w latach 2007-2008 dodatkowy wzrost przychodów o 3-4%, co przełożyło się na ponad 300 milionów dolarów dodatkowego przychodu [5].

[1] Improved forecasting and inventory planning
[2] The apparel retail industry's key to success
[3] Development of an Adaptive Forecasting System
[4] The Theory and Practice of Optimizing Assortment
[5] Zara Uses Operations Research to Reengineer Its Global Distribution Process

Ponad 15% mniej przezbrojeń dających prawie 10% krótszy plan produkcji w piekarniach. Polski producent słodyczy optymalizuje harmonogramowanie produkcji za pomocą algorytmów ewolucyjnych. Algorytmy ewolucyjne są zainspirowane zachowaniem zwierząt jak mrówki szukające pożywienia.

Amerykańskie sklepy wielobranżowe stosują algorytmy genetyczne do planowania tras przejazdów. Zredukowali o 30% koszty transportu minimalizując trasy przejazdu. Zmniejszyła się o 28% liczba mil oraz o 12% liczba samochodów. Wprowadzone rozwiązanie poprawiło planowanie tras z odpowiednią liczbą przystanków na każdej trasie, aby optymalizować wykorzystanie przyczep. Rozwiązywany był problem komiwojażera, którego szczególnym przypadkiem jest problem harmonogramowania.

Harmonogramowanie to proces organizowania, kontrolowania i optymalizowania pracy i obciążenia w procesach produkcyjnych, logistycznych, usługach i serwisie, czyli układanie zadań w harmonogram. Harmonogramowanie to alokacja maszyn, ludzi, zakup materiałów do planów realizacji, które mają konkretne oczekiwane wyniki i ograniczenia. Optymalizacja w harmonogramowaniu polega na znalezieniu harmonogramu, który minimalizuje czas i koszt realizacji planu. Problem harmonogramowania jest dynamiczny, dane przychodzą w trakcie realizacji harmonogramu. W problemie harmonogramowania mamy wiele rodzajów ograniczeń, często dynamicznych jak dostępność maszyn czy ludzi w różnych godzinach tygodnia. Harmonogramowanie za pomocą algorytmów z nadzorem planistów, którzy odkrywają dodatkowe ograniczenia niedostępne dla algorytmów, może poprawić harmonogram [3].

Nierozerwalnie z harmonogramowaniem związane jest planowanie, jak planowanie sprzedaży, szczególnie w warunkach efektu byczego bicza, gdyż ograniczenia i plan determinują trudność optymalizacji harmonogramu. Oznacza to, że harmonogramowanie jest trudnym problemem, dla rozwiązania którego stosuje się algorytmy obliczeniowo złożone. Złożoność, natura kombinatoryczna większości problemów harmonogramowania zainspirowała naukowców do eksperymentowania z algorytmami ewolucyjnymi [4].

Na przykład algorytm mrówkowy zainspirowany zachowaniem mrówek szukających pożywienia dla swojej kolonii. Początkowo mrówki poruszają się w sposób losowy. Gdy znajdują pożywienie, wracają do swojej kolonii pozostawiając ślad feromonów. Gdy inna mrówka natknie się na ten ślad, podąża za śladem i przestaje poruszać się w sposób losowy. W ten sposób mrówki optymalizują pracę znalezienia pożywienia.

Optymalizacja harmonogramowania to minimalizowanie czasu realizacji planu, w którym sprawdzi się również symulacja dyskretna.

[1] A case study on using evolutionary algorithms to optimize bakery production planning
[2] Reduced transportati on co sts for a convenience retailer
[3] Simplify Production Scheduling with Visualization
[4] A Genetic algorithm for Resource-Constrained Scheduling

Dzięki modelowaniu symulacyjnemu tygodniowy plan produkcji w 18 zamiast 21 zmian roboczych u producenta wyrobów czekoladowych. W polskim zakładzie słodyczy wykonane zostały badania łączące dyskretne modelowanie symulacyjne z mapowaniem strumienia wartości. Zastosowanie połączenia symulacji i technik szczupłej produkcji daje nie tylko ogromne możliwości analityczne, ale również pomaga zrozumieć filozofię Lean Manufacturing.

Lean Manufacturing to filozofia zarządzania, polegająca na nieustannym eliminowaniu marnotrawstwa, czyli wszystkich czynności, inwestycji i procesów nie dodających wartości do produktu lub usługi z punktu widzenia klienta. Pierwowzorem jest System Produkcyjny Toyoty rozwijany od początku lat 50-tych XX wieku.

Mapowanie strumienia wartości to narzędzie umożliwiające identyfikowanie zbędnych kroków w procesach - kroków, które nie wnoszą wartości do produktu. Pozwala wizualizować przebieg procesu wytwarzania i przepływu informacji, pokazuje powiązanie przepływu materiałów przepływem informacji, uwidacznia istniejące marnotrawstwo.

Analiza dotyczyła przezbrojeń, awaryjności, roboczochłonności, wielkości partii produkcyjnych, wielkości zapasów między operacyjnych, czas składowania produkcji w toku, czas cyklu produkcyjnego, elastyczność procesu produkcyjnego.

W wyniku przeprowadzeń badań przygotowano rekomendacje: produkować częściej i mniejsze partie produkcyjne, skrócić czas przezbrojeń wykorzystując technikę SMED, zrezygnować ze składowania gotowych cukierków na wózkach transportowych, zastąpić wózki transportowe w pakowni taśmą transportową, z której cukierki będą pakowane na automaty pakujące automatycznie.

Wykonanie planu produkcyjnego zajęło 18 zmian roboczych, produkcja odbywała się przez 6 dni w trybie trzyzmianowym. Poprzednio plan zajął 21 zmian roboczych, a praca trwała łącznie 7 dni, również w trybie trzyzmianowym.

Zastosowanie symulacji sprawa, że mapa strumienia wartości staje się narzędziem precyzyjnym. Przy dokładnym odwzorowaniu powiązań logicznych systemu produkcyjnego, możliwe jest również wyznaczenie wartości parametrów w rzeczywistości niemonitorowanych.

[1] Marek Karkula, Modelowanie i symulacja procesów logistycznych

Atena, Hera czy Afrodyta? Polscy menadżerowie IT najczęściej wybierają Atenę i pod taką nazwą zaczynamy badania empiryczne nad ładem w informatyzacji. Atena to bogini mądrości, sztuki, sprawiedliwej wojny oraz opiekunka miast.

Teza, że organizacje IT powinny stać się brokerem usług [1], jest mocno rozwijana przez The Open Group, która tworzy koncepcję IT4IT, żeby przyspieszyć dojście do brokera usług. Zrobili IT4IT twierdząc, że dostępne standardy: ISO/IEC, ISO/TC, ITIL, COBIT, eTOM, ich autorstwa TOGAF, ArchiMate, SAFe, PMBOK są albo zorientowane na technologię albo na implementację, więc powstała luka koncepcyjna, którą IT4IT ma wypełnić. IT4IT wprowadza łańcuch wartości IT w oparciu o koncepcję łańcucha wartości Portera. Łańcuch wartości to seria aktywności, które organizacja realizuje, żeby dostarczyć coś wartościowego jak produkt czy usługa. W IT4IT łańcuch zaczyna się od strumienia S2P (Strategy to Portfolio) z aktywnościami jak dopasowanie biznesu i IT czy wartość biznesowa. Hipotezą badawczą jest przydatność techniki Osterwaldera BMC w dopasowaniu biznesu i IT, co rekomenduje też Gartner [2].

Gartner [3] pokazał również, że organizacje myślą, iż rolę włodarza informacji realizuje IT a menadżerowie IT nie chcą [4] być stewardami danych (synonim włodarz).

IT Governance przyszedł z Sarbanes-Oxley Act, SOX, po załamaniu się Enronu w 2001 roku. SOX przyniósł wprowadzenie Control Objectives for Information and Related Technology (COBIT). Proces sprawozdawczości finansowej w COBIT opiera się na COSO framework. COSO zostało wprowadzone w 1992 do wewnętrznej kontroli. Jakość danych jest ukrytym założeniem w COSO, żeby przygotować sprawozdawczość finansową. CEO i CFO są odpowiedzialni za sprawozdawczość finansową. Ale to dotyczy tylko danych finansowych. A co z danymi o klientach, dostawcach? Czy data governance powinien być włączony w IT governance? IT governance dba o ład w dopasowaniu infrastruktury IT do celów biznesowych. Infrastruktura IT jest jak rura a dane jak informacja, która przepływa przez tę rurę. Informatycy powinni dbać o porządek w infrastrukturze, ale nie implikuje to automatycznie odpowiedzialności za dane. Tak z kolei twierdzą australijscy naukowcy [5].

Menadżerowie IT świetnie sprawdzają się w nadzorze nad portfelem projektów IT, co daje korzyści: wyższy zwrot z inwestycji IT, inwestycje powiązane ze strategicznymi priorytetami, większa zwinność i co kluczowe, i możliwe tylko gdy nadzór realizowany przez menadżerów IT, redukcja duplikacji systemów.

[1] Transitioning IT into a Service-Broker
[2] Getting the Right IT: Using Business Models: Business Impact
[3] Predicts 2016: Information Strategy
[4] Is it the CDO or CAO or Someone Else?
[5] The need for data governance: A case study

Analityka biznesu polega na znajdowaniu odpowiedzi na pytania co się dzieje w biznesie, dlaczego tak się dzieje, jaka jest prognoza i co z tym robimy? Umiejętność znajdowania odpowiedzi na te pytania to dojrzałość analityczna, co nie jest związane z posiadaną Technologią do Analityki.

Analityka biznesu to rozwiązywanie problemów biznesowych za pomocą matematyki i technologii. Inżynieria danych dla ładu w danych to technologia, a w połączeniu z matematyką to analityka danych, w szczególności zaawansowana analityka jak predykcja czy symulacja. Za pomocą całości budujemy czytelne i zrozumiałem rekomendacje dla podejmowania decyzji. Rekomendacje tworzymy poprzez raporty z odpowiednio dobraną wizualizacją, żeby rekomendacje były czytelne i zrozumiałe. Tworzy nam się stos Technologii do Analityki, z którego należy korzystać w odpowiednich proporcjach dla rozwiązywanego problemu biznesowego.

Liderem w Analityce jest hinduska Mu Sigma pracująca nad optymalizacją decyzji i procesów amerykańskich Fortune 500. W ich ekosystemie do definiowania problemu biznesowego znajdziemy bliźnięta muPDNA & muUniverse - aplikacje do nauki rozwiązywania problemów biznesowych i do rozwiązywania problemów. Optymalizacja decyzji i procesów zaczyna się od poprawnej definicji problemu biznesowego, do czego służą właśnie te aplikacje. Mu Sigma wprowadza nową sztukę rozwiązywania problemów AoPS (Art of Problem Solving).

Gartner [1] w swoim magicznym kwadrancie MQ AA 2016 o zaawansowanej analityce, technologie do robienia inżynierii obliczeń, wymienia Mu Sigma jako dostawcę usług analityki w partnerstwie. Liderem technologii do inżynierii obliczeń pozostają SAS i IBM, nieco tracąc, a najwięcej zyskuje Dell Statsoft wchodząc do kwadrantu liderów oraz Microsoft szybko zbliżając się do kwadrantu.

Microsoft awansuje szczególnie po akwizycji Revolution Analitics specjalizujący się w języku R.

Co to jest R? R jest porównywany do SAS, IBM SPSS czy Matlab. Już w 2009 roku został doceniony przez The New York Times [2]. Język R używa Facebook, Ford i wiele innych firm [3], również Google, na przykład do kalkulowania ROI kampanii marketingowych. Oprócz Microsoft, język R dodał do swoich technologii analitycznej Oracle. Oracle w 2014 roku został wyrzucony z magicznego kwadrantu zaawansowanej analityki, a Gartner podaje przyczynę, że oferuje swoje rozwiązania analityczne jako ścisły komponent swojej bazy danych niż jako samodzielny produkt.

Analogicznie Gartner [4] postąpił z Oracle, tym razem bez podania przyczyny, w swoim magicznym kwadrancie o zwykłej analityce MQ BI 2016, technologia na pograniczu do inżynierii obliczeń i danych. A w 2015 roku Oracle był w kwadrancie liderów, z którego wyszedł IBM, SAS i SAP. W kwadrancie pozostają Tablue, Qlick i Microsoft jako lider z największym wzrostem na osi wizji.

W obu magicznych kwadrantach występują: IBM, Microsoft, SAP i SAS. Najwięcej zyskuje Microsoft, najwięcej traci IBM. Natomiast IBM ma najbardziej kompletny portfolio technologii do robienia optymalizacji decyzji: analitykę opisową i predykcyjną, reguły biznesowe i matematyczna optymalizację [5].

ILOG był francuską firmą, którą kupił w 2009 roku IBM. ILOG to technologia do zarządzania łańcuchem dostaw, reguły biznesowe, wizualizacja i optymalizacja, mocno zatem wspiera optymalizację procesów. Gartner [6], w swoim kolejnym magicznym kwadrancie o zarządzaniu procesowym, wymienia IBM jako lider obok Pegasystems i Appian. Optymalizacja poprzez automatyzację decyzji w procesach to znów specjalność Mu Sigma z aplikacjami: muESP, muFlow, muStream, muVCL, muIoT [7].

Na koniec zobaczmy trochę technologii do czystej inżynierii danych, zaczynając od baz danych MQ DB 2015 u Gartner. Liderami są Microsoft i Oracle. Liderzy wyrośli z relacyjnych baz SQL i dodają noSQL do swoich technologii. Bardzo dobre wprowadzenie do noSQL zrobił Microsoft [8].

Microsoft swoją bazę SQL i 57 innych produktów udostępnia w chmurze Microsoft Azure, m.in. algorytmy uczenia maszynowego [9], w których można wykorzystywać R i Python.

I ostatnie technologie do integracji danych, pamiętając o maksymie GIGO (Garbage In, Garbage Out) - śmieci na wejściu, to śmieci na wyjściu. Liderem u Gartnera [10] w MQ DI 2015 jest Informatica.

W kwadrantach żadnych większych zmian rok do roku.

Na bazie raportów Gartnera podsumujmy technologie do optymalizacji decyzji.

[1] Magic Quadrant for Advanced Analytics Platforms
[2] Data Analysts Captivated by R's Power
[3] Companies using R by Revolution Analytics
[4] Magic Quadrant for Business Intelligence and Analytics
[5] What is The Difference Between SPSS And ILOG?
[6] Magic Quadrant for Intelligent Business Process Management
[7] Mu Sigma Enterprise Signal Platform
[8] Wprowadzenie do NoSQL, część I
[9] Microsoft Azure Machine Learning
[10] Magic Quadrant for Data Integration Tools

W branży podłogi drewnianej produkcja jest w warunkach niepewności jakości i składu surowca, bo drewno jest nieprzewidywalne. Mamy zatem niepewność podaży i popytu, więc predykcja rozwinie się na obu skrzydłach. Predykcja zamówień zastosowana zostanie do rekomendacji zakupów surowca. Struktury w produkcji podłogi drewnianej są wielowariantowe, a dokładniej konfigurowalne, co daje różne możliwości wyborów surowca do produkcji tej samej podłogi. Jednocześnie ten sam surowiec może być użyty do produkcji różnych podłóg. Za pomocą badań operacyjnych uzyskujemy optymalne rekomendacje dla alokacji surowca do zamówień. Razem optymalizacja decyzji maksymalizująca przychody i zyski oraz minimalizująca kapitał zamrożony w surowcach.

Badania operacyjne są częścią teorii decyzji i zostały zapoczątkowane w okresie II wojny światowej w Stanach Zjednoczonych i Wielkiej Brytanii jako metody pozwalające podejmować lepsze decyzje związane z logistyką i planowaniem szkoleń. Między innymi udowodniono, że duże konwoje są bezpieczniejsze, co było związane z mniejszym prawdopodobieństwem natrafienia na wrogiego u-boota. Po wojnie zaczęto z powodzeniem stosować metody badań operacyjnych do sprawnego zarządzania w przemyśle.

Projekt realizowany jest w ramach konkursu RPO Małopolska 1.2.3 bony na innowacje. Bony są do stymulowania współpracy przedsiębiorstw z jednostkami badawczymi jak Instytut PIAR w optymalizacji decyzji i procesów.

Projekt dotyka cutting stock problem zdefiniowany w badaniach operacyjnych jako rozłożenie dużej bryły na mniejsze minimalizując odpady. Znalezienie optymalnego rozwiązania tego problemu jest obliczeniowo złożone, bo matematycznie udowodnione, że problem jest NP-trudny. Chociaż problem jest trudny, to naukowcy opracowali algorytmy rozwiązujące go. Na przykład włoscy naukowcy w branży drzewnej zaproponowali algorytmy heurystyczne [1].

[1] The Cutting Stock Problem in the Wood Industry

PIAR

IDEA πR

Instytut PIAR

Akademia PIAR

Partnerstwo

OUR TEAM

Neila Jovan

Mathew McNalis

Michael Duo

OUR SKILLS

Marketing

Websites

PR

ACHIEVEMENTS

ANALITYKA W PARTNERSTWIE

ANALITYKA I INŻYNIERIA

Optymalny miks produktu

Problem harmonogramowania

Zastosowanie symulacji dyskretnej i mapowania strumienia wartości do optymalizacji produkcji

Empiryczne badania nad ładem w informatyzacji

Technologia do Analityki

Predykcja i konfigurator w bilansowaniu podaży i popytu

Popularne Artykuły

WHAT WE DO

ANALYTICS

CONSULTING

DESIGN

DEVELOPMENT

MARKETING

SEO

KONTAKT

PIAR