Probleemstelling
Een toonaangevende drankenfabrikant, met meer dan 120 productvarianten en een distributienetwerk dat meer dan 7.500 verkooppunten in Noord-Amerika bestrijkt , stond voor aanzienlijke uitdagingen bij het voorspellen van de verkoop . Het team was verantwoordelijk voor het genereren van prognoses voor elk product, maar het proces liep vast door de noodzaak om enorme hoeveelheden gegevens uit meerdere, vaak tegenstrijdige bronnen te verzamelen en handmatig te analyseren.
Het prognoseteam, bestaande uit 10 analisten, besteedde bijna 60% van hun tijd aan het extraheren en opschonen van gegevens , waarbij informatie uit meer dan 15 verschillende systemen werd verzameld. Dit leidde niet alleen tot vertragingen, maar creëerde ook ruimte voor fouten en inconsistenties in de gegevens, wat op zijn beurt de nauwkeurigheid van de prognoses beïnvloedde.
Door deze uitdagingen weken de verkoopprognoses van het bedrijf vaak 10-15% af, wat leidde tot voorraadtekorten of overtollige voorraad, met negatieve gevolgen voor de winstgevendheid.
Hoewel de gegevens beschikbaar waren, had het managementteam moeite om de verschillende outputformaten van data-analisten, datawetenschappers en andere teams met elkaar te verzoenen , wat de besluitvorming belemmerde.
Oplossing geïmplementeerd
- Multi-algoritmebenadering voor op maat gemaakte voorspellingen per productcategorie.
- Het data science-team heeft ondanks inconsistenties de nauwkeurigheid gewaarborgd.
- De PAI-chatbot is geïntegreerd in datasystemen en Microsoft Teams.
- Interactieve, visuele verkoopprognoses zijn nu mogelijk binnen Teams.
- Doorlopende prognoses hielpen de verkoopafdeling bij het prioriteren van producten met hoge winstmarges.
Zijn er uitdagingen?
Onze branche-experts kunnen uw probleem oplossen.