Il demand planning è cruciale per l’industria soprattutto in periodi di gestione complessa, come quello attuale, che richiedono una attenzione maggiore nell’acquisto delle materie prime e nel sales&distribution con tutte le difficoltà legate oggi alla logistica. Ecco un esempio di come è possibile integrarlo in una azienda di produzione alimentare.
Il demand planning per il food
In questo esempio l'industria decide di intraprendere un percorso per ottimizzare gli strumenti disponibili e allo stesso tempo adottarne di nuovi. Il primo obiettivo è realizzare un sistema di demand planning, poi utilizzare una serie di informazioni, anche derivate dal sistema, ma non solo, per una pianificazione della produzione e per il miglioramento del servizio di consegna al cliente.
La pandemia ha offerto all'industria di marca un terreno di test senza appello: chi aveva già cominciato a lavorare sul demand planning è riuscito a servire la gdo senza intoppi, anche nella fase del primo lockdown, e oggi trae giovamento dalla stessa tecnologia per pianificare il difficile approvvigionamento delle materie prime.
La tecnologia beanTech
La tecnologia adottata è quella fornita da beanTech di Udine, che realizza soluzioni su misura costruite sulla base dello storico vendite dell'azienda produttrice e in particolare sulla coppia cliente-articolo, perché ciascun cliente ha esigenze e modalità diverse che dipendono dall’area geografica, dalle dimensioni, dalla stagionalità, le festività, le scelte assortimentali, il lancio di un nuovo prodotto e molto anche dalle promozioni. In genere l'industria alimentare lavora con i Cedi della gdo e spesso anche con l'horeca, sia in Italia che all'estero, e potrebbe avere a catalogo numerose referenze, ciascuna con le proprie caratteristiche. Di conseguenza è importante analizzate il comportamento di ciascuna in base al tipo di cliente, anche nell'output di previsione delle vendite.
Un esempio di soluzione elaborata da beanTech è quella composta da 3 moduli: motore algoritmico, portale web, strumento di verifica. Il motore algoritmico ogni mese prende i dati storici, li etichetta, per esempio differenziando un prodotto nuovo con poco storico da uno invece ricco di informazioni, e li indirizza verso un algoritmo specifico che tiene conto delle differenze. L’output è la previsione per i 12 mesi successivi, dunque 12 valori per ciascuna coppia cliente-articolo.
Il secondo modulo, il portale web, viene usato prima di tutto dal planner che con i propri indicatori verifica l’attendibilità dei valori di uscita degli algoritmi, eventualmente li modifica e poi li valida. "Il modulo web si può predisporre anche per essere usato dagli agenti sul territorio -spiega Dimitri Zornik, product manager & business analyst beanTech- che in base alle direttive della produzione e insieme al cliente, decidono quali e quante promozioni attivare sui singoli prodotti. Il portale fornisce loro le indicazioni su come muoversi strategicamente con i clienti, di settimana in settimana, in base alla disponibilità di prodotto, di materie prime, all’andamento del mercato”.
L’ultimo modulo è la business intelligence, strumento che valuta oggettivamente e confronta la bontà del lavoro dell’algoritmo con quella del sistema senza l’intervento dell’algoritmo. Serve per capire se la tecnologia è valida e anche dove concentrare gli sforzi: la parte di produzione per cui l’accuratezza va oltre il 90% possono andare in automatico, i prodotti per i quali c’è meno precisione, perché c’è maggior complessità o sono nuovi, sono l’area su cui lavorare.
Verificare l'accuratezza del demand planning software
Le aziende stanno progressivamente introducendo in azienda nuove figure professionali che le aiutano nell'uso della tecnologia al massimo delle sue potenzialità. Un esempio è la figura organizzativa del Demand Planner, che verifica il processo e a posteriori l’accuratezza delle previsioni. Prima dell'introduzione della soluzione beanTech occorrevano una serie di passaggi interni per le verifiche, e l’accuratezza era inferiore. Con il software, la verifica avviene in tempo reale e con un’accuratezza intorno al 90%, molto elevata. Questo permette di mantenere ottimale il servizio al cliente e le scorte nella quantità minima richiesta.
La mensile riunione di sales&operation planning che riunisce supply chain e vendite, nella quale di definisce l’operatività del mese successivo, offre anche l’occasione per aggiustare le previsioni e validarle definitivamente.
In prospettiva: una chiara visione dell’effetto delle promozioni
Dimitri Zornik, product manager & business analyst beanTech, arriva dal mondo della gdo e conosce bene il meccanismo delle promozioni. “Sappiamo che i fattori moltiplicativi sulle vendite possono essere molto significativi, anche x20 in un mese, per cui l’algoritmo potrebbe decidere di scartarli come picchi non significativi dando come output valori errati. Noi invece inseriamo l’anomalia come evento specifico che l’algoritmo si allena a quantificare, anche in futuro quando la promozione si ripeterà, magari su una baseline diversa. Non solo, abbiamo fatto in modo che l’algoritmo tenga in considerazione anche gli andamenti delle vendite precedenti e successivi alla promozione, quindi l’erosione che potrebbe avere nelle vendite”. Uno strumento che può arrivare a disegnare degli scenari, immaginando di applicare un certo tipo di attività promozionale su uno specifico cliente e prodotto, in una fase dell’anno, e così supportare la definizione della strategia commerciale.
