Agilent Technologies - behoefteplanning op bedrijfsniveau

De eisen van een slimmere
supply chain bepalen

De methode van de afdeling die gebaseerd was op spreadsheets omvatte veel handmatige stappen met slechts een geringe meerwaarde, maar verbruikte aanzienlijke resources en beïnvloedde de bedrijfsmatige efficiëntie.

De analisten voerden query's uit in SAP ERP Central Component (ECC) en downloadden de gegevens in Microsoft Access-databases, die ze vervolgens opnieuw formatteerden en overzetten naar spreadsheets om die met formules en macro's te analyseren. Hoe groter de querys werden, des te langzamer konden de gegevens worden gedownload en de Access-databases crashten steeds vaker. De analyse zelf was beperkt tot relatief eenvoudige bewerkingen zoals het berekenen van numerieke gemiddelden. Geavanceerdere algoritmische methoden en factoren zoals seizoensgebondenheid en trends konden bijna niet in een spreadsheet worden verwerkt.

Het onderscheid maken tussen eenmalige gebeurtenissen en langetermijntrends werden geïdentificeerd als een van de belangrijkste prognosevaardigheden die verbeterd moesten worden. De COVID-19-pandemie bijvoorbeeld heeft de wereldmarkt in een oogwenk op ongekende wijze veranderd, en de gevolgen op de lange termijn zijn onzeker. Net als veel andere wereldwijde bedrijven, kreeg Agilent tegen het einde van het eerste kwartaal van 2020 te maken met een dramatische daling in de omzet als gevolg van de reacties van de economieën.

Deze uitzonderlijke gebeurtenis was eerder een uitzondering en wijst niet op een verandering in de vraag op lange termijn. De afdeling moest ervoor zorgen dat haar prognosemodellen deze dramatische gebeurtenissen niet verkeerd zouden wegen, bijvoorbeeld als een seizoensverandering of een permanent keerpunt. Fasco gelooft dat het oude prognosemodel tekort zou zijn geschoten: "We zouden deze uitschieters hebben herkend, maar alleen door een zeer langzaam, handmatig proces. De dalingen in maart en april zouden herkend zijn en men had kunnen zeggen: "Ik zal zo plannen dat jullie in maart en april 2021 minder verkopen" Maar dat is niet juist. Het kan een daling zijn geweest als gevolg van de pandemie."

Het bedrijf wilde zijn productie- en distributieprocessen optimaliseren door de statistische methoden voor het opstellen van prognoses te verbeteren om zo proactief en efficiënt mogelijk te zijn. Centraal in deze eisen staat een betere voorspelbaarheid van en controle over de statistische berekeningen die bij de behoefteplanning worden gebruikt.

Dergelijke fouten kunnen vermeden worden met de wiskundige benaderingen en correcties van datawetenschap, maar spreadsheets zijn gewoon niet gemaakt voor dergelijke diepgaande analyses. Fasco wijst erop dat een belangrijke functie van de demand planner is om de nauwkeurigheid en de bruikbaarheid van de prognoses te verbeteren door zijn gedetailleerde kennis van de producten en markten. In dat opzicht "zijn er een aantal dingen die je kunt doen om de prognose echt te verfijnen," zegt hij.

Analisten kunnen beïnvloeden welke historische gegevens worden gebruikt, kunnen aanpassingen maken om in te spelen op de huidige marktomstandigheden of een breder scala aan andere factoren controleren. Dit maakt berekeningen absoluut complexer, maar efficiënte standaardmethoden voor het beïnvloeden van statistische modellen zijn nog steeds een belangrijk instrument in de gereedschapskist van een analist. Voor het team van Agilent is de mogelijkheid om uitgebreid gebruik te maken van dergelijke statistische methoden cruciaal voor het succes van de prognoseoplossing.

De samenvoeging van het
zakelijke en technologische scenario

Het bedrijf maakt gebruik van één wereldwijde SAP ECC-instantie op ongeveer 25 productielocaties en 15 distributiecentra, evenals op wijdverspreide gedecentraliseerde magazijnlocaties en servicedepots. Het SAP-supply-chainprofiel van Agilent omvat ook de inkoopsoftware SAP Ariba, SAP Manufacturing Execution, SAP Advanced Planner and Optimizer en andere bedrijfsoplossingen voor inkoop en behoefte- en productieplanning.

Om de best mogelijke behoefteplanning te implementeren en te handhaven ter ondersteuning van de groeistrategie van het bedrijf die gebaseerd is op overnames en de gevolgen daarvan voor de pathologieafdeling, had Agilent behoefte aan wat Fasco omschrijft als: "Een professionele tool voor het bijwerken van prognoses op basis van feiten en analyses."

Agilent had al verschillende GIB-modules in zijn SAP-omgeving geïntegreerd om de informatie en controle over de supply chain verder te verbeteren. GIB Operations speelt een bijzonder belangrijke rol in de material requirements planning (MRP) en zorgt ervoor dat de dagelijkse activiteiten soepel verlopen. "Wij gebruiken GIB Operations voor MRP-uitzonderingen en operationele verwerving. In essentie is het een cockpit waarmee planners aanbod en vraag in meerdere logistieke centra en productielocaties kunnen bewaken. Op één locatie gebruikt het bedrijf momenteel GIB Inventory Optimisation om het dagelijkse aanbod en de dagelijkse magazijnvoorraad te controleren. De GIB alarmmonitor verbindt alle GIB-componenten met elkaar. Dit geeft de planner een beter totaaloverzicht en overzichtelijke informatie over mogelijke vertragingen en tekorten."

Met de reeds gedane GIB-investeringen van Agilent had de pathologieafdeling een overtuigende technologie- en businesscase en kon ze tijdens de behoefteplanning pleiten voor de invoering van GIB Forecast. Het team van Agilent erkende dat de eenvoudige integratie een overtuigend voordeel bood, omdat er geen speciale hardware of onbekende programmeerinterfaces (API's) nodig waren. Bovendien wordt GIB Forecast rechtstreeks in SAP ECC geladen, waardoor er dus geen aparte interface nodig is. Vanuit het oogpunt van de gebruikers in het bedrijf maakt GIB dus gewoon deel uit van de vertrouwde SAP-omgeving waarin ze al dagelijks werken.

Het behoefteplanningsproces
rationaliseren en verdiepen

Na een implementatieperiode van ongeveer zes maanden ging de pathologieafdeling van Agilent live met GIB Forecasting. Het werd al snel duidelijk dat de gebruikers van de bedrijfsafdeling niet langer handmatig gegevens uit uitgebreide spreadsheets hoefden te verwerken en deze met elkaar in overeenstemming moesten brengen - een arbeidsintensief proces dat moeilijk op te schalen is.

Omdat de teamleden niet langer belast worden met deze monotone taken, kunnen ze zich meer richten op nuttiger werk. Voordat mensen aan de slag gaan, laden geautomatiseerde processen de gegevens en maken vervolgens prognosemodellen en analyses van uitschieters. Aldus Fasco: "Hun werk begint meteen met het voltooien van taken met meerwaarde en het correct indelen van de gegevens."

Omdat het voorbereiden van de gegevens en de voorlopige analyse al gedaan zijn, kunnen de teamleden zich richten op het verfijnen van het model om de best mogelijke resultaten te behalen. Bedrijfsanalisten kunnen de prognosetechnieken aanpassen of parameters beïnvloeden om het modelgedrag te sturen. In plaats van datavoorbereiding kunnen de medewerkers van de pathologieafdeling zich dus meer richten op datamodellering, wat het bedrijf in zijn algemeen ten goede komt.

De implementatie van prognose door de afdeling maakt ook een modaliteit mogelijk waarbij superusers van het bedrijf zichzelf kunnen bedienen. Deze gebruikers kunnen de configuratie rechtstreeks in het productiesysteem wijzigen en zo de prognosetechnieken aanpassen zonder de IT-afdeling hierbij te betrekken. Deze aanpak versterkt de bedrijfsafdelingen, maar zorgt er ook voor dat veranderingen sneller worden doorgevoerd. Afhankelijk van de omstandigheden kan de afdeling haar behoefteplanning snel aanpassen onder leiding van degenen die de gegevens het beste kennen.

De implementatie van GIB heeft ervoor gezorgd dat de gebruikers van het bedrijf het proces beter kunnen controleren en de pathologieafdeling van Agilent heeft een aanzienlijk voordeel doordat het een uitgebreid en naadloos overzicht krijgt van de prognose-levenscyclus. Iedereen met de juiste bevoegdheid kan een prognose controleren en zien welk model en welke gegevens zijn gebruikt om de prognose te maken. Bovendien kunnen ze ook gegevens toevoegen over relevante gebeurtenissen zoals beurzen of promoties. Volgens Fasco is het nu bijvoorbeeld "volledig transparant wat de demand planner met de gegevens doet en wat de feitelijke planner - bijvoorbeeld een productieplanner - doet om dat plan uit te voeren".

Agilent noemt deze integratie een "natuurlijke omzetting" van planning tot uitvoering. In de praktijk is deze aanpak vooral nuttig gebleken bij het onderhouden en aanpassen van de maandelijkse prognoses van de afdeling. Met de GIB alarmmonitor kunnen gebruikers van het bedrijf gedefinieerde waarschuwingen van de gebruiker opstellen om hen te informeren wanneer de werkelijke resultaten buiten de vastgelegde bereiken van de prognose vallen. Agilent gebruikt deze waarschuwingen om prognoses dynamisch aan te passen en de productie nauwkeurig en kosteneffectief af te stemmen.

Conclusie

In de pathologieafdeling hebben nauwkeurigere prognoses en transparantere processen ervoor gezorgd dat afdelingen binnen het bedrijf samenwerken, op één lijn zitten en samen naar de toekomst kijken. De gemoderniseerde behoefteplanning heeft de processen verbeterd en gebruikers meer mogelijkheden gegeven. Analisten kunnen prognoses eenvoudig verbeteren met echte gegevens en gebruikers met verschillende functies kunnen rekening houden met ingangsvariabelen uit alle afdelingen.

Dit geeft een beter totaalbeeld van het bedrijf door efficiëntere prognoses en kan men gedifferentieerder en nauwkeuriger beeld van de toekomst maken.