Agilent Technologies - Pianificazione della domanda a livello aziendale
L'implementazione di GIB Forecast ha permesso al reparto di patologia di Agilent di sostituire i processi basati su e-mail e fogli di calcolo con una soluzione automatizzata e pronta per il futuro.
Agilent Technologies produce strumenti analitici, software e materiali di consumo utilizzati in laboratori di scienze biologiche. Negli ultimi anni l'azienda ha registrato una forte crescita, sia in aree geografiche nuove che in quelle già esistenti. Oltre alla crescita organica, Agilent ha acquisito diverse aziende per ampliare il suo portafoglio analitico.
Questa crescita ha fatto sì che la divisione di patologia di Agilent sperimentasse in particolare una rapida espansione delle vendite. Tuttavia, è emerso anche che le pratiche di pianificazione della domanda della divisione non erano più adeguate, poiché si trattava in gran parte di manuali ed erano basate su un software di produttività desktop piuttosto che su una vera soluzione aziendale.
Per supportare meglio la crescente domanda, la divisione ha optato per una soluzione con una maggiore capacità di scalare e una modellazione statistica più flessibile. Agilent ha cercato di ottimizzare le scorte, la disponibilità di consegna e la pianificazione della capacità attraverso una pianificazione della domanda e previsioni più efficienti e sofisticate.
Scoprire i requisiti per
una supply chain più intelligente
La metodologia della divisione basata su fogli di calcolo comportava molti passaggi manuali che avevano scarso valore aggiunto, ma consumavano risorse significative incidendo sull'efficienza operativa.
Gli analisti eseguivano query in SAP ERP Central Component (ECC) e scaricavano i dati in database Microsoft Access, che poi riformattavano e trasferivano in fogli di calcolo per analizzarli con formule e macro. Man mano che le query diventavano più grandi, il download dei dati diventava proibitivo e i crash dei database Access erano sempre più frequenti. L'analisi stessa si limitava a operazioni relativamente semplici, come il calcolo delle medie numeriche. Metodi algoritmici più sofisticati e fattori come la stagionalità e le tendenze erano praticamente impossibili da implementare in un foglio di calcolo.
La distinzione tra eventi unici e tendenze a lungo termine è stata identificata come una delle principali capacità di previsione da migliorare. La pandemia COVID-19, ad esempio, ha rimodellato il mercato globale in un batter d'occhio in modi senza precedenti e con effetti a lungo termine poco chiari. Come molte altre aziende globali, Agilent ha registrato un drastico calo delle vendite intorno alla fine del primo trimestre del 2020 a causa della reazione delle economie.
Questo evento eccezionale è stato un’eccezione, piuttosto che un cambiamento a lungo termine della domanda. La divisione ha dovuto assicurarsi che i suoi modelli di previsione non valutassero erroneamente questi eventi drammatici, ad esempio come un cambiamento stagionale o un punto di svolta permanente. Fasco ritiene che il vecchio modello di previsione non sarebbe stato all'altezza: "Avremmo individuato queste anomalie, ma solo nel corso di un processo manuale molto lento. I cali di marzo e aprile sarebbero stati riconosciuti e si sarebbe potuto dire: 'Pianificherò in modo che vendiate meno a marzo e aprile 2021'. Ma non è corretto. Potrebbe trattarsi di un calo legato alla pandemia".
L'azienda voleva ottimizzare i propri processi di produzione e distribuzione migliorando i metodi di previsione statistica per essere il più proattiva ed efficiente possibile. Alla base di questi requisiti ci sono una migliore prevedibilità e un maggiore controllo dei calcoli statistici, utilizzati per la pianificazione della domanda.
La scienza dei dati fornisce approcci e regolazioni matematiche che possono aiutare a evitare questi errori, ma i fogli di calcolo non sono stati creati per un’analisi così approfondita. Fasco sottolinea che una funzione importante del demand planner è quella di applicare la propria conoscenza approfondita di prodotti e mercati per perfezionare l'accuratezza e l'utilità delle previsioni. A tal fine, afferma, "ci sono diverse cose che si possono fare per mettere a punto le previsioni".
Gli analisti possono influenzare i dati storici utilizzati, apportare modifiche per rispondere alle attuali condizioni di mercato o controllare un'ampia gamma di altri fattori. Questo rende certamente i calcoli più complessi, ma i metodi standard efficienti per influenzare i modelli statistici sono ancora una risorsa importante nella cassetta degli attrezzi di un analista. Per il team di Agilent, la capacità di utilizzare appieno questi metodi statistici era fondamentale per il successo della soluzione di previsione.
Unire scenari aziendali e tecnologici
L'azienda utilizza un'unica istanza globale SAP ECC in circa 25 siti produttivi e 15 centri di distribuzione, oltre a magazzini e depositi di assistenza ampiamente decentrati. Il profilo SAP per la supply chain di Agilent comprende anche il software di approvvigionamento SAP Ariba, SAP Manufacturing Execution, SAP Advanced Planner and Optimizer e altre soluzioni operative per l'approvvigionamento e la pianificazione della domanda e della produzione.
Per implementare e mantenere la migliore pianificazione della domanda possibile a supporto della strategia di crescita dell'azienda basata sulle acquisizioni e sull’impatto per la divisione di patologia, Agilent aveva bisogno di ciò che Fasco descrive come: "Uno strumento professionale per l'aggiornamento delle previsioni basato su fatti e analisi".
Agilent aveva già integrato diversi moduli GIB nel proprio ambiente SAP per migliorare ulteriormente le informazioni e il controllo della supply chain. GIB Operations svolge un ruolo particolarmente importante nella pianificazione della domanda di materiali (MRP) e garantisce il regolare svolgimento delle operazioni quotidiane. "Utilizziamo GIB Operations per le eccezioni MRP e gli acquisti operativi. Funziona essenzialmente come una cabina di pilotaggio che consente al responsabile MRP di visualizzare la domanda e l'offerta in più centri logistici e stabilimenti di produzione. In una sede, l'azienda sta attualmente utilizzando GIB Inventory Optimisation per controllare i livelli di fornitura e di stock giornalieri. GIB Alert Monitor collega tra loro tutti i componenti GIB fornendo al responsabile MRP una panoramica più completa e informazioni ordinate su eventuali ritardi e carenze".
L'investimento di Agilent in GIB ha aiutato la divisione di patologia ad adottare GIB Forecast per la pianificazione della domanda. Il team di Agilent ha riconosciuto che la facilità di integrazione offriva un vantaggio convincente, in quanto non erano necessari hardware speciali o interfacce di programmazione delle applicazioni (API) poco conosciute. Inoltre, GIB Forecast viene caricato direttamente in SAP ECC, senza bisogno di introdurre un'interfaccia separata. Dal punto di vista degli utenti dell'azienda, quindi, GIB fa semplicemente parte del familiare ambiente SAP con cui già lavorano quotidianamente.
Razionalizzare e approfondire
il processo di pianificazione della domanda
Dopo un’implementazione di circa sei mesi, la divisione di patologia di Agilent ha iniziato a utilizzare GIB Forecast. È apparso subito evidente che gli utenti della divisione aziendale non dovevano più preparare manualmente i dati da ampi fogli di calcolo e unirli tra loro, un processo che richiede molte risorse e che è difficile da scalare.
Alleggeriti da questi compiti monotoni, i membri del team possono concentrarsi maggiormente su lavori più utili. Prima che il personale venga coinvolto, i processi automatizzati hanno già caricato i dati e creato modelli di previsione e analisi delle anomalie. Secondo Fasco: "Il loro lavoro inizia subito con il completamento di attività a valore aggiunto e la corretta classificazione dei dati".
Con la preparazione dei dati e l'analisi preliminare già effettuata, i membri del team possono concentrarsi sul perfezionamento del modello per ottenere i migliori risultati possibili. Gli analisti aziendali possono modificare le procedure di previsione o influenzare i parametri per guidare il comportamento del modello. Invece di preparare i dati, il personale della divisione di patologia può quindi concentrarsi maggiormente sulla modellazione dei dati, con maggiori vantaggi per l'azienda.
L’implementazione delle previsioni della divisione consente anche una modalità self-service per i super user dell’azienda. Questi utenti possono modificare la configurazione direttamente nel sistema di produzione e quindi modificare le procedure di previsione senza coinvolgere il reparto IT. Questo approccio rafforza le unità aziendali, ma garantisce anche un'attuazione più rapida dei cambiamenti. A seconda delle circostanze, la divisione può adeguare rapidamente la pianificazione della domanda sotto la guida di coloro che conoscono meglio i dati.
L'implementazione di GIB ha garantito agli utenti dell'azienda un migliore controllo del processo e la divisione di patologia di Agilent ha ottenuto un vantaggio significativo grazie a una visione completa e costante delle previsioni. Chiunque sia autorizzato può esaminare una previsione per vedere quale modello e quali dati sono stati utilizzati per generarla, oltre ad aggiungere dati su eventi rilevanti come una fiera o una promozione. Secondo Fasco, ora c’è "piena trasparenza tra ciò che il demand planner fa con i dati e ciò che il planner vero e proprio, ad esempio un production planner, farà per eseguire quel piano".
Agilent definisce questa integrazione una "conversione naturale" dalla pianificazione all'esecuzione. In pratica, l'approccio si è rivelato particolarmente utile per mantenere e adeguare le previsioni mensili della divisione. Con GIB Alert Monitor, gli utenti dell'azienda possono creare avvisi personalizzati che li informano quando i risultati effettivi non rientrano negli intervalli specificati delle previsioni. Agilent utilizza questi avvisi per guidare dinamicamente le previsioni e mettere a punto la produzione con efficienza e costi ottimizzati.
Conclusioni
Nella divisione di patologia, previsioni più accurate e processi più trasparenti hanno permesso la collaborazione e l’interazione tra le unità aziendali che guardano al futuro insieme. La modernizzazione della pianificazione della domanda ha migliorato i processi e offerto agli utenti più opzioni. Gli analisti possono facilmente migliorare le previsioni con dati reali e gli utenti con funzioni diverse possono incorporare le variabili di input da tutte le aree aziendali.
In questo modo si ottiene una migliore visione d'insieme dell'azienda attraverso previsioni più efficienti e una visione più differenziata e precisa del futuro.
