Hoogwaardige vraagplanning bij Agilent Technologies
Dankzij GIB Forecast kon de pathologiedivisie van Agilent processen op basis van e-mails en spreadsheets vervangen door een geautomatiseerde, toekomstbestendige oplossing
Agilent Technologies produceert analyseinstrumenten, software en verbruiksartikelen voor biowetenschappelijke en andere laboratoria. Het bedrijf is de afgelopen jaren enorm gegroeid, ook in andere regio's. Naast organische groei heeft Agilent een aantal bedrijven overgenomen om zijn analytische portfolio te verbreden.
Door de groei steeg de verkoop van met name de pathologiedivisie van Agilent enorm en bleek ook dat de vraagplanning van de divisie niet meer voldeed. Deze was grotendeels handmatig en was gebaseerd op productiviteitssoftware op desktops, in plaats van een echte bedrijfsoplossing.
Gedreven door de behoefte aan betere ondersteuning van de groeiende vraagpijplijn besloot de divisie een oplossing te implementeren die beter schaalbaar was en meer flexibiliteit voor statistische modellering bood. Door op deze manier de efficiëntie en verfijning van de vraagplanning en daarmee ook van de prognoses te vergroten, wilde het bedrijf de voorraad, leveringsservice en capaciteitsplanning optimaliseren.
De vereisten voor een slimmere toeleveringsketen achterhalen
De op spreadsheets gebaseerde methodologie van de divisie omvatte veel handmatige stappen die weinig waarde toevoegden, maar veel resources verslonden, wat ten koste ging van de operationele efficiëntie.
Analisten voerden query's uit op SAP ERP Central Component (ECC) en downloadden gegevens naar Microsoft Access-databases. Ze veranderden de indeling ervan en importeerden ze vervolgens in spreadsheets voor analysering via formules en macro's. Naarmate de query's groter werden, verliep het downloaden van gegevens steeds trager en liepen de Access-databases vaker vast. De analyse zelf was beperkt tot relatief eenvoudige bewerkingen zoals het berekenen van numerieke gemiddelden. Meer geavanceerde algoritmische methoden, maar ook factoren als seizoensgebondenheid en trending, konden in de praktijk niet in een spreadsheet worden geïmplementeerd.
Ross Fasco, SAP Supply Chain Architect bij Agilent, vat samen: "De business case was eigenlijk dat het huidige Access- en spreadsheetgebaseerde proces niet vol te houden was. Door de groei voldeed het handmatige proces niet meer".
Het onderscheid tussen eenmalige gebeurtenissen en langetermijntrends werd geïdentificeerd als een belangrijke voorspellende factor die moest worden verbeterd. De COVID-19-pandemie heeft bijvoorbeeld vrijwel direct de wereldmarkt op ongekende wijze veranderd en de langetermijneffecten zijn onduidelijk. Net als bij veel andere bedrijven over de hele wereld, daalden de verkoopcijfers van Agilent dramatisch aan het einde van het eerste kwartaal van 2020, toen economieën de gevolgen van de pandemie ondervonden.
Deze gebeurtenis was grotendeels een voorbeeld zij het een uitzonderlijke - van een onregelmatigheid in de vraag, in plaats van een langdurige verschuiving. De divisie moest ervoor zorgen dat de prognosemodellen die dramatische gebeurtenissen niet ten onrechte als een seizoensgebonden verandering of een blijvend keerpunt beschouwden. Fasco wijst erop dat hun oude prognosemodel tekort zou zijn geschoten: "We zouden deze uitschieters hebben geïdentificeerd, maar via een zeer omslachtig, handmatig proces. Het model zou de dalingen in maart en april 2020 hebben gezien en voorspeld hebben dat er in maart en april 2021 niet zoveel zou worden verkocht, maar dat is niet juist. Het had een daling kunnen zijn vanwege de pandemie."
Door betere statistische methoden voor het genereren van prognoses wilde het bedrijf zijn productie- en distributiepijplijnen zo proactief en efficiënt mogelijk op elkaar afstemmen. Verbeterde zichtbaarheid en controle over de statistische berekeningen die nodig zijn voor de vraagplanning vormen de kern van deze vereisten.
Datawetenschap biedt wiskundige benaderingen en aanpassingen die zulke misstappen kunnen helpen voorkomen. Spreadsheets zijn gewoon niet gemaakt voor een dergelijke diepgaande analyse. Fasco wijst erop dat een belangrijke functie van de vraagplanner is om de nauwkeurigheid en bruikbaarheid van prognoses te verfijnen op basis van grondige kennis van producten en markten. Fasco: "Er zijn nogal wat dingen die ze kunnen doen om de voorspelling echt te verfijnen".
Analisten kunnen bepalen welke historische gegevens worden gebruikt, aanpassingen doen om te reageren op de huidige marktomstandigheden en invloed uitoefenen op een groot aantal andere factoren. Hoewel dit de complexiteit van de berekeningen natuurlijk extra vergroot, blijven gestandaardiseerde en efficiënte manieren om de statistische modellen te manipuleren een belangrijke vaardigheid in de toolbox van de analist. Het Agilent-team stelde vast dat het vermogen om volledig gebruik te maken van dergelijke statistische methoden van cruciaal belang was voor het succes van hun prognoseoplossing.
De business- en technologiecase bij elkaar brengen
Wereldwijd runt het bedrijf één SAP ECC-instance in zo'n 25 productielocaties en 15 distributiecentra en in wijdverspreide opslaglocaties en servicedepots. De SAP-footprint voor de toeleveringsketen omvat bij Agilent ook SAP Ariba-inkoopsoftware, SAP Manufacturing Execution, SAP Advanced Planner and Optimizer en andere oplossingen voor operaties zoals inkoop, vraagplanning en productieplanning.
Agilent wilde een optimale vraagplanning die altijd up-to-date is en die de op overname gebaseerde groeistrategie van het bedrijf en de impact ervan op de pathologiedivisie ondersteunt. Daarvoor had het bedrijf "een professionele tool nodig voor prognose-updates die op feiten en analyses zijn gebaseerd", aldus Fasco.
Voor verdere intelligence en controle van de toeleveringsketen had Agilent al een aantal GIB-modules geïntegreerd in zijn SAP-omgeving. GIB Operations speelt met name een belangrijke rol bij MRP (Material Requirements Planning) en zorgt voor een vlotte dagelijkse bedrijfsvoering. "We gebruiken GIB Operations voor MRP-uitzonderingen en operationele inkoop. Het functioneert in wezen als een cockpit voor de MRP-controller om vraag en aanbod in meerdere logistieke centra en fabrieken te bekijken. Het bedrijf gebruikt GIB Inventory Optimization momenteel op één locatie om de toeleverings- en voorraadniveaus van de dag te beoordelen. De GIB-waarschuwingsmonitor verbindt alle GIB-componenten met elkaar, waardoor de controller een beter situationeel bewustzijn heeft en in één uitgebreid overzicht mogelijke vertragingen en tekortkomingen ziet."
Dankzij de bestaande GIB-investering van Agilent kon de pathologiedivisie een sterke technologie- en businesscase maken voor het adopteren van GIB Forecast voor vraagplanning. Het Agilent-team onderkende het aantrekkelijke voordeel van eenvoudige integratie, zonder speciale hardware of onbekende API's. Bovendien laadt GIB Forecast rechtstreeks in SAP ECC zonder aparte interface, zodat GIB voor zakelijke gebruikers gewoon onderdeel is van de vertrouwde SAP-omgeving waarmee ze al dagelijks werken.
Het vraagplanningsproces stroomlijnen en verdiepen
Na een implementatieperiode van ongeveer zes maanden bracht de pathologiedivisie van Agilent GIB Forecasting in productie. Al direct hoefden de gebruikers van de divisie gegevens niet langer handmatig uit enorme spreadsheets voor te bereiden en onderling te correleren, een proces dat veel resources vergt en slecht schaalt. Verlost van die steeds terugkerende taken kunnen teamleden zich meer concentreren op werk van hogere waarde. Voordat mensen erbij betrokken raken, zijn de gegevens geladen, prognosemodellen uitgevoerd en uitschieters geanalyseerd – volledig automatisch. Fasco: "De medewerkers kunnen vervolgens aan de slag en daadwerkelijk waarde toevoegen door ervoor te zorgen dat de gegevens correct zijn".
Nu de gegevensvoorbereiding en voorlopige analyse voor hen zijn gedaan, kunnen teamleden zich concentreren op het verfijnen van de modellen voor optimale resultaten. Bedrijfsanalisten kunnen prognoseprocedures aanpassen of parameters manipuleren om het gedrag van het model te sturen. Zo kunnen medewerkers binnen de pathologiedivisie hun focus verleggen van datavoorbereiding naar datamodellering, wat meer waarde biedt voor het bedrijf in het algemeen.
De prognose-implementatie van de divisie geeft supergebruikers ook de mogelijkheid zaken zelf te regelen. Deze gebruikers kunnen rechtstreeks configuratiewijzigingen doorvoeren in het productiesysteem om prognoseprocedures aan te
passen, zonder tussenkomst van IT. Naast het versterken van de mogelijkheden van de bedrijfsonderdelen, biedt deze aanpak ook de mogelijkheid tot snellere veranderingen, zodat de vraagplanning van de divisie zich direct kan aanpassen aan omstandigheden, onder leiding van mensen die deze data het beste kennen.
De recente GIB-implementatie creëert end-to-end zichtbaarheid en continuïteit tijdens de levenscyclus van de prognose. De grotere procescontrole die hierdoor ontstaat voor gebruikers, is een belangrijk voordeel voor de pathologiedivisie van Agilent. Iedere gemachtigde kan bekijken welk model en welke gegevens zijn gebruikt om de prognose te genereren en gegevens toevoegen over relevante gebeurtenissen zoals een beurs of verkoopactie. Zo stelt Fasco bijvoorbeeld: "Er is nu
volledige transparantie tussen wat de vraagplanner met de gegevens doet en wat de daadwerkelijke planner - bijvoorbeeld een productieplanner - gaat doen om dat plan uit te voeren".
Agilent verwijst naar deze kwaliteit van integratie als 'natuurlijke conversie', van planning tot uitvoering. Praktisch gezien is de aanpak vooral waardevol voor het bijhouden en bijstellen van de prognoses van de divisie in de loop van een maand. Met de GIB waarschuwingsmodule kunnen gebruikers aangepaste waarschuwingen maken die hen informeren wanneer de daadwerkelijke resultaten in relatie tot de prognose buiten het ingestelde bereik dreigen te vallen. Agilent gebruikt die waarschuwingen als basis voor dynamische aanpassingen aan prognoses die de productie finetunen voor kostenefficiëntie.
Conclusie
Meer verfijning van prognoses en procestransparantie binnen de pathologiedivisie hebben gezorgd voor samenwerking en consensus tussen bedrijfsonderdelen, nu ze samen vooruitkijken. De gemoderniseerde vraagplanning heeft de processen verbeterd en de gebruikers meer mogelijkheden geboden. Analisten kunnen prognoses eenvoudig verbeteren met overwegingen uit de praktijk, terwijl gebruikers in allerlei rollen kunnen profiteren van input van verschillende bedrijfsonderdelen. Het resultaat is dat prognoses zijn gebaseerd op een uitgebreidere kijk op het bedrijf, wat uiteindelijk leidt tot een meer genuanceerd en nauwkeurig beeld van de toekomst en een grotere efficiëntie.
