Bewältigung von Störungen in der Lieferkette
Vor den Unterbrechungen der Lieferkette in den letzten Jahren prognostizierte Polaris Inc., ein führender Anbieter von Powersport-Ausrüstung, Produktion und Lieferungen basierend auf Innovation und Marktnachfrage. Da diese Störungen jedoch auftraten, wurde das Geschäftsumfeld durch das Angebot eingeschränkt. Das Polaris Finance-Team erkannte den Bedarf an mehr Geschwindigkeit und Agilität in allen Planungsprozessen und wandte sich an die leistungsstarke Lösung Sensible Machine Learning (Sensible ML) von OneStream, um die Bedarfsprognose zu unterstützen.
In den vergangenen Jahren hatten sich die Geschäftsbereiche von Polaris auf ein hochgradig manuelles Finanzplanungsmodell mit Eingaben wie SIOP-generierte Versandeinheitenprognosen nach Produkt, Produktkosten und UVP, Frachtkosten und Händlerrabatten verlassen, um eine Bruttomargenansicht zu erhalten. Dieses Modell wurde als „Driver-Based Revenue Model“ bezeichnet und bot die perfekte Gelegenheit, auf maschinellem Lernen basierende Prognosen und den Übergang zu einem einheitlichen Planungsprozess innerhalb von OneStream zu integrieren.
Sinnvolles ML auf die Probe stellen
Polaris beschloss, sein Sensible ML-Projekt auf seine GBU für nordamerikanische Offroad-Produkte zu konzentrieren, und betrachtete einen Prognosezeitraum von 12 Monaten mit einem Schwerpunkt auf Variablen, die sich auf die Prognose der ausgelieferten Einheiten auswirken. Zu diesen Variablen gehörten Rohstoffpreise, vorverkaufte Bestellungen, „Clean Build“-Prozentsatz und Build-to-Ship-Dauer. Historische Daten, die diese Variablen darstellen, würden mit historischen versandten Einheiten kombiniert, um die ML-Modelle und ihre zukunftsgerichteten Prognosen zu generieren.
Das historische Datenmodell umfasste 181 Produkte mit wöchentlich verkauften Einheiten von 2016 bis 2022. Sinnvolles ML verarbeitete diese Daten, kombiniert mit Rohstoffpreisen für Stahl und Aluminium, berücksichtigte Ereignisse wie Feiertage und generierte über 2,800 Vergleichsmodelle. Basierend auf den historischen Daten erwiesen sich die OneStream ML-Modelle als die genauesten. Die ML-Prognosen wurden monatlich durchgeführt und in eine treiberbasierte Prognose integriert.
Schnellere, genauere Prognosen und mehr
Die Ergebnisse waren beeindruckend. Die Vorhersagen waren nicht nur genauer als bei früheren Ansätzen, sondern mit Sensible ML hat Polaris seine Vorhersageprozesse schneller und effizienter gemacht und die Vorhersagezyklen von Tagen auf Stunden verkürzt. Polaris hat jetzt auch mehr Transparenz darüber, was sich hinter den ML-Modellen verbirgt, einschließlich Einblicke in die wichtigsten Prognosetreiber für eine fundiertere Entscheidungsfindung.
Es bietet einen finanzgesteuerten ML-Prognoseprozess, der sich nahtlos in die Planungs- und Prognoseprozesse in der gleichen Benutzererfahrung integriert, die für verwendet wird Financial Close und Konsolidierungen, Kontenabstimmungen und Berichterstattung.
„Die Fähigkeit, schnell treiberbasierte Prognosen zu erstellen, ist für die Anpassung an unsere sich ändernden Geschäftsbedingungen von entscheidender Bedeutung“, sagte Melanie Hermann, Director, Finance Process & Systems bei Polaris Industries. „Die Einbindung von KI in unsere Planung und Prognose über die OneStream Sensible ML-Lösung beschleunigt den Prognoseprozess und verbessert ihn mit leistungsstarken ML-datengesteuerten Prognosen weiter. Sensible ML-Prognosen haben sich als genauer erwiesen, und das Value-Add-Dashboard bietet den Geschäftsanwendern Einblicke in die wichtigsten Funktionen, die die Prognose steuern, um das Modell einfach zu verwalten, zu verbessern und zu erweitern"
Das Team von Polaris Data Science war vom Prozess und den Ergebnissen beeindruckt. „Sensible ML vermarktet den Teil meiner Arbeit, der vermarktet werden kann, und ermöglicht es mir, mich darauf zu konzentrieren, wo ich Mehrwert schaffen kann … mit dem Ergebnis, das Sensible ML liefert“, sagte Luke Bunge, Manager Data Science Product. „Es ist eine unglaubliche Zeitersparnis und bringt Sie zur bestmöglichen Antwort. Das Team hat großartige Arbeit geleistet, indem es uns in das Tool eingetaucht hat … anstatt es in eine Black Box zu verwandeln.“
Mehr erfahren
Für Unternehmen in sich schnell verändernden Branchen wie CPG-Herstellung, Einzelhandel und Gastgewerbe, Sensible ML reduziert die traditionellen Hindernisse für ML-Prognosen und verbessert sowohl die Geschwindigkeit als auch die Genauigkeit der Bedarfsplanung. Dies ermöglicht es Unternehmen, Produktionspläne zu optimieren, Bestände zu optimieren sowie Volatilität und Schwankungen in der Arbeitsplanung zu reduzieren.
Um mehr zu lernen, laden Sie die herunter Fallstudie von Polaris Inc und kontaktieren Sie OneStream, wenn Sie bereit sind zu erfahren, wie Ihr Unternehmen die Vorteile des maschinellen Lernens nutzen kann.