Surmonter les perturbations de la chaîne d'approvisionnement
Avant les perturbations de la chaîne d'approvisionnement de ces dernières années, Polaris Inc., l'un des principaux fournisseurs d'équipements de sports motorisés, prévoyait la production et les expéditions en fonction de l'innovation et de la demande du marché. Cependant, depuis ces perturbations, l'environnement des affaires est devenu contraint par l'offre. Reconnaissant le besoin de plus de rapidité et d'agilité dans les processus de planification, l'équipe Polaris Finance s'est tournée vers la puissance de la solution Sensible Machine Learning (Sensible ML) de OneStream pour aider à la prévision de la demande.
Au cours des années précédentes, les unités commerciales de Polaris s'appuyaient sur un modèle de planification financière hautement manuel avec des entrées telles que les prévisions d'unités expédiées générées par le SIOP par produit, les coûts des produits et les PDSF, les frais de transport et les remises des concessionnaires pour arriver à une vue de la marge brute. Ce modèle était appelé « modèle de revenus basé sur les moteurs » et offrait l'occasion idéale d'intégrer des prévisions basées sur l'apprentissage automatique et de passer à un processus de planification unifié au sein de OneStream.
Mettre le ML sensible à l'épreuve
Polaris a décidé de concentrer son projet Sensible ML sur sa GBU North American Off-Road Products, en examinant un horizon de prévision de 12 mois en mettant l'accent sur les variables ayant une incidence sur ses prévisions d'unités expédiées. Ces variables comprenaient les prix des marchandises, les commandes prévendues, le pourcentage de « construction propre » et les durées de construction à expédition. Les données historiques représentant ces variables seraient combinées avec les unités expédiées historiques pour générer les modèles ML et leurs prévisions prospectives.
Le modèle de données historiques couvrait 181 produits, avec des unités hebdomadaires vendues de 2016 à 2022. ML sensé a analysé ces données, combinées aux prix des matières premières pour l'acier et l'aluminium, pris en compte des événements tels que les vacances et généré plus de 2,800 XNUMX modèles à des fins de comparaison. Les modèles OneStream ML se sont avérés les plus précis, sur la base des données historiques. Les prévisions ML ont été exécutées mensuellement et ont été intégrées dans une prévision basée sur les facteurs.
Des prévisions plus rapides, plus précises et plus encore
Les résultats étaient impressionnants. Non seulement les prévisions étaient plus précises qu'avec les approches précédentes, mais avec Sensible ML, Polaris a ajouté de la vitesse et de l'efficacité à ses processus de prévision, réduisant les cycles de prévision de quelques jours à quelques heures.. Polaris a également désormais plus de transparence sur ce qui se cache derrière les modèles ML, y compris des informations sur les principaux facteurs de prévision pour une prise de décision plus éclairée.
Il fournit un processus de prévision ML géré par les finances qui s'intègre de manière transparente aux processus de planification et de prévision dans la même expérience utilisateur que celle utilisée pour clôture financière et consolidations, rapprochements de comptes et des rapports.
"La capacité de générer rapidement des prévisions basées sur les moteurs est essentielle pour s'adapter à l'évolution de nos conditions commerciales", a déclaré Melanie Hermann, directrice, processus et systèmes financiers chez Polaris Industries. "L'intégration de l'IA dans notre planification et nos prévisions via la solution OneStream Sensible ML accélère le processus de prévision et l'élève encore plus grâce à de puissantes prévisions basées sur les données ML. Les prévisions ML sensibles se sont révélées plus précises, et le tableau de bord à valeur ajoutée fournit aux utilisateurs professionnels des informations sur les fonctionnalités clés qui régissent les prévisions afin de gérer, d'améliorer et d'améliorer facilement le modèle.. »
L'équipe Polaris Data Science a été impressionnée par le processus et les résultats. « Sensible ML banalise la partie de mon travail qui peut être banalisée et me permet de me concentrer là où je peux ajouter de la valeur… avec le résultat fourni par Sensible ML », a déclaré Luke Bunge, responsable des produits de science des données. « C'est un gain de temps incroyable et vous permet d'obtenir la meilleure réponse possible. L'équipe a fait un excellent travail en nous immergeant dans l'outil… au lieu de le transformer en une boîte noire.
En savoir plus
Pour les entreprises des secteurs en évolution rapide tels que la fabrication CPG, la vente au détail et l'hôtellerie, Sensible ML réduit les obstacles traditionnels aux prévisions de ML et améliore à la fois la rapidité et la précision de la planification de la demande. Cela permet aux organisations d'affiner les plans de production, d'optimiser les stocks ainsi que de réduire la volatilité et les fluctuations de la planification de la main-d'œuvre.
Pour en savoir plus, téléchargez le Étude de cas Polaris inc. et contactez OneStream si vous êtes prêt à découvrir comment votre organisation peut tirer parti de la puissance de l'apprentissage automatique.