Σε προηγούμενο άρθρο έγινε μια πολύ συνοπτική και επιγραμματική αναφορά στις βασικότερες προκλήσεις - δυσκολίες που θα συναντήσει ένας Demand Planner στην προσπάθεια εγκαθίδρυσης μιας λειτουργικής και αποτελεσματικής διαδικασίας Demand Planning / Forecasting.
Το παρόν άρθρο θα επιχειρήσει να αγγίξει την πρώτη πρόκληση, που συνίσταται σε αυτό που ονομάζεται Ακρίβεια Δεδομένων (Data Accuracy).
Ο βαθμός ακρίβειας των δεδομένων που ο Demand Planner έχει στη διάθεση του, αποτελεί τον ακρογωνιαίο λίθο πάνω στον οποίο στηρίζεται η αποτελεσματικότητα της όλης διαδικασίας. Είναι σαφές πως, η ακρίβεια των προβλέψεων βρίσκεται σε άμεση συνάρτηση με την ακρίβεια των στοιχείων που χρησιμοποιήθηκαν για την παραγωγή αυτών των προβλέψεων. Με άλλα λόγια, εάν τα δεδομένα είναι ανακριβή, τότε και οι προβλέψεις, ως αποτέλεσμα επεξεργασίας αυτών των δεδομένων, θα είναι ανακριβείς και θα οδηγήσουν σε μια πληθώρα ζητημάτων όπως λόγου χάρη: υπερβάλλουσα παραγωγή σε κάποια προϊόντα με ταυτόχρονα stock out σε κάποια άλλα και με αυξημένο των κίνδυνο καταστροφών.
Μια επιπλέον επίπτωση (και κατά την γνώμη μου απείρως σπουδαιότερη) είναι η διαμόρφωση μιας κατάστασης δυσπιστίας απέναντι στην ίδια την διαδικασία Demand Planning, η οποία στον βαθμό που δεν υπάρξει προσπάθεια αντιστροφής, θα έχει ολέθριες επιπτώσεις για την ύπαρξη της διαδικασίας per se.
Όμως, ποιες είναι εκείνες οι παράμετροι που προσδιορίζουν και καθορίζουν την ακρίβεια των δεδομένων; Με άλλα λόγια, ποια είναι εκείνα τα ποιοτικά χαρακτηριστικά που θα μας επιτρέψουν να αξιολογήσουμε τα διαθέσιμα δεδομένα ως προς την ακρίβειά τους;
-
Διαθεσιμότητα (Data availability): Είναι απαραίτητο για κάθε επιχειρηματικό Οργανισμό να έχει πρόσβαση σε εκείνες τις πηγές ποσοτικών δεδομένων που θα του επιτρέπουν να μπορεί να λαμβάνει σταθμισμένες επιχειρηματικές αποφάσεις (informed forecasting decisions). Δεν είναι ωστόσο σπάνιες οι περιπτώσεις όπου η πρόσβαση σε αυτά τα δεδομένα (ειδικά στις περιπτώσεις που αυτά βρίσκονται σε διακριτά πληροφοριακά συστήματα με απουσία της μεταξύ τους διασύνδεσης), να είναι ένα εξαιρετικά δύσκολο έργο. Σε τέτοιες περιπτώσεις είναι σκόπιμη η επένδυση πόρων για την δημιουργία μηχανισμών διαχείρισης της πληροφορίας και μηχανισμών ελέγχου της αρτιότητας των στοιχείων (data integrity). Επιπλέον, ο Demand Planner θα πρέπει να κατέχει την τεχνογνωσία της συγκέντρωσης στοιχείων, της διαχείρισής τους καθώς και την ικανότητα να πραγματοποιεί ελέγχους για την ανίχνευση λαθών και φυσικά για την διόρθωσή τους.
-
Συνέπεια (Data consistency): Πρόκειται για τον βαθμό στον οποίο τα δεδομένα είναι ομοιόμορφα στα διαφορετικά συστήματα (βάσεις δεδομένων) εντός του Οργανισμού. Για παράδειγμα, αν τα στοιχεία παραγγελιών/πωλήσεων καταχωρούνται σε ένα σύστημα, τα στοιχεία αποθεμάτων σε κάποιο άλλο και απουσιάζει η διασύνδεση αυτών των δύο συστημάτων, τότε είναι σίγουρο πως θα υπάρχουν διακυμάνσεις αφού, πιθανά, το σύστημα πωλήσεων θα δείχνει ικανοποιητικές πωλήσεις ενώ, την ίδια στιγμή, το σύστημα αποθεμάτων θα εμφανίζει ελλειμματικό ή σημαντικά πλεονασματικό απόθεμα. Η έλλειψη ή αδυναμία σύνδεσης των συστημάτων παρακολούθησης πωλήσεων και παρακολούθησης αποθεμάτων θα έχει σαν αποτέλεσμα την παραγωγή ανακριβών προβλέψεων και, ως εκ τούτου, λανθασμένων αποφάσεων στην εφοδιαστική αλυσίδα και στον Οργανισμό συνολικά. Επιπλέον, μπορεί να οδηγήσει σε αυξημένα κόστη και αστοχίες, αφού ο Demand Planner θα πρέπει με χειροκίνητο τρόπο να “συμφωνήσει” τα στοιχεία (data reconciliation) ή (ακόμα χειρότερα) να χρησιμοποιήσει εκτιμήσεις για να καλύψει το κενό της πληροφορίας. Η καθιέρωση της μιας και αποκλειστικής πηγής πληροφόρησης εντός του Οργανισμού, που θα διέπεται από αυστηρές διαδικασίες και υψηλά standards (Data governance), μπορεί να διασφαλίσει την αποφυγή τέτοιων προβλημάτων.
-
Ιστορική συνέχεια και συνάφεια (Data Timeliness): Ενώ το αποτέλεσμα της δουλειάς του Demand Planner αφορά μελλοντικό χρόνο, το αντικείμενο της εργασίας του είναι το παρελθόν: η μελέτη της ιστορικότητας και η αναγνώριση επαναλαμβανόμενων μοτίβων σε αυτή. Αν όμως η ιστορικότητα δεν αντανακλά την τρέχουσα πραγματικότητα, τότε ο Demand Planner αναγκαστικά, θα πρέπει να καταφύγει στην κρίση του για την προσαρμογή των δεδομένων στην νέα κατάσταση ή να προσπαθήσει να βρει νέες πηγές πληροφόρησης. Για παράδειγμα, αν τα διαθέσιμα ιστορικά δεδομένα, αφορούν μια πραγματικότητα όπου η παραγωγική διαδικασία λάμβανε χώρα σε τοπικό επίπεδο (με μάλλον μηδενικά ή πολύ μικρά lead time, με γνωστή και εν πολλοίς ελεγχόμενη παραγωγική δύναμη) ενώ στον παρόντα χρόνο η παραγωγή πραγματοποιείται σε απομακρυσμένο γεωγραφικό χώρο (με αυξημένα lead times και μη ελεγχόμενη παραγωγική δύναμη), τότε καθίσταται σαφές πως η υιοθέτηση της ιστορικότητας χωρίς να προηγηθεί η προσαρμογή της στις νέες συνθήκες, θα οδηγήσει σε αποτελέσματα, πιθανόν, αποπροσανατολιστικά με αυξημένες χρηματο-οικονομικές επιπτώσεις.
-
Επάρκεια (Data completeness): Αφορά στην ύπαρξη και διαθεσιμότητα εκείνης της πληροφορίας που είναι απαραίτητη για τον Demand Planner. Εδώ εντάσσονται περιπτώσεις μερικής ή ολικής απουσίας δεδομένων (πχ. απουσία κάποιων περιόδων από την χρονοσειρά πωλήσεων) που καθιστούν την εκτίμηση της τάσης ή της εποχικότητας ένα δύσκολο, αν όχι αδύνατο έργο. Επίσης, περιπτώσεις όπου απουσιάζει ή είναι μη επαρκώς τεκμηριωμένη, η πληροφορία των προωθητικών ενεργειών που πραγματοποιήθηκαν στο παρελθόν, καθιστούν ανέφικτη την ερμηνεία πιθανών ‘spikes’ που υπάρχουν στην χρονοσειρά. Επιπλέον, η απουσία της πληροφορίας σχετικά με τις προωθητικές ενέργειες που είναι προγραμματισμένες για το μέλλον, με το αναμενόμενο αποτύπωμα στην τελική ζήτηση, προσθέτουν επιπλέον βαθμούς δυσκολίας. Ως εκ τούτου, η καθιέρωση διαδικασιών εντός του Οργανισμού για την αποτελεσματική συγκέντρωση, επιθεώρηση και ιχνηλάτιση κάθε πληροφορίας (δεδομένα πωλήσεων, ενέργειες marketing κλπ) μπορεί να φέρει έγκαιρα στην επιφάνεια, περιπτώσεις ελλειπών στοιχείων.
Από όλα τα παραπάνω φανερώνεται η σπουδαιότητα της Ακρίβειας των Δεδομένων και οι παράγοντες που την προσδιορίζουν. Η θέσπιση διεργασιών αξιολόγησης της ποιότητας των στοιχείων μέσα από την χρήση εξειδικευμένων τεχνικών συγκέντρωσης, ανάλυσης και επεξεργασίας δεδομένων μπορεί να οδηγήσει σε αυξημένα επίπεδα Forecasting Accuracy. Η απόφαση για επένδυση πόρων σε συστήματα και τεχνογνωσία, είναι σχεδόν βέβαιο πως θα οδηγήσει σε περιορισμό άλλων λειτουργικών εξόδων (εν δυνάμει πολλαπλάσιων από το ύψος της επένδυσης), θα αυξήσει τα επίπεδα ικανοποίησης των πελατών ενός Οργανισμού, ενώ τέλος, θα βελτιστοποιήσει την λειτουργία της εφοδιαστικής αλυσίδας και της διαδικασίας λήψης αποφάσεων σε έναν Οργανισμό.