contattateci

Ottimizzazione master data su scala FMCG

Individuate i materiali duplicati e quasi duplicati tra stabilimenti ed ERP.

Un motore di similarità assistito dall'IA raggruppa in cluster i materiali simili, quantifica i risparmi di consolidamento per cluster e offre ai data steward un flusso di revisione.

NDA 2024

Acquisti FMCG / Manifatturiero Ottimizzazione master data
Ottimizzazione master data: flusso di revisione dei cluster
Vista di similarità dalla versione demo autonoma del progetto. Apri l'immagine intera

Sfida

Lo stesso materiale fisico registrato con codici e descrizioni diversi tra stabilimenti, regioni e filiali.

Realizzato

Un motore di similarità che usa descrizioni, attributi e pattern di acquisto, più un flusso di revisione per i data steward.

Supporto decisionale

Ogni cluster è accompagnato da un business case di consolidamento: mantenere, bloccare o rendere obsoleto.

Sfida

I produttori globali gestiscono nei propri ERP centinaia di migliaia di materiali, con lo stesso materiale fisico registrato con codici, nomi e descrizioni diversi tra stabilimenti, regioni e filiali acquisite. Il risultato: sconti a volume mancati, scorte in eccesso, acquisti fuori contratto (maverick spending) e l'impossibilità di consolidare la spesa di acquisto. La pulizia dei dati anagrafici (master data) è riconosciuta da tutti come necessaria e da tutti rimandata, finché il costo dell'inazione non si accumula.

Approccio

Abbiamo costruito un motore di similarità assistito dall'IA che rileva materiali duplicati e quasi duplicati tra stabilimenti ed ERP. Il motore usa descrizioni dei materiali, attributi e pattern di acquisto per raggruppare in cluster i materiali simili, poi quantifica i risparmi di consolidamento per cluster, sulla base dei volumi di acquisto reali e delle curve di sconto dei fornitori.

Un flusso di lavoro per i data steward consente ai responsabili dei dati di esaminare ogni cluster e decidere: mantenere, bloccare o rendere obsoleto. Ogni azione di pulizia ha alle spalle un business case.

Risultati

Le cifre provengono dal set demo (vedi la nota qui sotto), non dall'ambiente del cliente.

  • 228 materiali analizzati nel set demo, di cui il 98,2% individuato in cluster di duplicati

  • 48 candidati segnalati per il blocco o la pulizia

  • 1.382.973 € di risparmio annuo stimato da 84 cluster di consolidamento (dato illustrativo)

  • Pulizia più rapida, con un business case dietro ogni modifica

  • Meno scorte in eccesso, meno sconti mancati, meno acquisti fuori contratto

  • Un'unica vista affidabile dei materiali a supporto di decisioni di sourcing e operative migliori

Le cifre mostrate sono illustrative: derivano da una versione demo autonoma del progetto costruita su dati sintetici. I risultati effettivi presso il cliente sono protetti da NDA.

Python Motore di similarità IA/ML Integrazione ERP Power BI

Avete una sfida simile?

Portate un dominio di materiali o uno stabilimento. Parliamo di come l'analisi di similarità e un flusso di lavoro per i data steward possono supportare la pulizia dei vostri dati anagrafici.

Prenotate un incontro di 30 min