neem contact op

Stamgegevensoptimalisatie op FMCG-schaal

Vind dubbele en bijna-dubbele materialen over fabrieken en ERP-systemen heen.

Een AI-ondersteunde similarity-engine clustert op elkaar lijkende materialen, kwantificeert de consolidatiebesparingen per cluster en geeft data stewards een reviewworkflow.

NDA 2024

Inkoop FMCG / Productie Stamgegevensoptimalisatie
Stamgegevensoptimalisatie - workflow voor clusterreview
Gelijkenisweergave uit de losstaande demoversie van de opdracht. Open volledige afbeelding

Uitdaging

Hetzelfde fysieke materiaal, vastgelegd onder verschillende codes en omschrijvingen in fabrieken, regio's en dochterondernemingen.

Opgeleverd

Een similarity-engine op basis van omschrijvingen, attributen en inkooppatronen, plus een reviewworkflow voor stewards.

Beslisondersteuning

Elk cluster krijgt een businesscase voor consolidatie: behouden, blokkeren of laten vervallen.

Uitdaging

Wereldwijde fabrikanten hebben honderdduizenden materialen in hun ERP-systemen, waarbij hetzelfde fysieke materiaal onder verschillende codes, namen en omschrijvingen is vastgelegd in fabrieken, regio's en overgenomen dochterondernemingen. Het gevolg: gemiste volumekortingen, te hoge voorraden, maverick buying en inkoopuitgaven die niet te consolideren zijn. Iedereen weet dat stamgegevens opgeschoond moeten worden en iedereen schuift het voor zich uit - totdat de kosten van niets doen oplopen.

Aanpak

We bouwden een AI-ondersteunde similarity-engine die dubbele en bijna-dubbele materialen over fabrieken en ERP-systemen heen opspoort. De engine gebruikt materiaalomschrijvingen, attributen en inkooppatronen om op elkaar lijkende materialen te clusteren en kwantificeert vervolgens de consolidatiebesparingen per cluster - op basis van werkelijke inkoopvolumes en kortingscurves van leveranciers.

Met een stewardworkflow beoordelen datamanagers elk cluster en beslissen ze: behouden, blokkeren of laten vervallen. Achter elke opschoonactie zit een businesscase.

Resultaten

De cijfers komen uit de demoset (zie de opmerking hieronder), niet van de klantlocatie.

  • 228 materialen geanalyseerd in de demoset, waarvan 98,2% in duplicaatclusters is aangetroffen

  • 48 kandidaten gemarkeerd voor blokkeren of opschonen

  • € 1.382.973 geschatte jaarlijkse besparing uit 84 consolidatieclusters (illustratief)

  • Sneller opschonen met een businesscase achter elke wijziging

  • Minder overvoorraad, minder gemiste kortingen, minder maverick buying

  • Eén betrouwbaar beeld van materialen, als steun voor betere sourcing- en operationele beslissingen

De getoonde cijfers zijn illustratief - afgeleid van een losstaande demoversie van de opdracht, gebouwd op synthetische data. De werkelijke resultaten bij de klant vallen onder NDA.

Python AI/ML-similarity-engine ERP-integratie Power BI

Oplossingsgebieden: Datafundament · Dataproducten · AI-oplossingen

Een vergelijkbare uitdaging?

Kom met één materiaaldomein of fabriek. Bespreek hoe gelijkenisanalyse en een stewardworkflow het opschonen van uw stamgegevens kunnen ondersteunen.

Plan een gesprek van 30 min