I tidigare inlägg gick Tobias igenom möjligheterna med beräknade prognoser med hjälp av Machine Learning i Azure. I detta inlägg ska vi titta närmare på hur den prognosen kan användas genom hela försörjningskedjan över bolagsgränserna. Det här inlägget kommer även ge några exempel på hur den kan användas i olika planeringssyften. Har ni missat tidigare inlägg kan ni läsa dem här:

Från data till beslut d365 for operations

Kom igång med försäljningsprognosticering i d365 for operations

För att exemplifiera ett globalt flöde tittar vi på Fictitious Group som tillverkar och säljer cyklar. Fiktiv Ab är det svenska bolaget som gör slutmonteringen på siten i Göteborg. Hjulen köps in monterade från det indiska bolaget och sadeln ifrån det kinesiska bolaget. Övriga komponenter köps in lokalt. Bolaget har säljföretag i Brasilien och USA som köper in de monterade cyklarna från det svenska bolaget.

GetImage (1)

Figur 1: Global Supply Chain

Nedan exempel visar hur den framräknade prognosen i Brasilien bolaget genererar planerade intercompany inköpsorder (inköpsförslag) via Intercompany Master planning funktionalitet. Det ger kommande tillverkningsbehov i det svenska Monteringsbolaget och därifrån kan generera vidare inköpsbehov till det indiska bolaget.

GetImage (2)

Figur 2: System-presentation av prognosen, nedbruten över flera bolag

Ovan karta visar enbart prognos och förslag till produktion samt inköp. D365 tar även hänsyn till försäljning, produktions-order, transfer-order, inköp och nuvarande lagernivåer för att enbart ge förslag mot det som förväntas behövas. Detta ger en möjlighet att, utan extra administrativt arbete, låta prognosen räknas fram via Machine learning eller importeras från andra källor för att sedan driva hela koncernens planering, mot samma gemensamma ”sanning”.

D365 ser till att behoven går över bolagsgränserna med hjälp av Intercompany Planning Groups. Där scheduling sequence ser till att huvudplaneringen körs i rätt sekvens så att behoven kan ärvas ner i försörjningskedjan. Det finns även möjlighet till iterationer för mer komplexa flöden där det inte är lika tydligt  vilket bolag som köper av vilket.

GetImage (3)

Figur 3: Planeringssekvens i D365fO mellan flera bolag

Intercompany planning tillsammans med möjligheten att ha flera huvudplaner gör det möjligt att ur ett simuleringssyfte köra en längre planering över alla bolag och använda behoven för att ge en kapacitetsanalys över tiden utifrån den inlagda prognosen. Utan att påverka planen som används i det operativa arbetet.

Utifrån simuleringskörningen går det i Capacity requirement statistics att filtrera och gruppera för att se beläggningen som blev resultatet av den inlagda prognosen.

GetImage (4)

Figur 4: Kapacitetsbeläggning per resurs eller resursgrupp

D365fO erbjuder även möjligheten att analysera beläggningen grafiskt. Här kan simulerad beläggning jämföras mot tillgänglig kapacitet och utifrån detta kan förebyggande åtgärder för att förhindra eventuell överbeläggning planeras.

GetImage (5)

Figur 5: Beläggning vs. kapacitet för en resurgsgrupp

Den nedbrutna prognosen ger även bra underlag för materialplaneringen. Den kan exempelvis vara underlag för beräkning av säkerhetslagernivåer eller en leverantörsprognos.

Nedan är ett exempel där systemets inköpsförslag är omvandlad till en nettad leverantörsprognos i Excel, som kan skickas till en leverantör. Vilket även kan göras med PowerBI.

GetImage (6)

Figur 6: Leverantörsprognos i Excel
Det här inlägget syftade till att ge inblick i hur försörjningskedjan kan formas och styras med hjälp av prognoshanteringen i D365fO. Tillsammans med stödet inom PowerBI går det att mycket effektivt planera sina flöden strategiskt, taktiskt och operativt samt kontinuerligt följa upp nyckeltal längs hela kedjan.

 

Författare: Per Karlsson

Bidragande: Daniel Larsson, Hanna Svensson, Peer Klavefors