Vés al contingut
MARCA INTERNACIONAL DE REFERÈNCIA EN DISSENY I MODA ÒPTICA

Previsió de Demanda i Optimització de Compres de Fabricació

EL REPTE DE NEGOCI

El risc financer de planificar la fabricació a cegues.

Els terminis de fabricació de moda òptica de disseny oscil·len entre els 3 i els 6 mesos. Planificar la producció sense intel·ligència de dades comporta dos grans riscos: si es produeix de menys, els best-sellers s'esgoten en plena temporada causant pèrdues de venda irreparables; si es produeix de més, les ulleres sobrants es converteixen en estoc mort que cal liquidar destrossant el marge comercial.

LA SOLUCIÓ DATYA

Machine Learning basat en Clustering d'Atributs.

Vam dissenyar un sistema predictiu que analitza les comandes B2B internacionals i descompon cada model en atributs (forma, material, color, calibre). Mitjançant algoritmes de Clustering, el model resol el problema dels llançaments nous (cold start) inferint com es comportaran basant-se en models similars, oferint el pla de fabricació òptim mes a mes per a la fàbrica.

Impacte Mesurable

-35% D'estoc mort a final de col·lecció: Protecció del marge i eliminació de liquidacions forçades a baix preu.
+22% En disponibilitat (Fill-Rate) de models best-seller durant els pics de campanya d'estiu.
4 Mesos D'antelació fiable en la planificació per negociar terminis, volums i preus amb les fàbriques.
BACKSTAGE TÈCNIC

Enginyeria darrere l'impacte

Machine Learning No Supervisat

Arquitectura algorítmica dissenyada per resoldre l'absència d'històric en nous llançaments:

  • K-Means / Hierarchical Clustering: Agrupa els nous models amb referències històriques basant-se en l'adherència dels seus atributs.
  • Regressió Multivariant: Projecció de volum basada en l'estacionalitat global i el comportament del clúster assignat.

Vectors i Atributs

  • - Històric de vendes B2B.
  • - Calibre, material i color.
  • - *Lead times* de proveïdors.
  • - Calendari de llançaments.

Pipeline Analític i Orquestració Python

L'extracció de dades es realitza directament des de l'ERP del client. El pipeline desenvolupat en Python executa processos de neteja d'anomalies (pics anòmals de venda), executa l'entrenament dels models de Machine Learning i retorna un quadre de planificació de compra de matèries primeres depurat.

PythonScikit-LearnPandasERP IntegrationClustering
SEGÜENT PAS

Vols deixar d'acumular estoc mort i protegir el teu marge de benefici?

Planificar la producció basada en intuïcions us està costant milers d'euros en liquidacions i pèrdua de vendes. Despleguem models predictius connectats a les teves dades per dir-te exactament què fabricar, quan i en quina quantitat.

Resum de la privadesa

Datya utilitza cookies de tercers per analitzar l’ús d’aquesta pàgina web. Més informació