Ejemplo de TAF Final - Incluye 1era y 2da Revision
Ejemplo de TAF Final - Incluye 1era y 2da Revision
Jorge XXXXXX
Cynthia XXXXX
Diego XXXXX
Karina XXXX
CENTRUM
LIMA - 2020
2
Tabla de Contenidos
4. DIAGNÓSTICO ........................................................................................................................................... 8
6. RECOMENDACIONES ............................................................................................................................. 22
7. REFERENCIAS .......................................................................................................................................... 24
3
1. Resumen ejecutivo
un mercado cada vez más complejo, siendo la búsqueda de eficiencia un factor fundamental
negocio minorista, puesto que se debe realizar un cálculo adecuado en los centros de
distribución y tiendas, con la finalidad de tener un nivel de stock que permita realizar las
ventas sin riesgos de quiebre, asimismo evitar contar con inventario inmovilizado que afecte
número de tiendas y surtido de cada una, tenemos una cantidad de datos bastante grande para
gestionar y pronosticar.
Intermarket S.A utiliza actualmente SAP ERP Retail 6.0 on HANA, en el cual gestiona
las necesidades de la tienda y, por consiguiente, qué, cuándo y cuánto comprar; este proceso
Este proyecto de modelo analítico tiene como objetivo disminuir los días de
proceso evidencia una falta de precisión en los cálculos para el pronóstico de venta, pues no
4
logra identificar claramente las estacionalidades, días festivos y eventos externos que afectan
las ventas. Otra mejora identificada, es la redefinición de los parámetros logísticos para el
SAP ERP que calcule un pronóstico de venta, utilizando analítica y machine learning; luego
se utilice como insumo del proceso de reaprovisionamiento en SAP ERP. La meta del
mercadería para el negocio minorista y las herramientas del Cloud Computing para la
Permite conocer de manera anticipada cuáles serán los resultados económicos, determinar
desconocida. Machine Learning se utiliza para entrenar estos modelos. (Kelleher, Mac
Proceso automatizado que extrae patrones de datos con el fin de construir modelos
configuración del sistema que ofrece los servicios. La computación en nube es una evolución
2.5. Arquitectura
datos, y luego representar y comunicar estos requisitos de datos en una forma precisa llamada
documentan conocimientos explícitos sobre los datos y sistemas de una organización; sirven
International, 2017)
7
Intermarket S.A. es parte del holding Intermarket Regional, con más 30 años de
clientes, la máxima calidad de servicio, excelencia y compromiso, los 365 días del año”. Las
unidades de negocio son las tiendas por departamento, supermercados, mejoramiento del
surtidos acotados y precios mayores) y mayorista (venta de artículos a gran escala: paquetes,
cajas). Con esta cantidad de tiendas, alcanza una facturación bruta de siete mil millones de
soles anuales; para soportar este volumen de negocio, gestiona un inventario de mercadería
4. Diagnóstico
4.1. Introducción
definió buscar aquellos relativos a la optimización del capital de trabajo y uno de ellos,
La empresa hace poco optó por la reimplementación de su ERP, utilizando ahora SAP
Retail 6 on HANA. En SAP se ejecutan todos los procesos relacionados al SCM y, por la
Desde la puesta en producción del nuevo sistema, los principales indicadores de SCM
se han mantenido constantes, sin mejora significativa con respecto al ERP legado. Los
tiendas; a esta tarea (subproceso) se le conoce como cálculo del pronóstico de ventas.
tienda es la siguiente:
10
proceso:
Parametrización. Encargados de definir los valores que deben tener los artículos en
los campos que se utilizan para el cálculo del proceso: lead time, stock de seguridad, punto de
pedido y otros.
reciben las ordenes de compra y proceden a ejecutar sus procesos internos para la atención
respectiva.
qué fecha comprar. Se define como la diferencia entre el stock esperado y el stock objetivo.
mercadería en tránsito. El stock objetivo es el valor estimado teórico que debemos tener en
nuestras tiendas para satisfacer la demanda. Un valor importante es el lead time, el cual
cadena de suministro.
los documentos creados por el sistema y edita la información que considera errónea.
Actualmente se han desarrollado herramienta en SAP Retail que permite hacer las
manual. En esta tarea también se realizan las gestiones y coordinaciones con los proveedores
Evaluando el proceso y sus actividades, se identifica que los datos maestros relevantes
la herramienta; y el cálculo del pronóstico de ventas del ERP no se ajusta a los valores reales,
inventario.
Para evidenciar la falta de precisión del pronóstico de venta, se descargó vía query la
información pronosticada por SAP Retail y se comparó con las ventas reales. Se encontraron
futuro. Esta operación se realizó con la venta real y pronosticada de dos años consecutivos.
Para verificar los inconvenientes en los datos maestros, se calculó el tiempo promedio
real en el cual la mercadería llega desde la orden compra al proveedor hasta que esta se
encuentra en tienda. Este dato se comparó con el valor ingresado en el sistema, el cual es
Se identificó entre los diez proveedores más importantes que los valores reales
difieren significativamente de los datos teóricos. Es importante considerar que si el lead time
colocado está erróneo, el stock de seguridad calculado será incorrecto, pues existirían días de
Este cuadro nos presenta el resultado de una muestra del análisis, la probabilidad de
Adicionalmente, la mejora del pronóstico, la actualización del lead time en forma dinámica,
junto con el manejo del stock de seguridad a nivel artículo/centro, permitirá seguir el plan de
• Cuadro General.
15
5. Propuesta de Consultoría
5.1.1. Objetivo
generando ahorros por disminución del capital de trabajo. Adicionalmente también se busca
reducir la venta perdida por quiebres de stock y por lo tanto generar mayores ingresos.
del pronóstico de venta y la modificación de datos maestros (stock de seguridad y lead time),
cloud, del pronóstico de venta y los de datos maestros de stock de seguridad y lead time
importantes:
aperturas o cierres.
• Ventas
• Stock
• Órdenes de compra
Medición de error. La métrica usada para evaluar el error es el WMAPE que mide el
error porcentual de cada SKU, otorgando mayor peso a los artículos que tienen más venta. Se
excluye SKU que no hayan vendido ninguna unidad en la semana, tengan quiebre parciales
Quiebres parciales. Para un día en particular, se marca como quiebre parcial cuando
el nivel de stock de un SKU es menor que su venta diaria regular. Por ejemplo, un SKU que
al día vende aproximadamente 100 unidades (percentil 80) se considera como parcialmente
relativo (precio de venta efectivo respecto a su precio de venta promedio) es menor a un 85%.
promoción, su venta será corregida usando un promedio móvil de sus ventas. Esto nos
directamente en SAP Retail para que sean parte del proceso del cálculo. Los datos para
insertar son el lead time, stock de seguridad y pronóstico de ventas (periodo de cuatro
5.1.4. Beneficios
Abarrotes, se estima una reducción de 500,000 dólares americanos por la disminución de los
Gestión de Parámetros y Datos Maestros. Los equipos ahora contarán con una
herramienta analítica que les permitirá tomar mejores decisiones y automatizar sus labores,
generando mayor eficiencia operativa e impacto importante sobre el resultado del proceso.
● SAP Retail:
● Plataforma Nube:
● SAP PI:
De acuerdo con el alcance del proyecto, los recursos asignados y tiempos estimados
6. Recomendaciones
implementada.
permite contar con mayor precisión en la ejecución de los procesos de negocio del área de
abastecimiento; este tipo de análisis es el adecuado para este proceso en particular. El análisis
utilizar para analizar el comportamiento de nuestras ventas por grupo de valor de clientes y
El camino hacia el Cloud Computing es diferente para cada compañía. Son claros los
beneficios de usar estas tecnologías y capacidades, pero ante toda adopción de proyectos
horizonte de tiempo para poder empezar a explorar opciones y diseñar el propio roadmap a
sino en la continua evolución de las aplicaciones y con áreas dentro de las empresas que
continúen el análisis de los datos y generen valor a partir de ellos. El presente ya son los
7. Referencias
http://www.ebooks7-24.com.ezproxybib.pucp.edu.pe:2048/?il=5378&pg=191
Prieto, J. (2015) Gerencia de ventas: Sea un animador de sus vendedores (2da ed.). Bogotá:
Ecoe ediciones.
Kelleher, John D., Mac Namee, Brian, D’Arcy, Aoife (2015). Fundamentals of Machine
Learning for Predictive Data Analytics. Algorithms, Worked Examples, and Case