Modele matematyczne na zamówienie

Kiedy standardowy arkusz kalkulacyjny przestaje wystarczać

Większość firm logistycznych próbuje przewidywać przyszłość za pomocą prostych średnich w Excelu. Problem pojawia się, gdy masz 87 różnych dostawców i każdy z nich ma inne opóźnienia. Roskar Institute tworzy narzędzia, które biorą pod uwagę realne zmienne, a nie teoretyczne założenia. Matematyka nie kłamie – jeśli Twój obecny system myli się o więcej niż 14% przy planowaniu zatowarowania, tracisz pieniądze na zamrożonym towarze. My budujemy modele w Pythonie, które radzą sobie z takimi wahaniami bez lania wody.

Kod pisany pod konkretny problem magazynowy

Nie wierzymy w uniwersalne narzędzia, które pasują każdemu. Każdy projekt zaczynamy od surowych danych z Twojego systemu ERP lub WMS. Zazwyczaj proces czyszczenia i segregacji danych zajmuje nam około 67% czasu całego zlecenia. W 2023 roku dla firmy dystrybucyjnej z okolic Gliwic stworzyliśmy skrypt, który przeanalizował 156 tysięcy historycznych transakcji. Okazało się, że 23% zapasów na magazynie było całkowicie zbędnych, ponieważ model logistyczny nie uwzględniał sezonowości dostaw z Azji.

Nasze modele pracują na bibliotekach takich jak pandas czy scikit-learn, ale dla Ciebie wynik jest prosty: konkretna liczba sztuk towaru do zamówienia na dany tydzień. (Swoją drogą, często okazuje się, że najprostsze błędy wynikają z błędnego wprowadzania dat w bazach danych, co wyłapujemy już w pierwszym tygodniu pracy).

Mierzalne efekty wdrożenia algorytmów

Praca nad modelem trwa u nas zazwyczaj od 5 do 9 tygodni, zależnie od jakości Twoich baz danych. Skupiamy się na twardych parametrach, które można sprawdzić w rachunku zysków i strat. Poniżej przedstawiamy, co zazwyczaj udaje się osiągnąć po wdrożeniu dedykowanego rozwiązania:

• Zmniejszenie kosztów utrzymania zapasów o średnio 17,4% w skali kwartału.
• Skrócenie czasu potrzebnego na przygotowanie planu zakupowego z 3 dni do 14 minut.
• Wykrycie 12 wąskich gardeł w łańcuchu dostaw, o których wcześniej nie wiedział dział zakupów.
• Poprawa trafności prognoz o 31% w porównaniu do standardowych metod statystycznych.

Jak wygląda współpraca z Roskar Institute?

Zaczynamy od audytu danych. Musimy sprawdzić, czy to, co zbierasz w systemie, nadaje się do budowy modelu. Jeśli dane są zbyt wybrakowane, powiemy to wprost po pierwszej analizie. Nie bierzemy zleceń, w których matematyka nie ma szans przynieść zwrotu z inwestycji. Po akceptacji próbki danych, piszemy kod, testujemy go na danych historycznych (tzw. backtesting) i dostarczamy gotowy skrypt lub aplikację z prostym interfejsem. Liczymy konkretnie, więc po 4 miesiącach od wdrożenia robimy wspólną rewizję wyników, aby sprawdzić, ile realnie zaoszczędziłeś.

Otrzymaj wycenę modelu w 48h