Бизнес-контекст
Opella управляет одной из наиболее географически распределённых цепочек поставок в потребительском здравоохранении. 13 производственных площадок в Франции, Италии, Германии, Польше, Венгрии, США, Мексике, Бразилии, Японии, Вьетнаме, Австралии и Тунисе обслуживают 100+ рынков с ~100 брендами.
Ключевые вызовы:
- Волатильность спроса на 100 рынках с разными сезонными паттернами — сезон аллергии, гриппа, региональные события
- Оптимизация запасов в масштабе: дефицит vs. избыток на 100 рынках
- Надёжность оборудования на 13 площадках с разным уровнем автоматизации
- Стабильность качества на разных площадках, у регуляторов и контрактных производителей
- Устойчивость поставок — чувствительность после COVID к риску единственного источника API
AI-возможности
1. Прогнозирование спроса — Волна 1
Обучение ML-модели на исторических данных sell-out, сезонности, промо-календарях и внешних сигналах (Google Trends, погода) для генерации прогнозов спроса на уровне SKU по рынкам. Начало — топ-10 SKU во Франции и Бразилии: проверенные данные, измеримая база.
Ожидаемый эффект: Снижение запасов 15–25% · Уровень сервиса +10пп
2. Предиктивное обслуживание — Волна 2–3
Данные IoT-датчиков производственного оборудования → обнаружение аномалий → планирование обслуживания до сбоев. Приоритет: самые загруженные линии (Doliprane во Франции, Dulcolax в Германии).
Ожидаемый эффект: Незапланированные простои -40% · Стоимость обслуживания -20%
3. Контроль качества через компьютерное зрение — Волна 2
Камерный контроль на производственных линиях — обнаружение дефектов, неправильного расположения этикеток, аномалий уровня наполнения в реальном времени. Заменяет или дополняет ручной выборочный контроль.
Ожидаемый эффект: Уровень выхода дефектов -60% · Скорость контроля ×10
Архитектура
Перетаскивай и масштабируй для изучения. Анимированные рёбра показывают направление потоков данных.
Метрики успеха
| Метрика | База | Цель Волны 1 | Цель Волны 2 |
|---|---|---|---|
| Точность прогноза (MAPE) | ~35% | < 20% | < 15% |
| Дней запасов на складе | ~45 дней | ~38 дней | ~32 дня |
| Незапланированные простои | Измерить сначала | — | -40% |
| Выход дефектов по качеству | Измерить сначала | — | -60% |
Первые 90 дней
- Аудит данных — каталогизировать источники ERP на 13 площадках, выявить пробелы и несоответствия
- Ограничение пилота — согласовать топ-10 SKU с руководством цепочки поставок
- Измерение базы — установить текущую точность прогнозирования и метрики запасов
- Пайплайн данных — построить приём из SAP / ERP в единое озеро данных
- Первая модель — обучить и оценить модель прогнозирования спроса на пилотном охвате
- Обзор со стейкхолдерами — представить результаты руководству цепочки поставок в формате ROI для CD&R