1 / 17

Mod lisation de produits m t o-sensibles dans la grande distribution

Cas concret: exemple d'un grand producteur de boissons non alcoolises . . Le contexte:. 2006 et 2007: problme de stocks pour des ts plus froids que la moyenne . ? ce client se tourne vers METNEXT pour mieux prendre en compte la mto dans son process de planification de la production: amlioration du taux de service, meilleure gestion du stock, moins de rupture..

clem
Download Presentation

Mod lisation de produits m t o-sensibles dans la grande distribution

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

    3. Les données du problème : Une centaine de Forecast Units (FU=ensemble de références) sont susceptibles d’être météo-sensibles, Mise à disposition d’un historique de 3 ans de données hebdomadaires. Leur outil de prévision: SAP-APO/DP. 1. Comprendre comment la météo influence l’activité de l’entreprise Quels sont les FUs météo-sensibles? (« modélisation ») Comment sont ils météo-sensibles ? (« quantification ») Le modèle trouvé est il fiable ? (« évaluation ») 2. Intégrer l’impact météo dans SAP-APO/DP Pour du « court » terme: 3-4 prochaines semaines Pour du moyen terme : les 3 prochains mois

    4. Cas concret: étape 1 - comprendre Cette étape consiste à : Modéliser les données d’expéditions des FUs à l’aide d’un modèle statistique avancé, non linéaire, multivarié sur une partie de l’historique Modélisation statistique Évaluer la qualité du modèle statistique trouvé (est-il satisfaisant? est-il robuste?), sur l’autre partie de l’historique Hiérarchiser les variables explicatives influentes Quantifier l’impact de chaque variable explicative (y compris météorologique) sur les variations des expéditions

    5. Principe de la modélisation statistique (1)

    8. Cas concret: étape 1 - comprendre Cette étape consiste à : Modéliser les expéditions des FUs à l’aide d’un modèle statistique avancé, non linéaire, multivarié sur une partie de l’historique, Hiérarchiser les variables explicatives influentes Choix des variables explicatives Évaluer la qualité du modèle statistique trouvé (est-il satisfaisant? est-il robuste?), sur l’autre partie de l’historique, Quantifier l’impact de chaque variable explicative (y compris météorologique) sur les variations des expéditions

    10. Cas concret: étape 1 - comprendre Cette étape consiste à : Modéliser les expéditions des FUs à l’aide d’un modèle statistique avancé, non linéaire, multivarié sur une partie de l’historique Hiérarchiser les variables explicatives influentes Évaluer la qualité du modèle statistique trouvé (est-il satisfaisant? est-il robuste?), sur l’autre partie de l’historique Évaluation du modèle statistique Quantifier l’impact de chaque variable explicative (y compris météorologique) sur les variations des expéditions

    12. Cas concret: étape 1 - comprendre Cette étape consiste à : Modéliser les expéditions des FUs à l’aide d’un modèle statistique avancé, non linéaire, multivarié sur une partie de l’historique, Évaluer la qualité du modèle statistique trouvé (est-il satisfaisant? est-il robuste?), sur l’autre partie de l’historique, Hiérarchiser les variables explicatives influentes Quantifier l’impact de chaque variable explicative (y compris météorologique) sur les variations des expéditions Quantification de l’impact

More Related