ביצועי ספקים (Supplier Performance)

אנליטיקת ביצועי-ספקים מודדת עד כמה ספק מספק כפי שהובטח — אספקה-בזמן (On-Time Delivery), איכות, ציות-כמות, ותגובתיות. היא מספקת ציון אובייקטיבי לכל ספק, מזינה החלטות-Sourcing, מבססת שיחות-שיפור ומזהה סיכוני-אספקה לפני שהם משבשים ייצור. ב-S/4HANA זו embedded analytics בזמן-אמת על נתוני GR/IR/QM. דוחות מסמכי-רכש ואנליטיקה מוטמעת — דוחות מסמכי-הרכש הם הבסיס התפעולי של האנליטיקה: רשימות-PO, מצב-מסירות, חשבוניות פתוחות והיסטוריית-מסמך. ב-S/4HANA הם עברו מ-list reports קלאסיים (ME2*) ל-embedded analytics אינטראקטיבי — Fiori list-report + analytical apps מעל ה-VDM, עם drill-down בזמן-אמת מ-KPI ועד שורת-מסמך בודדת. אנליטיקה חיזויית — אנליטיקה-חיזויית מסיטה את הרכש מ'מה קרה' ל'מה צפוי לקרות' — חיזוי איחורי-מסירה, סיכון-אי-עמידה של ספק, וחיזוי-ביקוש לקטגוריה. ב-S/4HANA היא מסופקת דרך embedded Predictive Analytics Integrator (PAI / Intelligent Scenarios) ו-SAP Analytics Cloud Smart Predict, מעל אותו VDM — מאפשרת התערבות יזומה לפני שיבוש.

כמו לתת לספק 'תעודת-ציונים': האם הוא מגיע בזמן? האם הסחורה תקינה? האם הכמות נכונה? המערכת אוספת כל קבלת-סחורה וכל בדיקת-איכות והופכת אותם לציון. ספק עם ציון נמוך מקבל תשומת-לב לשיפור או מאבד נפח לספק טוב יותר. דוחות מסמכי-רכש ואנליטיקה מוטמעת — אלה ה'דוחות היומיומיים' של הקנייָן: רשימת כל ההזמנות, מי טרם סיפק, אילו חשבוניות פתוחות. פעם הם היו טבלאות-טקסט (ME2M, ME2L); היום הם אפליקציות-Fiori אינטראקטיביות שאפשר לסנן, למיין ולצלול מהן ישר לפרטי-המסמך — והכל מתעדכן בזמן-אמת. אנליטיקה חיזויית — במקום לחכות שהמשלוח יאחר, המודל מנבא מראש: 'לפי ההיסטוריה, המשלוח הזה צפוי לאחר 3 ימים בהסתברות 70%'. הקנייָן יכול לפעול עכשיו — להאיץ, להזמין מספק-גיבוי או להגדיל מלאי. זו תחזית מבוססת-נתונים, לא ניחוש.

להפוך 'תחושה' לגבי ספק למדד אובייקטיבי, להניע שיפור-ספקים, להזין החלטות-מקור ולנהל סיכון-אספקה. ספק שאינו נמדד אינו מנוהל. דוחות מסמכי-רכש ואנליטיקה מוטמעת — לתת לקנייָן ולמנהל כלי-עבודה תפעולי-אנליטי אחד: לראות מצב, לסנן, לצלול ולפעול — בלי לעבור בין מערכת-תפעול למערכת-דיווח נפרדת. אנליטיקה חיזויית — להפוך רכש מ-reactive ל-proactive: לזהות סיכון לפני שהוא מתממש, להפחית אי-ודאות-אספקה ולמטב מלאי-ביטחון והחלטות-מקור על בסיס תחזית.

• SAP Fiori ► Procurement ► Supplier Management ► Monitor Supplier Performance / Supplier Evaluation • VDM: C_SupplierEvaluationScore / Purchase order item delivery KPIs • SPRO ► MM ► Purchasing ► Supplier Evaluation ► Define Criteria / Weighting Keys • SAP Fiori ► Procurement ► Purchase Order Processing ► Manage Purchase Orders (Analytical List Page) • SAP Fiori ► Procurement ► Procurement Overview Page • VDM: C_PURCHASEORDERITEM / I_PurchaseOrderItem (consumption views) • SAP Fiori ► Predictive Analytics ► Intelligent Scenarios (ISLM) • SAP Analytics Cloud ► Smart Predict (Classification / Regression) • VDM features: On-Time history / lead-time variance מ-C_PURCHASEORDERITEM

• ספק שאינו נמדד אינו מנוהל.
• מדדי-ליבה: On-Time, Quantity, Quality, Price.
• Statistical Delivery Date הוא עוגן מדידת-המועד.
• S/4HANA מעביר מ-scoring תקופתי ל-KPIs בזמן-אמת.
• דוחות-מסמך עברו מ-list reports ל-embedded analytics.
• מבוסס consumption CDS views (C_PURCHASEORDERITEM).
• drill-down בזמן-אמת מ-KPI עד שורת-מסמך — בלי מערכת-דיווח נפרדת.
• חיזוי מעביר רכש מ-reactive ל-proactive.
• ISLM + PAI מטמיעים מודלים בזמן-אמת מעל ה-VDM.
• SAC Smart Predict בונה classification/regression.
• נטר drift ובצע re-train; הצג הסתברות, לא ודאות.

בארגון ספק-תרכיז נמדד בעיקר על איכות וציות-מפרט (קריטי-למותג), בעוד ספקי-אריזה נמדדים על אספקה-בזמן ועל פגמי-מימדים. לוח-ביצועים מציג Heatmap של כל הספקים — ירוק/צהוב/אדום — והרכש פועל לפי הצבעים. מנהל-רכש סוקר את לוח-ביצועי-הספקים: ספק-בקבוקים מוביל ירד ל-86% אספקה-בזמן ול-2.4% פגמים. הוא מזמן שיחת-שיפור עם יעדים מדידים, ומעביר זמנית 20% מהנפח לספק-גיבוי עד שיפור. דוחות מסמכי-רכש ואנליטיקה מוטמעת — בארגון צוות-הרכש משתמש ב-Overview Page המאחד cards: PO פתוחים, מסירות-באיחור לקווי-המילוי, חשבוניות-בבלוקד וערך-הוצאה-יומי — מסך-בקרה אחד לתפעול-הרכש של המפעל. קנייָן פותח Analytical List Page של PO items, מסנן ל'מסירות-באיחור', ממיין לפי ערך, ומ-card של 'Overdue Deliveries' צולל ישר לשורת-ה-PO הבעייתית ופותח את ה-confirmation מול הספק. אנליטיקה חיזויית — בארגון מודל-סיכון מנבא איחורי-תרכיז על-בסיס היסטוריית-ספק ועונתיות; כשהסיכון גבוה לפני שיא-הקיץ, הרכש מקדים-הזמנה ומגדיל מלאי-ביטחון כדי להגן על קווי-המילוי. מודל late-delivery רץ על PO פתוחים ומסמן 30 שורות בסיכון-איחור-גבוה. הקנייָן מתעדף אותן ב-'Monitor Supplier Confirmations', יוצר קשר עם הספקים ומאיץ — לפני שהאיחור פוגע בייצור.

• Supplier Evaluation criteria & weighting (SPRO ► MM ► Purchasing ► Supplier Evaluation): Price, Quality, Delivery, Service. • Statistical Delivery Date (EKET-SLFDT) — בסיס מדידת On-Time מול Posting Date. • Scoring scale (main/sub-criteria, weighting keys) להגדרת משקלים. • אינטגרציה ל-QM (inspection results) להזנת מדד-איכות. דוחות מסמכי-רכש ואנליטיקה מוטמעת • Analytical query הפעלה: CDS view עם @Analytics.query: true מעל ה-VDM. • Fiori Overview Page configuration — בחירת cards ו-KPIs רלוונטיים לתפקיד. • Smart Business KPI modeling (KPI/Evaluation/Tile) ל-launchpad. • הרשאות-תצוגה לפי ארגון-רכש/קבוצת-רכש. אנליטיקה חיזויית • Intelligent Scenario (ISLM): הגדרת תרחיש, בחירת CDS view כ-data source, אימון ופריסת-מודל. • Predictive Analytics Integrator (PAI): רישום-מודל והרצה בזמן-אמת מעל CDS. • SAC Smart Predict: בניית Classification/Regression model והחזרת ציון ל-S/4HANA. • בחירת features מתוך ה-VDM (lead-time variance, On-Time%, נפח, עונתיות).

נתוני אב • EKET-SLFDT = Statistical Delivery Date — עוגן מדידת אספקה-בזמן. • EKBE = PO history (סוגי-תנועה GR/IR) — מקור הכמות והמועד בפועל. • ELBK/ELBP = Supplier Evaluation records (classic scoring). • C_PURCHASEORDERITEM / I_PurchaseOrderItem = consumption views של PO. • EKET = Schedule Lines (מועדי-מסירה) לדוחות-מסירה. • היסטוריית EKBE/EKET = מאגר-features לאימון. • EKES = confirmations — בסיס לחיזוי-איחור מול ההתחייבות. שאלות ראיון מהם מדדי-הליבה של ביצועי-ספק? On-Time Delivery %, Quantity Reliability, Quality/Defect rate, ו-Price compliance — משוקללים לציון. מול איזה תאריך מודדים אספקה-בזמן? מול Statistical Delivery Date (EKET-SLFDT) או מול ה-confirmation, ולא מול תאריך-המסירה הראשוני הגולמי. מה ההבדל בין classic Supplier Evaluation ל-embedded analytics ב-S/4HANA? Classic (ME61/ELBK) חישוב-תקופתי; embedded analytics מספק KPIs בזמן-אמת מעל CDS views, ללא ריצת-רקע. מה ההבדל בין ME2M קלאסי ל-Manage Purchase Orders Fiori? ME2M = list report סטטי; ה-Fiori app = Analytical List Page מעל VDM עם סינון, KPIs ו-drill-down בזמן-אמת. מהו consumption view? שכבת ה-VDM הפונה-למשתמש (C_*), הנושאת annotations של UI/Analytics; היא מה שאפליקציה צורכת, מעל basic/composite views. מה ההבדל בין ISLM ל-PAI? ISLM (Intelligent Scenario Lifecycle Management) מנהל מחזור-חיי-מודל בתוך S/4HANA; PAI (Predictive Analytics Integrator) מריץ את המודל בזמן-אמת מעל CDS views. מהו תרחיש-חיזוי טיפוסי ברכש? Late-delivery prediction, supplier-default risk ו-demand forecast — מבוססי-features מה-VDM. מהו תפקיד SAC Smart Predict? כלי no-code לבניית מודלי classification/regression; הציון מוחזר ומוטמע באפליקציות-S/4HANA. נושאים קשורים • MM · Sourcing (15.3) • MM · Predictive Analytics (15.4.2) • אובייקט · EKBE • MM · VDM ו-CDS (15.8.3) • אובייקט · EKPO • MM · Machine Learning ו-AI (15.6) • MM · Supplier Performance (15.4)

• On-Time % נראה שגוי ➔ Statistical Delivery Date לא מתוחזק. • ציון-ספק ריק ➔ קריטריונים/משקלים לא הוגדרו או אין נתוני-GR. • מדד-איכות חסר ➔ אין אינטגרציה ל-QM inspection results. • ספק מופיע פעמיים בלוח ➔ Business Partner כפול. דוחות מסמכי-רכש ואנליטיקה מוטמעת • Analytical app ריקה ➔ הרשאות-ארגון או CDS query לא-מופעל. • drill-down לא עובד ➔ associations חסרים ב-CDS view. • ביצועים איטיים ➔ query לא-אופטימלי / חוסר aggregation ברמת-DB. אנליטיקה חיזויית • ציון-תחזית לא מופיע ➔ Intelligent Scenario לא-פרוס או PAI לא-רשום. • דיוק נמוך ➔ features חלשים או חוסר-נתונים; שקול re-train. • תחזית לא מתעדכנת ➔ scenario inactive / data source CDS שגוי.

• ספק שאינו נמדד אינו מנוהל. • מדדי-ליבה: On-Time, Quantity, Quality, Price. • Statistical Delivery Date הוא עוגן מדידת-המועד. • S/4HANA מעביר מ-scoring תקופתי ל-KPIs בזמן-אמת. • דוחות-מסמך עברו מ-list reports ל-embedded analytics. • מבוסס consumption CDS views (C_PURCHASEORDERITEM). • drill-down בזמן-אמת מ-KPI עד שורת-מסמך — בלי מערכת-דיווח נפרדת. • חיזוי מעביר רכש מ-reactive ל-proactive. • ISLM + PAI מטמיעים מודלים בזמן-אמת מעל ה-VDM. • SAC Smart Predict בונה classification/regression. • נטר drift ובצע re-train; הצג הסתברות, לא ודאות.