תכנון מבוסס-מניעים (Driver-Based Planning)
Driver-Based Planning
תכנון ביקושים (Demand Planning) · שיעור 4
- מנבא לפי 'מה משפיע', לא רק 'מה היה'.
- MLR / Gradient Boosting + driver key figures.
- מצטיין ב-what-if של מחיר ומבצעים.
- היזהר ממקדמים לא-אמינים ומ-multicollinearity.
מטרת השיעור
ידע אצורתכנון-מבוסס-מניעים חוזה ביקוש לא רק מהעבר אלא מתוך גורמים-מסבירים (drivers): מחיר, מבצעים, מזג-אוויר, אירועי-שוק, תקציב-פרסום. ב-IBP זה ממומש דרך Multiple Linear Regression ו-Gradient Boosting, וכן דרך key figure calculations מבוססות-מניעים. גישה זו מצטיינת היכן שמניעים חיצוניים שולטים בביקוש — בדיוק שם שבו חיזוי-מבוסס-היסטוריה נכשל.
למה זה חשוב
ידע אצורבמקום לחזות רק לפי 'מה היה', תכנון-מבוסס-מניעים שואל 'מה משפיע?'. אם הורדת-מחיר מעלה מכירות, או מבצע 1+1 מקפיץ ביקוש, או חום מעלה צריכת-משקאות — אלה ה'מניעים'. המודל לומד את הקשר בין המניעים למכירות, וכשאתה משנה מניע (מתכנן מבצע), התחזית מגיבה.
ערך עסקי
ידע אצורלחזות ביקוש שמושפע-בעיקר ממניעים-ניתנים-לתכנון (מחיר/מבצע) ולאפשר what-if: 'מה יקרה לביקוש אם נעשה מבצע?'.
היכן בשימוש
ידע אצור• SAP Fiori Launchpad ► Manage Forecast Models ► Add MLR / Gradient Boosting Step + assign drivers • SAP Fiori Launchpad ► Configuration ► Key Figures ► driver key figures + calculations • Excel ► SAP IBP ► עריכת drivers (Price/Promotion/Spend) ← תחזית מגיבה
מושגי מפתח
ידע אצור- מנבא לפי 'מה משפיע', לא רק 'מה היה'.
- MLR / Gradient Boosting + driver key figures.
- מצטיין ב-what-if של מחיר ומבצעים.
- היזהר ממקדמים לא-אמינים ומ-multicollinearity.
דוגמה מ-CBC
ידע אצורבארגון: drivers = מחיר-מדף, דגל-מבצע (1+1/מחיר-מבצע), טמפרטורה-עונתית, חגים. Gradient Boosting לומד את הקשר הלא-לינארי בין חום-קיצוני למכירות-משקאות; תכנון-מבצע-קמעונאות מתורגם אוטומטית ל-uplift בתחזית. צוות-שיווק מתכנן הורדת-מחיר 10% למוצר. מודל ה-MLR (שלמד price-elasticity מההיסטוריה) מתרגם זאת ל-uplift של 18% בביקוש. התחזית מתעדכנת אוטומטית, ותכנון-האספקה מקבל את הכמות-המוגדלת.
תהליך
ידע אצורטבלאות
ידע אצור| טבלה | תיאור |
|---|---|
| Price | Price |
| Promotion Flag | Promotion Flag |
| Marketing Spend | Marketing Spend |
| Statistical Forecast Qty | Statistical Forecast Qty |
טרנזקציות
ידע אצוראפליקציות Fiori
ידע אצורקונפיגורציה (SPRO)
ידע אצור• drivers כ-key figures-קלט: Price, Promotion Flag, Marketing Spend, Temperature. • statistical: MLR / Gradient Boosting step עם driver assignment. • deterministic: key figure calculation מפורשת (Base × elasticity × promo-factor). • training period + driver history — לכיול-מקדמים אמין.
הערות
ידע אצורנתוני אב • Price / Promotion Flag / Marketing Spend / Temperature = driver key figures. • Statistical Forecast Qty = פלט; Consensus Demand מאחד עם uplift-מתוכנן. שאלות ראיון מהו driver-based planning? חיזוי ביקוש מתוך גורמים-מסבירים (מחיר/מבצע/מזג-אוויר) באמצעות MLR/Gradient Boosting או נוסחאות-מפורשות, במקום מהיסטוריה בלבד. מתי הוא עדיף על סטטיסטי-טהור? כשמניעים-חיצוניים ניתנים-לתכנון שולטים בביקוש, ובמיוחד ל-what-if של החלטות-מחיר/מבצע. מהי סכנת ה-multicollinearity? כש-drivers מתואמים זה-לזה ב-MLR, המקדמים נעשים לא-יציבים ומטעים. נושאים קשורים • S&OP · יצירת תחזית סטטיסטית (3.3) • S&OP · מודל פיננסי משתף (3.5)
טעויות נפוצות
ידע אצור- drivers ללא היסטוריה מספקת — מקדמים לא-אמינים ורעש.
- multicollinearity ב-MLR (drivers מתואמים-זה-לזה) — מקדמים מטעים.
- ערבוב causal forecasting עם planning-driver formula בלי הבחנה ברורה.
פתרון תקלות
ידע אצור• התחזית לא מגיבה לשינוי-מחיר ➔ ה-driver לא מוקצה למודל או חסר היסטוריה. • מקדם price-elasticity לא-הגיוני ➔ multicollinearity או training period קצר. • uplift כפול ➔ גם המודל למד מבצע וגם נוסף uplift ידני לאותו אירוע.
שיטות עבודה מומלצות
ידע אצור- ודא היסטוריית-drivers ארוכה ואיכותית לפני causal forecasting.
- בדוק multicollinearity ובחר drivers בלתי-תלויים.
- הבחן בבירור בין מבצע-שנלמד-מהמודל לבין uplift-מתוכנן-ידנית כדי למנוע כפל.
- השתמש ב-driver-based ל-what-if של מחיר/מבצע מול תכנון-האספקה.
טיפים
ידע אצור- ב-IBP, driver-based planning מתבצע בשני אופנים: (1) statistical — MLR/Gradient Boosting ב-Statistical Forecasting, עם ה-drivers כ-key figures-קלט נוספים מעבר להיסטוריה; (2) deterministic — key figure calculations המגדירות נוסחה מפורשת (לדוגמה Demand = Base × Price-Elasticity × Promo-Factor). ה-drivers נטענים כ-key figures (Price, Promotion Flag, Marketing Spend, Temperature) ברמת-התכנון המתאימה. חשוב להבחין בין causal forecasting (לומד מקדמים) לבין planning-driver formulas (מקדמים נתונים). יש לוודא היסטוריה מספקת ל-drivers, ולהיזהר מ-multicollinearity ב-MLR.
סיכום
ידע אצור• מנבא לפי 'מה משפיע', לא רק 'מה היה'. • MLR / Gradient Boosting + driver key figures. • מצטיין ב-what-if של מחיר ומבצעים. • היזהר ממקדמים לא-אמינים ומ-multicollinearity.